Analisis Sentimen Terhadap Program Merdeka Belajar Kampus Merdeka Pada Sosial Media Twitter Menggunakan K-Means Clustering, Support Vector Machine (Svm) Dan Syntethic Minority Oversampling Technique (Smote)

Pryono, Muhammad Adam and Ir. Satrio Hadi Wijoyo,, S,Si., S.Pd., M.Kom. and Dr.Eng. Fitra Abdurrachman Bachtiar,, S.T., M.Eng. (2024) Analisis Sentimen Terhadap Program Merdeka Belajar Kampus Merdeka Pada Sosial Media Twitter Menggunakan K-Means Clustering, Support Vector Machine (Svm) Dan Syntethic Minority Oversampling Technique (Smote). Sarjana thesis, Universitas Brawijaya.

Abstract

Program Merdeka Belajar Kampus Merdeka (MBKM) merupakan inisiatif dari Kementerian Pendidikan dan Kebudayaan Republik Indonesia untuk memberikan fleksibilitas kepada mahasiswa dalam menentukan jalur pembelajaran sesuai minat dan bakat mereka. Sejak diluncurkan, program ini telah menerima berbagai tanggapan dari masyarakat, baik positif maupun negatif. Dengan perkembangan teknologi informasi dan penggunaan media sosial yang meningkat, khususnya Twitter, analisis sentimen terhadap cuitan dapat memberikan wawasan tentang persepsi publik terhadap program MBKM. Penelitian ini menggunakan metode klasifikasi dengan algoritme Support Vector Machine (SVM) dan klasterisasi dengan K-Means Clustering. Data dikumpulkan dari Twitter menggunakan teknik crawling data dengan kata kunci "Kampus Merdeka" dan "MBKM". Setelah pengumpulan data, dilakukan text preprocessing yang mencakup pembersihan data dan pembobotan kata menggunakan Term Frequency-Inverse Document Frequency (TF-IDF). Untuk mengatasi ketidakseimbangan kelas pada dataset, diterapkan teknik Synthetic Minority Oversampling Technique (SMOTE). Hasil penelitian menunjukkan bahwa kernel SVM terbaik adalah sigmoid dengan performa yang seimbang pada seluruh metrik, dengan akurasi sebesar 88%. Variasi rasio data latih dan data uji menunjukkan bahwa semakin banyak data latih yang digunakan, performa klasifikasi meningkat. Penerapan SMOTE meningkatkan recall dan f1-score khususnya pada kelas minoritas, namun sedikit menurunkan precision tanpa mengubah akurasi. Klasterisasi menghasilkan 4 cluster dengan hasil analisis sentimen menunjukkan bahwa semua klaster didominasi oleh sentimen negatif. Cluster 1 dan cluster 2 memiliki jumlah sentimen negatif paling signifikan, yang berfokus pada bantuan biaya hidup dan masalah teknis pada sistem MBKM. Penelitian ini memberikan wawasan penting bagi pemangku kebijakan untuk meningkatkan kualitas dan efektivitas program MBKM serta mengembangkan model analisis sentimen yang lebih akurat dan robust dalam menghadapi ketidakseimbangan kelas

English Abstract

The Merdeka Belajar Kampus Merdeka (MBKM) Program is an initiative by the Ministry of Education and Culture of the Republic of Indonesia to provide flexibility for students in determining their learning pathways according to their interests and talents. Since its launch, this program has received various responses from the public, both positive and negative. With the development of information technology and the increasing use of social media, particularly Twitter, sentiment analysis of tweets can provide insights into public perception of the MBKM program. This study uses classification methods with the Support Vector Machine (SVM) algorithm and clustering with K-Means Clustering. Data was collected from Twitter using data crawling techniques with the keywords "Kampus Merdeka" and "MBKM". After data collection, text preprocessing was performed, including data cleaning and word weighting using Term Frequency-Inverse Document Frequency (TF-IDF). To address class imbalance in the dataset, the Synthetic Minority Oversampling Technique (SMOTE) was applied. The results show that the best SVM kernel is sigmoid, with balanced performance across all metrics, achieving an accuracy of 88%. Variation in the ratio of training data to test data indicated that increasing the amount of training data improves classification performance. The application of SMOTE increased recall and f1-score, particularly in the minority class, though it slightly reduced precision without affecting accuracy. Clustering produced four clusters, with sentiment analysis results showing that all clusters were dominated by negative sentiment. Clusters 1 and 2 had the most significant negative sentiment, focusing on living allowance assistance and technical issues with the MBKM system. This study provides important insights for policymakers to improve the quality and effectiveness of the MBKM program and develop more accurate and robust sentiment analysis models in dealing with class imbalance.

Item Type:	Thesis (Sarjana)
Identification Number:	052415
Uncontrolled Keywords:	Analisis Sentimen, Merdeka Belajar Kampus Merdeka, Twitter, K�Means Clustering, Support Vector Machine, SMOTE. - Sentiment Analysis, Merdeka Belajar Kampus Merdeka, Twitter, K�Means Clustering, Support Vector Machine, SMO
Divisions:	Fakultas Ilmu Komputer > Sistem Informasi
Depositing User:	Sugeng Moelyono
Date Deposited:	26 Nov 2024 06:35
Last Modified:	26 Nov 2024 06:35
URI:	http://repository.ub.ac.id/id/eprint/229237

Text (DALAM MASA EMBARGO) MUHAMMAD ADAM PRYONO.pdf Restricted to Registered users only Download (5MB)

Actions (login required)

View Item