Slamet Abadi
Universitas Singaperbangsa Karawang, Jawa Barat, Indonesia

Published : 1 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 1 Documents
Search

Application Penerapan support vector machine pada analisis sentimen kebijakan pembelajaran tatap muka saat pandemi 2021 Naufal Dhianur Alam Putra; Didi Juardi; Arif Sholehudin; Slamet Abadi
INFOTECH : Jurnal Informatika & Teknologi Vol 4 No 2 (2023): INFOTECH: Jurnal Informatika & Teknologi
Publisher : LPPMPK - Sekolah Tinggi Teknologi Muhammadiyah Cileungsi

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.37373/infotech.v4i2.790

Abstract

Dampaknya dikeluarkannya Surat Edaran 4 Mendiknas tahun 2020 tentang kebijakan pendidikan pada masa darurat akibat penyebaran wabah Covid-19 menjadi pembelajaran daring. Sentimen yang disampaikan masyarakat mengenai kebijakan Pembelajaran Tatap Muka terbatas dapat dianalisis dan hasilnya digunakan sebagai feedback dari kebijakan untuk mengetahui efektifitas dari kebijakan tersebut. Tujuannya a). mengklasifikasikan sentimen pengguna sosial media twitter terhadap kebijakan pembelajaran tatap muka menggunakan support vector machine. b). menganalisis hasil performan dari penerapan algortima support vector machine berdasarakan nilai akurasi menggunakan metode confusion matrix. Penelitian mempunyai 4 tahap penelitian yang dilakukan, yaitu tahap pendahuluan, tahap pengumpulan data, tahap pengolahan data, tahap analisis dan pembahasan, dan kesimpulan. Metode Knowledge Discovery in Database terdiri dari, Data Selection, Preprocessing, Transformation, Data Mining, dan Evaluasi. Data yang digunakan bisa berupa satu tweet dari aplikasi Twitter atau sebanyak 200 data, splitting data sebanyak 80% data digunakan untuk pelatihan dan 20% digunakan untuk pengujian sebelum tahap penemuan data. Information Gain menghasilkan 665 fitur yang tidak relevan. Hasil Support Vector Machine dan Information Gain yang digunakan dalam pemrosesan data dan evaluasi kinerja ini sebesar Accuracy sebesar 85,00%, Precision sebesar 40,00%, dan recall sebesar 66,67% untuk kernel linear sedangkan Accuracy sebesar 82,50%, Precision sebesar 0%, dan recall tidak bernilai untuk kernel Radial Basis Function