Analisis Sentimen Kuliah Offline Pasca Covid 19 Menggunakan Naive Bayes dan Social Network Analysis

Dengan semakin menurunnya kasus COVID-19 di Indonesia, pemerintah kembali menerapkan Pembelajaran Tatap Muka. Hal ini tentunya mendapatkan berbagai respon dari masyarakat, khususnya bagi Mahasiswa yang kembali melaksanakan Kuliah Offline pada Perguruan Tinggi. Oleh karena itu pada penelitian ini dilakukan pengambilan opini dari masyarakat pada media sosial twitter. Namun terdapat masalah dalam penyerapan tweet tersebut, sehingga sulit menghasilkan mana kata yang positif atau negatif. Maka dari itu dilakukan analisis sentimen untuk bisa mengklasifikasi berbagai komentar tersebut. Dalam penelitian kali ini menggunakan metode Naïve Bayes untuk mengklasifikasikan sebuah tweet kedalam kategori sentimen positif atau negatif dari pengguna serta memanfaatkan metode Social Network Analysis untuk seleksi fiturnya. Seleksi fitur merupakan proses penghapusan atribut yang kurang relevan pada topik penelitian, dengan cara menghitung dan merangking seluruh kata berdasarkan jumlah jaringan antar kata, kemudian akan di hapus kata yang nilainya kecil, sehingga akan menambah akurasi program. Data yang digunakan adalah tweet yang berjumlah 1.029 tweet, kemudian diproses melalui beberapa tahapan mulai dari preprocessing data, pembobotan TF-IDF, seleksi fitur, dan klasifikasi. Hasil evaluasi dari model klasifikasi Naïve Bayes Classifier dan seleksi fitur Social Network Analysis menggunakan K-Fold Cross Validation didapatkan hasil tertingginya pada k-2 dengan hasil akurasi sebesar 81%, precision 83% dan recall 80%.