Analisis Sentimen Mengenai Program Merdeka Belajar Kampus Merdeka Pada Media Sosial Twitter Dengan Menggunakan Metode K-Nearest Neighbor Dan Logistic Regression

Revolusi Revolusi Industri 4.0 telah mendorong transformasi signifikan dalam cara manusia berinteraksi dan menyebarkan informasi, termasuk melalui media sosial seperti Twitter. Platform ini menjadi sumber data yang kaya untuk menangkap opini publik secara real-time terhadap berbagai kebijakan, termasuk program Merdeka Belajar Kampus Merdeka (MBKM). MBKM merupakan inisiatif pemerintah Indonesia yang bertujuan meningkatkan fleksibilitas pembelajaran mahasiswa agar lebih adaptif terhadap dunia kerja. Namun, implementasinya menimbulkan berbagai respons dari masyarakat. Sebagian pihak menyambut positif program ini karena memberikan kesempatan bagi mahasiswa untuk memperoleh pengalaman belajar di luar kampus, seperti magang, proyek di desa, pertukaran pelajar, dan riset. Di sisi lain, muncul pula kritik terkait kesiapan infrastruktur, beban administratif, ketimpangan akses antar perguruan tinggi, serta kejelasan konversi nilai dan jaminan mutu pembelajaran di luar kampus. Penelitian ini bertujuan untuk menganalisis dan membandingkan performa algoritma K-Nearest Neighbor (KNN) dan Logistic Regression dalam klasifikasi sentimen publik terhadap program MBKM berdasarkan data Twitter berbahasa Indonesia. Data penelitian diperoleh melalui proses scraping Twitter sebanyak 1.018 tweet dengan dua kelas sentimen, yaitu positif dan negatif. Tahapan preprocessing yang dilakukan meliputi case folding, cleaning, normalization, tokenizing, stopword removal, stemming, pembobotan TF-IDF, serta penerapan SMOTE untuk mengatasi ketidakseimbangan data. Evaluasi model dilakukan menggunakan metrik accuracy, precision, recall, dan F1-score. Hasil penelitian menunjukkan bahwa metode Logistic Regression dengan penerapan SMOTE pada skenario 4 memberikan performa terbaik dibandingkan metode lainnya, dengan nilai accuracy sebesar 79,90%. Sementara itu, metode KNN tanpa SMOTE pada skenario 1 memperoleh accuracy sebesar 73,53%, sedangkan KNN dengan SMOTE pada skenario 2 memperoleh accuracy sebesar 72,55%. Hasil tersebut menunjukkan bahwa Logistic Regression lebih stabil dan efektif dibandingkan KNN dalam mengklasifikasikan sentimen terkait program MBKM. Selain itu, penerapan SMOTE terbukti mampu meningkatkan performa model Logistic Regression dalam menangani ketidakseimbangan data. Penelitian ini diharapkan dapat menjadi rujukan metodologis dalam penerapan machine learning untuk analisis sentimen berbahasa Indonesia serta memberikan masukan berbasis data bagi evaluasi kebijakan program MBKM.