Naive Bayes Classifier dan K-Nearest Neighbor Pada Analisis Sentimen Perkuliahan Daring Di Universitas Muslim Indonesia

Abstract

Pelaksanaan perkuliahan daring menggunakan KALAM di UMI banyak menuai kontroversi dikalangan mahasiswa. Banyak pendapat mahasiswa yang dikeluarkan terkait metode pembelajaran daring di UMI. Penelitian ini bertujuan menganalisis sentimen mahasiswa terkait perkuliahan daring di UMI dengan menggunakan algoritma Naïve Bayes Classifier dan K-Nearest Neighbor, serta menggabungkan berbagai metode seperti pelabelan dengan NLTK, pengujian dengan 5 cross validation, dan menggunakan unigram tokenizing. Beberapa teknik pelabelan digunakan pada penelitian ini dan menghasilkan tingkat keakuratan paling tinggi adalah pelabelan menggunakan NLTK dengan algoritma KNN dengan menggunakan SMOTE menghasilkan akurasi sebesar 100% dibandingkan dengan algoritma Naïve Bayes Classifier yang memiliki nilai akurasi sebesar 98.33%. Sehingga algoritma KNN dapat digunakan dengan baik pada pengklasifikasian sentimen mahasiswa terhadap perkuliahan daring di UMI.