Analisis Sentimen Kebijakan Penerapan Kurikulum Merdeka Sekolah Dasar dan Sekolah Menengah pada Media Sosial Twitter dengan Menggunakan Metode Word Embedding dan Long Short Term Memory Networks (LSTM)
DOI:
https://doi.org/10.25126/jtiik.20231036977Abstrak
Pandemi COVID-19 memberikan banyak kendala terhadap seluruh aspek kehidupan manusia tidak terlepas aspek Pendidikan. Merujuk kondisi selama COVID-19 kegiatan pendidikan mengalami learning loss yang membuat Kemendikbudristek mengeluarkan sebuah kebijakan baru yaitu implementasi kurikulum merdeka. Kebijakan baru ini tentu mendatangkan banyak opini dari berbagai pihak salah satunya siswa yang terkena dampak langsung dari kurikulum ini. Salah satu media sosial yang sering digunakan untuk menyampaikan opini oleh masyarakat Indonesia adalah Twitter. Analisis sentimen dilakukan pada opini siswa yang diutarakan di media sosial Twitter dengan menggunakan pendekatan machine learning. Arsitektur yang digunakan adalah Long Short-Term Memory Networks (LSTM). Metode yang digunakan untuk mempersiapkan data adalah word embedding dengan menggunakan layers embedding dari library TensorFlow. Dataset dkumpulkan dengan teknik text mining yang menggunakan bahasa pemrograman Python dan Twitter API. Hasil pengumpulan data sebanyak 455 opini terbagi dalam tiga kelas sentimen yaitu Negatif, Netral, dan Positif. Model dievaluasi menggunakan classification report yang menghasilkan empat nilai metrics yaitu, accuracy, recall, precision, dan f1-score. Hasil dari metrics tersebut didapatkan sebesar 81%, 81%, 80%, dan 79%. Selain itu, hasil dari penelitian ini ditujukan kepada pihak sekolah dan dinas pendidikan kota batu yang mana dari hasil wawancaranya pihak sekolah dan dinas menyetujui output penelitian ini adalah sebuah visualisasi dashboard hasil analisis sentimen. Hasil dashboard tersebut juga diuji menggunakan kuisioner System Usability Scale (SUS) yang dilakukan oleh perwakilan dari dinas dan sekolah sebanyak 6 orang, hasil dari kuesioner tersebut adalah SUS Score sebesar 62,5 yang menunjukkan hasil cukup baik namun dapat dikembangkan lebih lanjut. Visualisasi Dashboard juga digunakan pihak sekolah dan dinas pendidikan kota batu sebagai ukuran manfaat dan refleksi dari penerapan kurikulum merdeka dan juga melakukan evaluasi untuk lebih baik kedepannya.
Abstract
The COVID-19 pandemic has created many obstacles to all aspects of human life, including education. Referring to the conditions during COVID-19, educational activities experienced a learning loss which prompted the Ministry of Education and Culture to issue a new policy, namely the implementation of an independent curriculum. This new policy certainly brings in many opinions from various parties, one of which is students who are directly affected by this curriculum. One of the social media that is often used to convey opinions by the people of Indonesia is Twitter. Sentiment analysis was carried out on student opinions expressed on social media Twitter using a machine learning approach. The architecture used is Long Short-Term Memory Networks (LSTM). The method used to prepare the data is word embedding using layers embedding from the TensorFlow library. The dataset was collected using text mining techniques using the Python programming language and the Twitter API. The results of data collection were 455 opinions divided into three sentiment classes, namely Negative, Neutral and Positive. The model is evaluated using a classification report which produces four metrics values, namely, accuracy, recall, precision, and f1-score. The results of these metrics were 81%, 81%, 80%, and 79%. In addition, the results of this study were addressed to the Batu City school and education office where, from the results of interviews, the school and service agreed that the output of this research was a dashboard visualization of sentiment analysis results. The results of the dashboard were also tested using the System Usability Scale (SUS) questionnaire which was carried out by representatives from offices and schools as many as 6 people, the result of the questionnaire was a SUS Score of 62.5 which showed quite good results but could be developed further. Dashboard visualization is also used by schools and the Batu City Education Office as a measure of the benefits and reflections of implementing the Independent Curriculum and also conducting evaluations to make it better in the future.
Downloads
Referensi
CAHYADI, R., DAMAYANTI, A., &; ARYADANI, D. 2020. Recurrent Neural Net Work (RNN) Dengan Long Short-Term Memory (LSTM) Untuk Analisis Sentimen Data Instagram. JIKO (Jurnal Informatika Dan Komputer), 5. https://doi.org/http://dx.doi.org/10.26798/jiko.v5i1.407
DARWIS, D., SISKAWATI, N., & ABIDIN, Z. 2021. Penerapan Algoritma naive Bayes Untuk Analisis Sentimen review data Twitter BMKG Nasional. Jurnal Tekno Kompak, 15(1), 131. https://doi.org/10.33365/jtk.v15i1.744
DANG, N. C., MORENO-GARCÍA, M. N., &; DE LA PRIETA, F. 2020. Sentiment analysis based on Deep Learning: A Comparative Study.
Electronics, 9(3), 483. https://doi.org/10.3390/electronics9030483
DUEI PUTRI, D., NAMA, G. F., &; SULISTIONO, W. E. 2022. Analisis Sentimen Kinerja Dewan Perwakilan Rakyat (DPR) Pada Twitter menggunakan metode naive Bayes classifier. Jurnal Informatika Dan Teknik Elektro Terapan, 10(1). https://doi.org/10.23960/jitet.v10i1.2262
FISCHER, T., &; KRAUSS, C. 2018. Deep learning with long short-term memory networks for financial market predictions. European Journal of Operational Research, 270(2), 654–669. https://doi.org/10.1016/j.ejor.2017.11.054
HANDHARMAHUA, P., SUPIANTO, A., & BACHTIAR, F. 2021. Analisis Aspek Sentimen Ulasan Pengunjung terhadap Sektor Pariwisata Kota Surabaya dengan menggunakan Naive Bayes Classifier (Studi Kasus: Kawasan Wisata Tugu Pahlawan). Jurnal Pengembangan Teknologi Informasi Dan Ilmu Komputer, 5(13). Diambil dari https://j-ptiik.ub.ac.id/index.php/j-ptiik/article/view/8553
HERLAMBANG, A., & WIJOYO, S. 2019. Algoritma Naive Bayes untuk Klasifikasi Sumber Belajar Berbasis Teks pada Mata Pelajaran Produktif di SMK Rumpun Teknologi Informasi dan Komunikasi. Jurnal Teknologi Informasi dan Ilmu Komputer, 6(4), 430-435. doi:http://dx.doi.org/10.25126/jtiik.2019641323
HERLAMBANG, A. D., WIJOYO, S. H., & RACHMADI, A. 2019. Intelligent Computing System to Predict Vocational High School Student Learning Achievement Using Naïve Bayes Algorithm. Journal of Information Technology and Computer Science, 4(1), 15–25. https://doi.org/10.25126/jitecs.20194169
HOCHREITER, S., & SCHMIDHUBER, J. 1997. Long short-term memory. Neural Computation, 9(8), 1735–1780. https://doi.org/10.1162/neco.1997.9.8.1735
JURAFSKY, DANIEL; H. JAMES, MARTIN 2000. Speech and language processing : an introduction to natural language processing, computational linguistics, and speech recognition. Upper Saddle River, N.J.: Prentice Hall. ISBN 978-0-13-095069-7.
LEI, J., LIU, C., & JIANG, D. 2018. Fault diagnosis of wind turbine based on Long Short-Term memory networks. Renewable Energy. doi:10.1016/j.renene.2018.10.031.
MAHARDIKA, F., SUPIANTO, A., SETIAWAN, N., YUWANA, R., & SURYAWATI, E. 2022. Rekomendasi Pengembangan Fasilitas Wisata Tugu Pahlawan Surabaya Melalui Visualisasi Dashboard Hasil Klasifikasi Analisis Sentimen Ulasan Pengunjung. Jurnal Teknologi Informasi dan Ilmu Komputer, 9(2), 363-372. doi:http://dx.doi.org/10.25126/jtiik.2022925655
MAHDI, M. I. 2022. Pengguna Media sosial di indonesia capai 191 Juta Pada 2022. Dataindonesia.id. Retrieved January 5, 2023, from https://dataindonesia.id/digital/detail/pengguna-media-sosial-di-indonesia-capai-191-juta-pada-2022
RAJARAMAN, A.; ULLMAN, J. D. 2011. Data Mining (PDF). Mining of Massive Datasets. pp. 1–17. doi:10.1017/CBO9781139058452.002. ISBN 9781139058452.
RAHMAN, M., SARI, Y., & YUDISTIRA, N. 2021. Analisis Sentimen tweet COVID-19 menggunakan Word Embedding dan Metode Long Short-Term Memory (LSTM). Jurnal Pengembangan Teknologi Informasi Dan Ilmu Komputer, 5(11), 5120-5127. Diambil dari https://j-ptiik.ub.ac.id/index.php/j-ptiik/article/view/10188
RIZATY, M. A. 2022. Pengguna Twitter di Indonesia capai 18,45 Juta Pada 2022. Dataindonesia.id. Retrieved January 5, 2023, from https://dataindonesia.id/digital/detail/pengguna-twitter-di-indonesia-capai-1845-juta-pada-2022
SETIA PRAMANA, dkk. 2018. Data mining dengan R konsep setara implementasi / Setia Pramana, Budi Yuniarto, Siti Mariyah, Ibnu Santoso, Rani Nooraeni. Bogor :: IN MEDIA.
WANG, B., WANG, A., CHEN, F., WANG, Y., &; KUO, C.-C. J. 2019. Evaluating word embedding models: Methods and experimental results. APSIPA Transactions on Signal and Information Processing, 8(1). https://doi.org/10.1017/atsip.2019.12
WEXLER, STEVE, JEFFREY SHAFFER, AND ANDY COTGREAVE. The big book of dashboards: visualizing your data using real-world business screnarios. John Wiley & Sons, 2017.
WICAKSONO, A., SUPIANTO, A., WIJOYO, S., KRISNANDI, D., & HERYANA, A. 2022. Klasifikasi Siswa Slow Learner untuk Mendukung Sekolah dalam Meningkatkan Pemahaman Siswa Menggunakan Algoritma Naïve Bayes. Jurnal Teknologi Informasi dan Ilmu Komputer, 9(3), 589-596. doi:http://dx.doi.org/10.25126/jtiik.2022935609
Unduhan
Diterbitkan
Terbitan
Bagian
Lisensi
Artikel ini berlisensi Creative Common Attribution-ShareAlike 4.0 International (CC BY-SA 4.0)
Penulis yang menerbitkan di jurnal ini menyetujui ketentuan berikut:
- Penulis menyimpan hak cipta dan memberikan jurnal hak penerbitan pertama naskah secara simultan dengan lisensi di bawah Creative Common Attribution-ShareAlike 4.0 International (CC BY-SA 4.0) yang mengizinkan orang lain untuk berbagi pekerjaan dengan sebuah pernyataan kepenulisan pekerjaan dan penerbitan awal di jurnal ini.
- Penulis bisa memasukkan ke dalam penyusunan kontraktual tambahan terpisah untuk distribusi non ekslusif versi kaya terbitan jurnal (contoh: mempostingnya ke repositori institusional atau menerbitkannya dalam sebuah buku), dengan pengakuan penerbitan awalnya di jurnal ini.
- Penulis diizinkan dan didorong untuk mem-posting karya mereka online (contoh: di repositori institusional atau di website mereka) sebelum dan selama proses penyerahan, karena dapat mengarahkan ke pertukaran produktif, seperti halnya sitiran yang lebih awal dan lebih hebat dari karya yang diterbitkan. (Lihat Efek Akses Terbuka).