ANALISIS SENTIMEN OPINI MASYARAKAT PENGGUNA TWITTER TERHADAP PELAKSANAAN UJIAN TULIS BERBASIS KOMPUTER (UTBK)

Liannisa Fadila Tirta, Departmen Pendidikan Matematika, Universitas Negeri Yogyakarta, Indonesia, Indonesia
Nur Hadi Waryanto, Departmen Pendidikan Matematika, Universitas Negeri Yogyakarta, Indonesia, Indonesia

 10.21831/jktm.v12i1.21506

Abstract


Penelitian ini bertujuan untuk mengetahui langkah dan akurasi dari analisis sentimen menggunakan data opini masyarakat pengguna Twitter terhadap pelaksanaan UTBK serta mengetahui respon masyarakat terutama calon mahasiswa terkait pelaksanaan UTBK yaitu positif, negatif, atau netral. Tahap awal dari penelitian ini yaitu preprocessing, labelling dengan InSet Lexicon, dan pembagian data menjadi data latih dan data uji dengan perbandingan 80%:20% dan 90%:10%. Analisis sentimen dilakukan dengan menggunakan algoritma Naïve Bayes untuk mengklasifikasikan tweets berdasarkan kategori kelas sentimen positif, netral, atau negatif. Hasil penelitian ini menunjukkan bahwa analisis sentimen opini masyarakat terhadap pelaksanaan UTBK menggunakan algoritma Naïve Bayes memperoleh nilai akurasi tertinggi sebesar 84,4% dengan perbandingan data latih dan data uji 80%:20%. Respon masyarakat terutama calon mahasiswa terhadap pelaksanaan UTBK cenderung negatif dengan persentase sebesar 80,5%.


Full Text:

PDF

References


Emeraldi, M. A., Ekawati, I., & Sumadyo, M. (2022). Analisis Sentimen Masyarakat Terhadap Kebijakan Pemerintah Selama Pandemi Covid-19 Menggunakan Algoritma Naïve Bayes. Journal of Students‘ Research in Computer Science, 3(1), 109–122. https://doi.org/10.31599/jsrcs.v3i1.1513

Gupta, B., Negi, M., Vishwakarma, K., Rawat, G., Badhani, P., & Tech, B. (2017). Study of Twitter sentiment analysis using machine learning algorithms on Python. International Journal of Computer Applications, 165(9), 29–34.

Husnina, D. N. N., Ratnawati, D. E., & Rahayudi, B. (2023). Analisis Sentimen Pengguna Aplikasi RedBus berdasarkan Ulasan di Google Play Store menggunakan Metode Naïve Bayes. Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer, 7(2), 737–743.

Jurnalis Pipin, S., & Kurniawan, H. (2022). Analisis Sentimen Kebijakan MBKM Berdasarkan Opini Masyarakat di Twitter Menggunakan LSTM. Jurnal SIFO Mikroskil, 23(2), 197–208. https://doi.org/10.55601/jsm.v23i2.900

Kavitha C.R., J, R. S., Jothilakshmi, R., Alaskar, K., Ishrat, M., & Devi, V. C. (2023). Study of Natural Language Processing for Sentiment Analysis. 2023 3rd International Conference on Pervasive Computing and Social Networking (ICPCSN), 1425–1432. https://doi.org/10.1109/ICPCSN58827.2023.00238

Khder, M. (2021). Web Scraping or Web Crawling: State of Art, Techniques, Approaches and Application. International Journal of Advances in Soft Computing and its Applications, 13(3), 145–168. https://doi.org/10.15849/IJASCA.211128.11

Koto, F., & Rahmaningtyas, G. Y. (2017). Inset lexicon: Evaluation of a word list for Indonesian sentiment analysis in microblogs. 2017 International Conference on Asian Language Processing (IALP), 391–394. https://doi.org/10.1109/IALP.2017.8300625

Md Suhaimin, M. S., Ahmad Hijazi, M. H., Moung, E. G., Nohuddin, P. N. E., Chua, S., & Coenen, F. (2023). Social media sentiment analysis and opinion mining in public security: Taxonomy, trend analysis, issues and future directions. Journal of King Saud University - Computer and Information Sciences, 35(9), 101776. https://doi.org/10.1016/j.jksuci.2023.101776

Patil, A. S., & Pawar, B. V. (2012). Automated classification of web sites using Naive Bayesian algorithm. Proceedings of the international multiconference of engineers and computer scientists, 1, 519–523.

Peraturan Menteri Riset, Teknologi, Dan Pendidikan Tinggi Republik Indonesia Nomor 60 Tahun 2018 tentang Penerimaan Mahasiswa Baru Program Sarjana Pada Perguruan Tinggi Negeri, Pub. L. No. 60 (2018).

Riyantoko, P. A., Fahrudin, T. M., Prasetya, D. A., Trimono, T., & Timur, T. D. (2022). Analisis Sentimen Sederhana Menggunakan Algoritma LSTM dan BERT untuk Klasifikasi Data Spam dan Non-Spam. PROSIDING SEMINAR NASIONAL SAINS DATA, 2(1), 103–111.

Rodríguez-Ibánez, M., Casánez-Ventura, A., Castejón-Mateos, F., & Cuenca-Jiménez, P.-M. (2023). A review on sentiment analysis from social media platforms. Expert Systems with Applications, 223, 119862. https://doi.org/10.1016/j.eswa.2023.119862

Sadya, S. (2023, Februari 21). Indonesia Masuk Negara Paling Banyak Main Twitter pada Awal 2023. https://dataindonesia.id/internet/detail/indonesia-masuk-negara-paling-banyak-main-twitter-pada-awal-2023

Simarmata, J. E., & Ahzan, Z. N. (2021). Bimbingan dan Pelatihan Penalaran Matematika Jenis Soal UTBK bagi Siswa SMA di Masa Pandemi Covid-19. Jurnal Pengabdian Pada Masyarakat, 6(4), 1015–1024.

Tri Kumalasari, J., & Merdekawati, A. (2023). Analisis Sentimen Terhadap Program Kampus Merdeka Pada Twitter Menggunakan Metode Naïve Bayes, Union dan Synthetic Minority Over Sampling Technique (SMOTE). SATIN - Sains dan Teknologi Informasi, 9(1), 01–12. https://doi.org/10.33372/stn.v9i1.894




DOI: https://doi.org/10.21831/jktm.v12i1.21506

Refbacks

  • There are currently no refbacks.


 

Online ISSN (e-ISSN): 3031-1152

Creative Commons LicenseJurnal Kajian dan Terapan Matematika by https://journal.student.uny.ac.id/index.php/jktm/index is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.
 
View My Stats