Analisis Sentimen Terhadap Pembelajaran Secara Daring Pasca Pandemi Covid-19 Menggunakan  Metode IndoBERT

Muhammad Nur Hidayat; Rully Pramudita

doi:10.51211/imbi.v8i2.2719

Muhammad Nur Hidayat Universitas Bina Insani
Rully Pramudita

DOI: https://doi.org/10.51211/imbi.v8i2.2719

Abstract

Abstrak: Pandemi Covid-19 yang sebelumnya terjadi pada tahun 2020-2022, membuat pemerintah Indonesia mengubah metode pembelajaran yang sebelumnya dilakukan secara tatap muka menjadi pembelajaran secara daring atau online. Perubahan tersebut memaksa para pelajar untuk mampu beradaptasi dengan sistem pembelajaran secara daring tersebut, hal itu memunculkan berbagai opini dari masyarakat. Pembelajaran secara daring juga dilakukan di Universitas Bina Insani dan pihak Universitas ingin mengetahui tanggapan mahasiswanya mengenai pembelajaran daring yang diberlakukan. Hal itu dilakukan dengan cara membagikan sebuah survei berupa google form kepada mahasiswa lalu hasil survei tersebut akan dikaji oleh staff Universtas sebagai masukan untuk perbaikan sistem pembelajaran kedepannya. Analisis sentimen dilakukan untuk mengetahui pendapat atau opini bernilai positif, negatif atau netral. Untuk mengklasifikasi sebuah kalimat diperlukan adanya metode yang bisa mengelompokan suatu sentimen. Metode IndoBERT merupakan metode yang digunakan pada penelitian ini untuk mendapatkan hasil sentimen dengan metode pengujian menggunakan Confusion Matrix yang nantinya akan menghitung nilai akurasi dari metode IndoBERT. Hasil pengujian yang dilakukan dalam penelitian ini menghasilkan nilai accuracy yang cukup tinggi yaitu sebesar 87% dengan nilai precision sebesar 87%, recall sebesar 91% dan F1-score sebesar 89%. Pengujian dilakukan dengan menguji sebanyak 100 kalimat dengan berbagai sentimen.

References

[1] C. Ketut Mediana Ayu, S. I Made Agus Dwi, and W. Ketut Agung Cahyawan, “Analisis Sentimen Pembelajaran Daring Era Pandemi COVID-19 Menggunakan Naive Bayes Dan Support Vector Machine,” vol. 5, pp. 1–6, 2023.
[2] B. Gunawan, H. S. Pratiwi, and E. E. Pratama, “Sistem Analisis Sentimen pada Ulasan Produk Menggunakan Metode Naive Bayes,” J. Edukasi dan Penelit. Inform., vol. 4, no. 2, p. 113, 2018, doi: 10.26418/jp.v4i2.27526.
[3] F. F. Mailoa, “Analisis sentimen data twitter menggunakan metode text mining tentang masalah obesitas di indonesia,” J. Inf. Syst. Public Heal., vol. 6, no. 1, p. 44, 2021, doi: 10.22146/jisph.44455.
[4] P. D. Kusuma, Machine Learning Teori, Program, Dan Studi Kasus. Deepublish, 2020.
[5] et al. . A. Aditya Permana, Wahyuddin S, L. Willyanto Santoso, Machine Learning. Global Eksekutif Teknologi, 2023.
[6] T. Suhesti, “Bahasa Pemrograman Python,” J. Ilmuti Ilmu Teknol. Inf., vol. 2, no. 11, pp. 1–6, 2022.
[7] R. G. Guntara, “Visualisasi Data Laporan Penjualan Toko Online Melalui Pendekatan Data Science Menggunakan Google Colab,” vol. 2, no. 6, pp. 2091–2100, 2023.
[8] O. Nurdiawan, R. Herdiana, I. Ali, and M. Fijriani, “Kinerja Algoritma Convolutional Neural Network dalam Klasifikasi Covid-19 Varian Omicron Berdasarkan Citra Ct-Scan Thoax,” vol. 9, no. 5, pp. 1472–1478, 2022, doi: 10.30865/jurikom.v9i5.4884.
[9] V. R. Prasetyo, N. Benarkah, and V. J. Chrisintha, “Implementasi Natural Language Processing Dalam Pembuatan Chatbot Pada Program Information Technology Universitas Surabaya,” Teknika, vol. 10, no. 2, pp. 114–121, 2021, doi: 10.34148/teknika.v10i2.370.
[10] N. Adine, S. Casi, and D. Burhanuddin, “Deteksi Hate Speech Pada Twitter,” e-Proceeding Eng., vol. 10, no. 1, pp. 256–262, 2023.
[11] H. K. Putra, M. Arif Bijaksana, and A. Romadhony, “Deteksi Penggunaan Kalimat Abusive Pada Teks Bahasa Indonesia Menggunakan Metode IndoBERT,” e-Proceeding Eng., vol. 8, no. 2, pp. 3028–3038, 2021.
[12] F. Sidik, I. Suhada, A. H. Anwar, and F. N. Hasan, “Analisis Sentimen Terhadap Pembelajaran Daring Dengan Algoritma Naive Bayes Classifier,” J. Linguist. Komputasional, vol. 5, no. 1, p. 34, 2022, doi: 10.26418/jlk.v5i1.79.
[13] S. K. Murti and A. Sujarwo, “Membangun Antarmuka Pengguna Menggunakan ReactJs untuk Modul Manajemen Pengguna,” pp. 1–6, 2018.
[14] B. P. Pratiwi, A. S. Handayani, and S. Sarjana, “Pengukuran Kinerja Sistem Kualitas Udara Dengan Teknologi Wsn Menggunakan Confusion Matrix,” J. Inform. Upgris, vol. 6, no. 2, pp. 66–75, 2021, doi: 10.26877/jiu.v6i2.6552.
[15] L. Mutawalli, M. T. A. Zaen, and W. Bagye, “KLASIFIKASI TEKS SOSIAL MEDIA TWITTER MENGGUNAKAN SUPPORT VECTOR MACHINE (Studi Kasus Penusukan Wiranto),” J. Inform. dan Rekayasa Elektron., vol. 2, no. 2, p. 43, 2019, doi: 10.36595/jire.v2i2.117.
[16] T. A. Kinaswara, N. R. Hidayati, and F. Nugrahanti, “Rancang Bangun Aplikasi Inventaris Berbasis Website Pada Kelurahan Bantengan | Kinaswara | Prosiding Seminar Nasional Teknologi Informasi dan Komunikasi (SENATIK),” Pros. Semin. Nas. Teknol. Inf. dan Komun., vol. 2, no. 1, pp. 71–75, 2019, [Online]. Available: http://prosiding.unipma.ac.id/index.php/SENATIK/article/view/1073.
[17] T. M. Fahrudin, A. R. F. Sari, A. Lisanthoni, and A. A. D. Lestari, “Analisis Speech-To-Text Pada Video Mengandung Kata Kasar Dan Ujaran Kebencian Dalam Ceramah Agama Islam Menggunakan Interpretasi Audiens Dan Visualisasi Word Cloud,” Skanika, vol. 5, no. 2, pp. 190–202, 2022, doi: 10.36080/skanika.v5i2.2942.