Analisis Sentimen Kebijakan MBKM Berdasarkan Opini Masyarakat di Twitter Menggunakan LSTM

Sio Jurnalis Pipin, Heru Kurniawan

Abstract


Merdeka Belajar Kampus Merdeka (MBKM) merupakan kebijakan dari Kemendikbud RI yang berperan penting dalam pembelajaran yang otonom dan fleksibel pada kegiatan belajar mahasiswa diluar program studi. Namun, MBKM memiliki pro dan kontra sehingga perlu dilakukan analisis dan evaluasi kebijakannya untuk meningkatkan kinerja melalui umpan balik dari masyarakat. Penelitian ini akan melakukan sentimen analisis pada kebijakan MBKM pada tweet pengguna Twitter dari tahun 2020 - 2022 dengan kata kunci "MBKM", "MSIB" dan "merdeka belajar".

Long-Short Term Memory (LSTM) digunakan untuk menganalisa sentimen multiclass pada tweet Bahasa Indonesia ke dalam 6 (enam) kelas emosi. Pengumpulan dan persiapan dataset dimulai dengan seleksi fitur, menghilangkan duplikasi dan seleksi tweet, kemudian dilakukan pre-processing yaitu case folding, tokenizing, pembersihan karakter, normalisasi hingga stemming untuk digunakan dalam pembobotan TF-IDF yang diperlukan dalam pembuatan model LSTM.

Hasil penelitian ini menghasilkan model LSTM yang telah dilatih dari dataset 658 tweet dengan nilai akurasi terbaik di 80,42%. Analisis sentimen program MBKM dari tweet pengguna didominasi oleh perasaan "bingung" yaitu 39,51%, kemudian disusul oleh perasaan "senang" yaitu 16,26%, perasaan "sedih" yaitu 15,80%, perasaan "marah" yaitu 13,98%, perasaan "takut" yaitu 7,29%, dan perasaan "terkejut" yaitu 7,14%. Sehingga penting pengkajian untuk meningkatkan program MBKM agar memiliki prosedur dan pelaksanaan yang jelas sehingga mahasiswa nyaman dan memiliki sentimen positif terhadap program MBKM.


Keywords


MKBM; Analisis Sentimen; Kampus Merdeka; LSTM; Twitter

Full Text:

PDF

References


D. Jenderal, P. Tinggi, K. Pendidikan, and D. Kebudayaan, “Buku Panduan Merdeka Belajar-Kampus Merdeka,” 2020.

R. M. Darajatun and M. Ramdhany, “Pengaruh Implementasi Kebijakan Kampus Merdeka terhadap Minat dan Keterlibatan Mahasiswa,” 2021.

N. Y. A Faradhillah, R. P. Kusumawardani, and I. Hafidz, “EKSPERIMEN SISTEM KLASIFIKASI ANALISA SENTIMEN TWITTER PADA AKUN RESMI PEMERINTAH KOTA SURABAYA BERBASIS PEMBELAJARAN MESIN,” Seminar Nasional Sistem Informasi Indonesia, 2016.

E. Indrayuni, “Analisa Sentimen Review Hotel Menggunakan Algoritma Support Vector Machine Berbasis Particle Swarm Optimization,” Jurnal Evolusi, vol. 4, 2016.

L. Oktasari et al., “TEXT MINING DALAM ANALISIS SENTIMEN ASURANSI MENGGUNAKAN METODE NAÏVE BAYES CLASSIFIER,” Prosiding Seminar Nasional Sain dan Teknologi Fakultas Teknik Universitas Wahid Hasyim, 2016.

C. I. Juditha Balai Besar Pengkajian dan Pengembangan Komunikasi dan Informatika Makassar Jl ProfDr Abdurahman Basalamah, “FENOMENA TRENDING TOPIC DI TWITTER: ANALISIS WACANA TWIT #SAVEHAJILULUNG TRENDING TOPIC PHENOMENON ON TWITTER: DISCOURSE ANALYSIS OF TWEET #SAVEHAJILULUNG,” 2015.

H. D. Prasetyo, T. Pramiyati, and I. N. Isnainiyah, “Sentimen Analisis Pengguna Twitter Terhadap Kebijakan Merdeka Belajar Menggunakan Algoritma Naive Bayes,” Seminar Nasional Mahasiswa Ilmu Komputer dan Aplikasinya (SENAMIKA) Jakarta-Indonesia, 2021.

Y. Astari and S. Wahib Rozaqi, “Analisis Sentimen Multi-Class pada Sosial Media menggunakan metode Long Short-Term Memory (LSTM),” JLK, vol. 4, no. 1, 2021.

U. Asgher et al., “Enhanced Accuracy for Multiclass Mental Workload Detection Using Long Short-Term Memory for Brain–Computer Interface,” Front Neurosci, vol. 14, Jun. 2020, doi: 10.3389/fnins.2020.00584.

Dan Li and Jiang Qian, “Text Sentiment Analysis Based on Long Short-Term Memory,” IEEE International Conference on Computer Communication and the Internet, 2016, doi: https://doi.org/10.1109/CCI.2016.7778967.

R. C. Balabantaray, I. Bhubaneswar, O. M. Mohammad, and O. N. Sharma, “Multi-Class Twitter Emotion Classification: A New Approach,” International Journal of Applied Information Systems (IJAIS), vol. 4, no. 1, 2012.

K. D. P. Meke, R. B. Astro, and M. H. Daud, “Dampak Kebijakan Merdeka Belajar Kampus Merdeka (MBKM) pada Perguruan Tinggi Swasta di Indonesia,” EDUKATIF : JURNAL ILMU PENDIDIKAN, vol. 4, no. 1, pp. 675–685, Dec. 2021, doi: 10.31004/edukatif.v4i1.1940.

D. Sopiansyah, S. Masruroh, Q. Y. Zaqiah, M. Erihadiana, U. Sunan, and G. Djati Bandung, “Konsep dan Implementasi Kurikulum MBKM (Merdeka Belajar Kampus Merdeka ),” Lembaga Penelitian dan Pengabdian kepada Masyarakat Institut Agama Islam Nasional (IAI-N) Laa Roiba Bogor, 2022.

R. A. Stine, “Annual Review of Statistics and Its Application Sentiment Analysis,” INSEAD, 2018, doi: 10.1146/annurev-statistics.

M. Sundermeyer, R. Schlüter, and H. Ney, “LSTM Neural Networks for Language Modeling,” ISCA, 2012.

M. Abdullah, M. Hadzikadicy, and S. Shaikhz, “SEDAT: Sentiment and Emotion Detection in Arabic Text Using CNN-LSTM Deep Learning,” in Proceedings - 17th IEEE International Conference on Machine Learning and Applications, ICMLA 2018, Jan. 2019, pp. 835–840. doi: 10.1109/ICMLA.2018.00134.




DOI: https://doi.org/10.55601/jsm.v23i2.900

Refbacks

  • There are currently no refbacks.