Analisis Sentimen Efektivitas Pembelajaran Daring Menggunakan Hybrid Naive Bayes dan SVM

Abstract

Pembelajaran daring berkembang pesat pascapandemi COVID-19, namun efektivitasnya masih menimbulkan pro dan kontra di kalangan masyarakat Indonesia, yang banyak diungkapkan melalui opini pada aplikasi X. Volume opini yang besar dan bersifat tidak terstruktur menyulitkan pemantauan kecenderungan sentimen publik secara manual sehingga diperlukan metode klasifikasi otomatis. Penelitian ini bertujuan menganalisis sentimen publik mengenai efektivitas pembelajaran daring di Indonesia menggunakan pendekatan hybrid Multinomial Naive Bayes dan Support Vector Machine (SVM) melalui mekanisme soft voting. Data penelitian berupa 2.655 tweet berbahasa Indonesia yang dikumpulkan melalui crawling dan dilabeli ke dalam tiga kelas sentimen, yaitu positif, netral, dan negatif, kemudian diproses melalui case folding, cleansing, penanganan negasi, stopword removal, stemming, dan pembobotan TF-IDF, lalu dibagi dengan proporsi 75:25 menggunakan stratifikasi kelas. Hasil pengujian menunjukkan model hybrid mencapai accuracy sebesar 76,05%, precision berbobot 69,54%, recall berbobot 76,05%, dan F1-score berbobot 72,10%, lebih tinggi dibandingkan model tunggal Naive Bayes (62,90%) dan SVM (70,43%). Meskipun demikian, model masih mengalami kesulitan mengenali kelas netral akibat ketidakseimbangan jumlah data antarkelas. Penelitian ini menyimpulkan bahwa pendekatan hybrid soft voting mampu meningkatkan performa klasifikasi sentimen secara keseluruhan, tetapi penanganan kelas minoritas masih memerlukan perbaikan lebih lanjut.