ANALISIS SENTIMEN TERHADAP PROGRAM MSIB DALAM X 2024 MENGGUNAKAN LEXICON-BASED DAN NAÏVE BAYES CLASSIFIER

Abstract

Media sosial telah menjadi saluran utama bagi masyarakat dalam menyampaikan opini secara cepat, termasuk mengenai program pendidikan seperti Magang dan Studi Independen Bersertifikat (MSIB). Salah satu isu yang banyak dikeluhkan oleh peserta MSIB adalah keterlambatan pencairan Bantuan Biaya Hidup (BBH). Penelitian ini bertujuan untuk menganalisis sentimen mahasiswa terhadap program MSIB tahun 2024 melalui platform X (Twitter) dengan menggunakan metode Lexicon-Based dan Naïve Bayes Classifier. Proses analisis dilakukan melalui tahapan Knowledge Discovery in Database (KDD) yang mencakup data selection, preprocessing, transformation, data mining, dan evaluation. Data dikumpulkan menggunakan crawling tools dengan kombinasi kata kunci terkait MSIB dan BBH. Metode Lexicon-Based digunakan untuk pelabelan sentimen berdasarkan kamus sentimen, sedangkan Naïve Bayes digunakan untuk klasifikasi berdasarkan pembobotan TF-IDF. Hasil analisis menunjukkan bahwa mayoritas sentimen terhadap program MSIB bersifat negatif, terutama terkait isu keterlambatan pencairan dana. Model evaluasi menggunakan confusion matrix menunjukkan nilai akurasi terbaik diperoleh pada rasio pembagian data 70:30 dengan akurasi sebesar 87%, precision 90%, recall 88%, dan f-measure 86%. Temuan ini menunjukkan bahwa kombinasi metode Lexicon-Based dan Naïve Bayes mampu mengklasifikasikan sentimen dengan baik dan dapat digunakan sebagai masukan untuk perbaikan program MSIB ke depannya.