ANALISIS SENTIMEN SISWA TERHADAP PEMBELAJARAN BERDASARKAN KURIKULUM DEEP LEARNING MENGGUNAKAN ALGORITMA SUPPORT VECTOR MACHINE(SVM)
Keywords:
Analisis Sentimen, Kurikulum Deep Learning, Support Vector Machine, SVM, TF-IDFAbstract
Kurikulum Deep Learning merupakan pendekatan pembelajaran yang bertujuan memberikan fleksibilitas dan relevansi bagi siswa. Namun, implementasi kurikulum ini membutuhkan evaluasi berkelanjutan, terutama dari perspektif siswa. Penelitian ini bertujuan untuk menganalisis sentimen siswa terhadap Kurikulum Deep Learning menggunakan algoritma Support Vector Machine (SVM). Data dikumpulkan melalui kuesioner pada siswa SMA dan SMK di Binjai dan Langkat, kemudian diolah melalui metodologi CRISP-DM. Proses pra-pemrosesan teks meliputi case folding, tokenisasi, stopword removal, dan stemming. Fitur teks direpresentasikan menggunakan metode Term Frequency-Inverse Document Frequency (TF-IDF). Hasil analisis menunjukkan bahwa sentimen siswa beragam, dengan mayoritas opini negatif (55.6%), diikuti positif (33.3%), dan netral (11.1%). Performa model klasifikasi SVM mencapai akurasi 22.22%, menunjukkan bahwa model memiliki kemampuan dalam mengidentifikasi sentimen pada data yang ada. Penelitian ini diharapkan dapat memberikan wawasan berharga bagi pembuat kebijakan pendidikan dan sekolah untuk meningkatkan kualitas implementasi Kurikulum Deep Learning
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. doi:10.25126/jtiik.0813944.
F. Martinez-Plumed et al., “CRISP-DM Twenty Years Later: From Data Mining Processes to Data Science Trajectories,” IEEE Trans. Knowl. Data Eng., vol. 33, no. 8, pp. 3048– 3061, 2021. doi: https://doi.org/10.1109/TKDE.2019.2962680.
Handayani, A. & Zufria, I. (2024). Analisis Sentimen Terhadap Bakal Capres RI 2024 Di Twitter Menggunakan Algoritma SVM. Jurnal Ilmu Komputer dan Sains, 5(1), 53-63. doi:10.47065/josh.v5i1.4379.
Hasanah, M.S.A. & 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. doi:10.30871/jaic.v5i2.3200.
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. doi:10.34148/teknika.v10i1.311.
Idris, I.S.K., Mustofa, Y.A. & Salihi, I.A. (2023). Analisis Sentimen Terhadap Penggunaan Aplikasi Shopee Menggunakan Algoritma Support Vector Machine (SVM). Jambura Journal of Electrical and Electronics Engineering, 5(1), 32-35. doi:10.37905/jjeee.v5i1.16830.
Jannah, B.P. & L.M. (2016). Metodologi Penelitian Kuantitatif. PT Rajagrafindo Persada.
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), 06, 371-383.
Oktaviani, J. (2018). Tinjauan Pustaka: Pengertian Implementasi. Sereal Untuk, 51(1), 51.
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. doi:10.31598/sintechjournal.v4i2.762.
Pratama, R.A. (2024). Analisis Sentimen Konsumen Dengan Teknik Text Mining. Jurnal Dunia Data, 1(6), 1-17.
Pratiwi, T. A., Irsyad, M., & Kurniawan, R. (2021). Klasifikasi Kebakaran Hutan dan Lahan Menggunakan Algoritma Naïve Bayes (Studi Kasus: Provinsi Riau). Jurnal Sistem Dan Teknologi Informasi (Justin), 9(2), 101. https://doi.org/10.26418/justin.v9i2.42823
Queyrut, S., Bromberg, Y.-D., & Schiavoni, V. (2022). Pelta. 12(1), 37–43. https://doi.org/10.1145/3565010.3569064
Riza, F. (2023). Analisis Sentimen Implementasi Kurikulum Merdeka dengan SVM vs Naïve Bayes dan K-NN. 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. doi:10.28932/jutisi.v7i1.3216.
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.
Setyo, W. N., & Wardhana, S. (2019). Implementasi Data Mining Pada Penjualan Produk Di Cv Cahaya Setya Menggunakan Algoritma Fp-Growth. Petir, 12(1), 54–63. https://doi.org/10.33322/petir.v12i1.416
Sugianto, C. A., & Astita, M. N. (2017). Implementasi Data Mining Dalam Data Bencana Tanah Longsor Di Jawa Barat Menggunakan Algoritma Fp-Growth. Techno.Com, 17(1), 91–102. https://doi.org/10.33633/tc.v17i1.1601
Syahputra, R.A. & Hanifah, M.R. (2024). Metode Analisis Kesehatan Dengan Menggunakan Machine Learning Atau Artificial Intelligence Atau Data Mining Literature Review. Jurnal Industri & Inovasi (INVASI), 1(2), 27-38.
Wahyudi, R. & Kusumawardhana, G. (2021). Analisis Sentimen Pada Review Aplikasi Grab Di Google Play Store Menggunakan Support Vector Machine. Jurnal Inovasi dan Teknologi, 8(2), 200-207.
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. doi:10.33022/ijcs.v12i5.3415.
Downloads
Published
How to Cite
Issue
Section
License
Copyright (c) 2025 Muhammad Hammaam Aditya Hsb, Novriyenni, Imeldawaty Gultom
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.
