Analisis Sentimen Terhadap Pembelajaran Daring Dengan Algoritma Naive Bayes Classifier
Fajar Sidik, Ibnu Suhada, Azhar Haikal Anwar, Firman Noor Hasan
Abstract
Pandemi COVID-19 merupakan penyakit yang skala penyebarannya terjadi secara global di seluruh dunia, termasuk Indonesia. Banyak bidang yang terkena dampak pandemi ini termasuk pendidikan. Indonesia saat ini sedang menjalankan strategi pembelajaran daring yang menimbulkan banyak opini masyarakat. Analisis sentiment pada cabang Text Mining digunakan untuk mengklasifikasi suatu entitas pada dokumen teks yang terdiri dari dua kelas yaitu positif dan negatif, kelas tersebut diperoleh dengan mengklasifikasikan dataset headline dan substansi berita terkait pembelajaran daring. Tujuan dari artikel ini adalah untuk melakukan prediksi pendapat orangtua terhadap pembelajaran daring serta mengetahui nilai akurasi dari pendapat tersebut dengan algoritma Naïve Bayes Classifier. Artikel ini menggunakan metode TF-IDF untuk melakukan pembobotan teks. Hasil dari artikel ini terlihat bahwa algoritma Naïve Bayes Classifier mampu melakukan prediksi kalimat positif dan negatif dengan nilai 62,5% positif dan 37,5% negatif dari 40 data pendapat orangtua dan nilai akurasi sebesar 65% berdasarkan 100 berita positif dan 100 berita negative