ANALISIS SENTIMEN PENGGUNA MEDIA TWITTER TERHADAP KURIKULUM MERDEKA MENGGUNAKAN ALGORITMA SUPPORT VECTOR MACHINE (SVM)
Keywords:
Kurikulum Merdeka, Sentimen, Support Vector Machine, TF-IDFAbstract
Kurikulum Merdeka merupakan kebijakan terbaru dari Kementerian Pendidikan, Kebudayaan, Riset, dan Teknologi yang menekankan pada fleksibilitas pembelajaran dan penguatan karakter peserta didik. Namun, pelaksanaannya menimbulkan beragam opini di kalangan masyarakat, khususnya di media sosial seperti Twitter. Penelitian ini bertujuan untuk menganalisis sentimen pengguna Twitter terhadap Kurikulum Merdeka menggunakan algoritma Support Vector Machine (SVM). Data dikumpulkan melalui teknik crawling dengan menggunakan library Python, kemudian dilakukan tahap preprocessing yang mencakup case folding, cleansing, tokenisasi, stopword removal, stemming, serta representasi data menggunakan metode TF-IDF. Data yang telah diproses diklasifikasikan ke dalam tiga kategori sentimen, yaitu positif, negatif, dan netral. Hasil penelitian menunjukkan bahwa mayoritas sentimen bersifat negatif sebesar 51.4%, positif sebesar 34.1%, dan netral sebesar 14.5%. Model klasifikasi dengan algoritma SVM memberikan hasil akurasi sebesar 76.49%, yang menunjukkan bahwa algoritma ini cukup efektif dalam mengelompokkan opini masyarakat berbasis teks. Penelitian ini diharapkan dapat menjadi masukan bagi pemangku kebijakan dalam mengevaluasi Kurikulum Merdeka, serta memberikan kontribusi dalam pengembangan sistem analisis sentimen di bidang pendidikan.
Downloads
References
Arsi, P., & Waluyo, R. (2021). Analisis Sentimen Wacana Pemindahan Ibu Kota Indonesia Menggunakan Algoritma Support Vector Machine (SVM). Jurnal Teknologi Informasi dan Ilmu Komputer, 8(1), 147.
Fauzi, A. (2022). Implementasi Kurikulum Merdeka Di Sekolah Penggerak. Pahlawan: Jurnal Pendidikan-Sosial-Budaya, 18(2), 18-22.
Gifari, O. I., Adha, M., Hendrawan, I. R., Freddy, F., & Durrand, S. (2022). Analisis Sentimen Review Film Menggunakan TF-IDF Dan Support Vector Machine. Jurnal Ilmu Komputer dan Rekayasa, 2(1), 36-40.
Hasanah, M. A., Soim, S., & Handayani, A. S. (2021). Implementasi CRISP-DM Model Menggunakan Metode Decision Tree Dengan Algoritma CART Untuk Prediksi Curah Hujan Berpotensi Banjir. Journal of Applied Informatics and Computing, 5(2), 103-108.
Husada, H. C., & Paramita, A. S. (2021). Analisis Sentimen Pada Maskapai Penerbangan Di Platform Twitter Menggunakan Algoritma Support Vector Machine (SVM). Teknika, 10(1), 18-26.
Jtik, J., Gata, W., Zevana, A., & Widodo, P. (2023). Analisis Sentimen Pada Komen Twitter Pawang Hujan Mandalika Dengan Support Vector Machine (SVM) Dan Naïve Bayes. Jurnal Teknologi Informasi dan Komunikasi, 7(2), 0-6.
Lestari, S., & Berliani, S. (2024). Analisis Sentimen Masyarakat Terhadap Isu Pecat Sri Mulyani Pada Twitter Menggunakan Metode Naive Bayes Dan Support Vector Machine. Jurnal Nasional Teknik Elektro dan Teknologi Informasi, 5(3), 951-960.
Mursyid, R., & Indriyanti, A. D. (2024). Perbandingan Akurasi Metode Analisis Sentimen Untuk Evaluasi Opini Pengguna Pada Platform Media Sosial (Studi Kasus: Twitter). Journal of Informatics and Computer Science (JINACS), 6, 371-383.
Octarina, S., Puspita, F. M., Yuliza, E., & Indrawati, I. (2025). Pendampingan Penggunaan Google Colab Pada Pembelajaran Python Dan Machine Learning Bagi Dosen Matematika Di Palembang. Jurnal Pepadu, 6(1), 56-66.
Permata Aulia, T. M., Arifin, N., & Mayasari, R. (2021). Perbandingan Kernel Support Vector Machine (Svm) Dalam Penerapan Analisis Sentimen Vaksinisasi Covid-19. SINTECH (Science and Information Technology) Journal, 4(2), 139-145.
Pratama, R. A. (2024). Analisis Sentimen Konsumen Dengan Teknik Text Mining. Jurnal Dunia Data, 1(6), 1-17.
Ridwansyah, T. (2022). Implementasi Text Mining Terhadap Analisis Sentimen Masyarakat Dunia Di Twitter Terhadap Kota Medan Menggunakan K-Fold Cross Validation Dan Naïve Bayes Classifier. KLIK: Kajian Ilmiah Informatika dan Komputer, 2(5), 178-185.
Riza, F. (2023). Analisis Sentimen Pengguna Twitter Terhadap Pelaksanaan Implementasi Kurikulum Merdeka. Ismetek, 15(2), 38-44.
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), 47-58.
Septiana, A., Dwilestari, G., & Bahtiar, A. (2024). Analisis Sentimen Pengguna Twitter X Terhadap Kurikulum Merdeka. Jurnal Inovasi dan Pembelajaran Fisika, 8(1), 323-330.
Septiani, D., & Isabela, I. (2022). Analisis Term Frequency Inverse Document Frequency (Tf-Idf) Dalam Temu Kembali Informasi Pada Dokumen Teks. SINTESIA: Jurnal Sistem dan Teknologi Informasi Indonesia, 1(1), 81-88.
Styawati, S., Hendrastuty, N., & Isnain, A. R. (2021). Analisis Sentimen Masyarakat Terhadap Program Kartu Prakerja Pada Twitter Dengan Metode Support Vector Machine. Jurnal Informatika: Jurnal Pengembangan IT, 6(3), 150–155.
Yunita, R., & Kamayani, M. (2023). Perbandingan Algoritma SVM Dan Naïve Bayes Pada Analisis Sentimen Penghapusan Kewajiban Skripsi. Indonesian Journal of Computer Science, 12(5), 2879-2890.
Downloads
Published
How to Cite
Issue
Section
License
Copyright (c) 2025 Juliani Br Sitepu, Suci Ramadani, Muammar Khadapi
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.
