Analisis Sentimen Evaluasi Pembelajaran Tatap Muka 100 Persen pada Pengguna Twitter menggunakan Metode Logistic Regression
DOI:
https://doi.org/10.31004/jptam.v6i2.4543Keywords:
Machine Learning, Analisis Sentimen, Twitter, PTM, Logistic RegressionAbstract
Perkembangan Machine learning semakin pesat seiring dengan bertambah banyaknya data yang ada di internet terutama dari media sosial seperti facebook, twitter dan Instagram. Diantara banyak topik yang dibahas di media sosial, topik tentang Evaluasi Pembelajaran Tatap Muka (PTM) serratus persen di indonesia sempat hangat. Banyak masyarakat yang berpendapat mengenai evaluasi PTM terutama di media sosial twiter. banyaknya data yang tidak teratur dan berbeda pola serta makna sehingga sulit mengetahui pendapat yang disampaikan tersebut termasuk pendapat positif yang pro terhadap PTM atau sebaliknya, negatif yang kontra terhadap PTM. Machine Learning bisa mengolah data yang banyak dan tidak teratur untuk menghasilkan sebuah output dengan cepat. Tujuan penelitian ini agar menghasilkan sebual model yang dapat membantu mengklasifikasi opini masyarakat terkait topik evaluasi Pembelajaran Tatap Muka (PTM) seratus persen kedalam sentiment negatif atau positif, biasa disebut dengan analisis sentimen. Klasifikasi termasuk dalam jenis supervised learning dalam machine learning. Logistic Regression merupakan metode machine learning yang dapat digunakan untuk membuat model Klasifikasi yang bisa digunakan untuk melakukan analisis sentimen. Hasil dari Analisis Sentimen menggunakan metode Logistic Regression pada penelitian ini menghasilkan nilai accuracy sebesar 78,57%, precision 76,92%, recall 83,3 % dan nilai F1-Score sebesar 80%.
References
Zintan Prihatini (2022). Pembelajaran Tatap Muka 100 Perser Mulai Digelar, Ini Saran Epidemolog, Sains, https://www.kompas.com/sains/read/2022/01/05/080200223/pembelajaran-tatap-muka-100-persen-mulai-digelar-ini-saran-epidemiolog?page=all, diakses tanggal 3 februari
Kembang, L. G. (2020). Perbandingan model pembelajaran tatap muka dengan model pembelajaran daring ditinjau dari hasil belajar mata pelajaran SKI (studi pada siswa kelas VIII) MTs Darul Ishlah Ireng Lauk Tahun Pelajaran 2019/2020 (Doctoral dissertation, Uin Mataram).
Ratnawati, F. (2018). Implementasi Algoritma Naive Bayes Terhadap Analisis Sentimen Opini Film Pada Twitter. INOVTEK Polbeng-Seri Informatika, 3(1), 50-59.
Annur, Cindy Mutia (2022). Pengguna Twitter Indonesia Masuk Daftar Terbanyak di Dunia, Urutan Berapa?, https://databoks.katadata.co.id/datapublish/2022/03/23/pengguna-twitter-indonesia-masuk-daftar-terbanyak-di-dunia-urutan-berapa, diakses tanggal 11 April 2022
Chadha, Aman (2020). Sentiment Analysis using Logistic Regression, Distilled Notes for the Natural Language Processing Specialization on Coursera (offered by deeplearning.ai), https://aman.ai/coursera-nlp/logistic-regression/#feature-extraction, diakses tanggal 1 Juni 2022
Putra, Jan Wira Gotama. "Pengenalan konsep pembelajaran mesin dan deep learning." Tokyo. Jepang (2019).
Jin, Q., Zhang, Y., Cai, W., & Zhang, Y. (2020). A new similarity computing model of collaborative filtering. IEEE Access, 8, 17594-17604.
Sembodo, J. E., Setiawan, E. B., & Baizal, Z. A. (2016, October). Data Crawling Otomatis pada Twitter. In Indonesian Symposium on Computing (Indo-SC) (pp. 11-16).
Bunker, R. P., & Thabtah, F. (2019). A machine learning framework for sport result prediction. Applied computing and informatics, 15(1), 27-33.
Darmaja, E., Mawardi, V. C., & Perdana, N. J. (2021). REVIEW SENTIMEN ANALISIS APLIKASI SOSIAL MEDIA DI GOOGLE PLAYSTORE MENGGUNAKAN METODE LOGISTIC REGRESSION. PROSIDING SERINA, 1(1), 513-520.
Syarifuddinn, M. (2020). Analisis Sentimen Opini Publik Mengenai Covid-19 Pada Twitter Menggunakan Metode Naïve Bayes Dan Knn. Inti Nusa Mandiri, 15(1), 23-28.
Amalia, B. S., Umaidah, Y., & Mayasari, R. (2021). Analisis Sentimen Review Pelanggan Restoran Menggunakan Algoritma Support Vector Machine Dan K-Nearest Neighbor. SITEKIN: Jurnal Sains, Teknologi dan Industri, 19(1), 28-34.
Savitri, N. L. P. C., Rahman, R. A., Venyutzky, R., & Rakhmawati, N. A. (2021). Analisis Klasifikasi Sentimen Terhadap Sekolah Daring pada Twitter Menggunakan Supervised Machine Learning. Jurnal Teknik Informatika dan Sistem Informasi, 7(1).
Antinasari, P., Perdana, R. S., & Fauzi, M. A. (2017). Analisis Sentimen Tentang Opini Film Pada Dokumen Twitter Berbahasa Indonesia Menggunakan Naive Bayes Dengan Perbaikan Kata Tidak Baku. Jurnal Pengembangan Teknologi Informasi Dan Ilmu Komputer, 1(12), 1733–1741
Habibi, R., Setyohadi, D. B., & Wati, E. (2016). Analisis Sentimen Pada Twitter Mahasiswa Menggunakan Metode Backpropagation. Jurnal Informatika, 12(1), 103–109
Rahutomo, F., Saputra, P. Y., & Fidyawan, M. A. (2018). Implementasi Twitter Sentiment Analysis Untuk Review Film Menggunakan Algoritma Support Vector Machine. Jurnal Informatika Polinema, 4(2), 93. https://doi.org/10.33795/jip.v4i2.152
Wan, X. (2019, May). The influence of polynomial order in logistic regression on decision boundary. In IOP Conference Series: Earth and Environmental Science (Vol. 267, No. 4, p. 042077). IOP Publishing.
Novantika, A., & Sugiman, S. (2022, February). Analisis Sentimen Ulasan Pengguna Aplikasi Video Conference Google Meet menggunakan Metode SVM dan Logistic Regression. In PRISMA, Prosiding Seminar Nasional Matematika (Vol. 5, pp. 808-813).
Bimantara, A., & Dina, T. A. (2019, May). Klasifikasi Web Berbahaya Menggunakan Metode Logistic Regression. In Annual Research Seminar (ARS) (Vol. 4, No. 1, pp. 173-177).
Downloads
Published
How to Cite
Issue
Section
Citation Check
License
Copyright (c) 2022 Saiful Anwar AssaidiAuthors who publish with this journal agree to the following terms:
- Authors retain copyright and grant the journal right of first publication with the work simultaneously licensed under a Creative Commons Attribution License that allows others to share the work with an acknowledgement of the work’s authorship and initial publication in this journal.
- Authors are able to enter into separate, additional contractual arrangements for the non-exclusive distribution of the journal’s published version of the work (e.g., post it to an institutional repository or publish it in a book), with an acknowledgement of its initial publication in this journal.
- Authors are permitted and encouraged to post their work online (e.g., in institutional repositories or on their website) prior to and during the submission process, as it can lead to productive exchanges, as well as earlier and greater citation of published work (See The Effect of Open Access).