Analisis Sentimen Program Coding Anak SD Menggunakan Metode Naive Bayes
DOI:
https://doi.org/10.52436/1.jpti.668Keywords:
Analisis Sentimen, Coding Anak, Naïve Bayes Classifier, Pendidikan DigitalAbstract
Pemanfaatan teknologi dalam pendidikan anak usia dini semakin berkembang, termasuk pembelajaran coding yang diklaim mampu meningkatkan keterampilan berpikir analitis dan sistematis. Penelitian ini bertujuan untuk menganalisis sentimen masyarakat terhadap pembelajaran coding anak dengan menggunakan data dari media sosial Twitter. Untuk analisis ini, menggunakan metode Naive Bayes untuk mencapai temuan yang lebih komprehensif, penelitian ini mengevaluasi akurasi klasifikasi sebanyak 4.357 tweet terdiri 1.869 tweet negatif, dan 750 tweet positif. Data diproses melalui tahapan preprocessing seperti pembersihan teks, tokenisasi, dan normalisasi. Klasifikasi dilakukan menggunakan tiga varian Naïve Bayes yaitu MultinomialNB, GaussianNB, dan BernoulliNB. yang berfokus pada analisis sentimen positif dan negative. Dari ketiga metode Naïve Bayes, MultinomialNB memiliki akurasi terbaik dalam mengenali sentimen negatif, dengan precision 72% dan recall 99%, yang berarti hampir semua tweet negatif terdeteksi dengan benar. Namun, metode ini kurang efektif dalam mengenali sentimen positif, dengan recall hanya 3%, sehingga banyak opini positif yang terabaikan. BernoulliNB memiliki pola serupa dengan recall 96% untuk sentimen negatif tetapi hanya 21% untuk sentimen positif, menunjukkan bias terhadap opini negatif. Sementara itu, GaussianNB memiliki precision lebih rendah untuk sentimen positif (34%) dibandingkan sentimen negatif (76%), dengan recall yang kurang stabil, yaitu 60% untuk positif dan 53% untuk negatif. Dari hasil ini, MultinomialNB tetap menjadi pilihan terbaik untuk analisis sentimen, terutama dalam mendeteksi opini negatif secara real-time.
Downloads
References
P. Silvia, “Analisis Kemampuan Computational Thinking Melalui Pembelajaran Coding Pada Anak Usia Dini 0-8 Tahun,” J. Islam. Early Child. Educ. PIAUD-Ku, vol. 1, no. 2, pp. 50–59, 2022, doi: 10.54801/piaudku.v1i2.140.
N. T. Romadloni and W. Supriyanti, “Analisis Sentimen Penggunaan Teknologi Pada Pendidikan Anak Usia Dini,” J. Ilm. SINUS, vol. 21, no. 2, p. 101, 2023, doi: 10.30646/sinus.v21i2.759.
F. V. Sari and A. Wibowo, “Analisis Sentimen Pelanggan Toko Online Jd.Id Menggunakan Metode Naïve Bayes Classifier Berbasis Konversi Ikon Emosi,” J. SIMETRIS, vol. 10, no. 2, pp. 681–686, 2019.
F. Ratnawati, “Implementasi Algoritma Naive Bayes Terhadap Analisis Sentimen Opini Film Pada Twitter,” INOVTEK Polbeng - Seri Inform., vol. 3, no. 1, p. 50, 2018, doi: 10.35314/isi.v3i1.335.
K. S. Putri, I. R. Setiawan, and A. Pambudi, “Analisis Sentimen Terhadap Brand Skincare Lokal Menggunakan Naïve Bayes Classifier,” Technol. J. Ilm., vol. 14, no. 3, p. 227, 2023, doi: 10.31602/tji.v14i3.11259.
Ernianti Hasibuan and Elmo Allistair Heriyanto, “Analisis Sentimen Pada Ulasan Aplikasi Amazon Shopping Di Google Play Store Menggunakan Naive Bayes Classifier,” J. Tek. dan Sci., vol. 1, no. 3, pp. 13–24, 2022, doi: 10.56127/jts.v1i3.434.
R. Nooraeni, A. B. Safiruddin, A. F. Afifah, K. D. Agung, and N. N. Rosyad, “Analisis Sentimen Publik terhadap Sistem Zonasi Sekolah Menggunakan Data Twitter dengan Metode Naïve Bayes Classification,” Fakt. Exacta, vol. 12, no. 4, p. 315, 2020, doi: 10.30998/faktorexacta.v12i4.5205.
S. Berliani and S. Lestari, “Analisis Sentimen Masyarakat Terhadap Isu Pecat Sri Mulyani Pada Twitter Menggunakan Metode Naive Bayes Dan Support Vector Machine,” J. Sains dan Teknol., vol. 5, no. 3, pp. 951–960, 2024, doi: 10.55338/saintek.v5i3.2746.
S. N. Salsabila, B. N. Sari, and R. Mayasari, “Klasifikasi Ulasan Pengguna Aplikasi Discord Menggunakan Metode Information Gain Dan Naïve Bayes Classifier,” INFOTECH J., vol. 9, no. 2, pp. 383–392, 2023, doi: 10.31949/infotech.v9i2.6277.
N. Agustina, D. H. Citra, W. Purnama, C. Nisa, and A. R. Kurnia, “Implementasi Algoritma Naive Bayes untuk Analisis Sentimen Ulasan Shopee pada Google Play Store,” MALCOM Indones. J. Mach. Learn. Comput. Sci., vol. 2, no. 1, pp. 47–54, 2022, doi: 10.57152/malcom.v2i1.195.
N. Cahyono and Anggista Oktavia Praneswara, “Analisis Sentimen Ulasan Aplikasi TikTok Shop Seller Center di Google Playstore Menggunakan Algoritma Naive Bayes,” Indones. J. Comput. Sci., vol. 12, no. 6, pp. 3925–3940, 2023, doi: 10.33022/ijcs.v12i6.3473.
R. Apriani and D. Gustian, “Analisis Sentimen Dengan Naïve Bayes Terhadap Komentar Aplikasi Tokopedia,” J. Rekayasa Teknol. Nusa Putra, vol. 6, no. 1, pp. 54–62, 2019, doi: 10.52005/rekayasa.v6i1.86.
F. Meila, A. Sofyan, N. Sulistiyowati, and A. Voutama, “ANALISIS SENTIMEN TERHADAP RESPON PERUBAHAN NAMA TWITTER MENJADI ‘ X ’ MENGGUNAKAN METODE NAÏVE BAYES CLASSIFIER,” vol. 8, no. 5, pp. 10987–10994, 2024.
S. Pokhrel, “No Title?????,” ????, vol. 15, no. 1, pp. 37–48, 2024.
L. M. Siniwi, A. Prahutama, and A. R. Hakim, “QUERY EXPANSION RANKING PADA ANALISIS SENTIMEN MENGGUNAKAN KLASIFIKASI MULTINOMIAL NAÏVE BAYES (Studi Kasus?: Ulasan Aplikasi Shopee pada Hari Belanja Online Nasional 2020),” J. Gaussian, vol. 10, no. 3, pp. 377–387, 2021, doi: 10.14710/j.gauss.v10i3.32795.
V. Oktaviana Yamin, A. Tenriawaru, L. Ode Saidi, and G. Arviana Rahman, “Penerapan Naïve Bayes Classifier dengan Algoritma Nazief dan Adriani Untuk Deteksi Hoaks,” Pros. Semin. Nas. Pemanfaat. Sains dan Teknol. Inf., vol. 1, no. 1, pp. 335–344, 2023.
