Analisis Sentimen Masyarakat Terhadap Penerima Beasiswa Kartu Indonesia Pintar Kuliah Dengan Metode Support Vector Machine (Analysis of Community Sentiment Toward Indonesia Smart Card Scholarship Recipients with Support Vector Machine Metho.
Fahriz Zain Jannan*.
Yudha Dwi Putra Negara.
Program Studi Sistem Informasi.
Fakultas Teknik.
Universitas Trunojoyo Madura Jl.
Raya Telang,PO BOX 02 Kecamatan Kamal.
Bangkalan Jawa Timur 69162 Indonesia Riwayat: Copyright A2024.
JITU.
Submitted: 26 Juni 2024.
Revised: 15 Agustus 2024.
Accepted: 22 Agustus 2024.
Published: 30 September 2024 DOI: 10.
32938/jitu.
Abstrac - The smart Indonesia card is the government's effort to help outstanding students who have economic limitations to continue their studies at university.
The crowded discussion of the smart indonesia card on twitter made the author interested in knowing the public's sentiment towards the recipients of the smart indonesia card scholarship for college with the keyword "KIPK".
Sentiment consists of negative, positive, and neutral sentiments.
The method used to analyze public opinion on social media twitter uses Support Vector Mechine (SVM).
The Term Frequency-inverce document Frequency (TF-IDF) is used to measure how important words are in a piece of data.
Meanwhile, to measure the performance of the SVM classification using the Confusion Matrix method.
A linear carnel is a carnel that we use in data analysis.
The results of the evaluation obtained were 81.
82%, precession 80%, recall 82%, and F1-score 78%, it can be concluded that public sentiment on social media twitter towards the recipients of the Indonesia Smart College Card Scholarship is more inclined to neutral sentiment.
Keywords - kipk, svm, tf-idf, confuntion matrix.
Abstrak - Kartu indonesia pintar merupakan upaya pemerintah membantu para siswa berprestasi yang memiliki keterbatasan ekonomi untuk melanjutkan studi ke perguruan tinggi.
Ramainya pembahasan kartu indonesia pintar di twitter membuat penulis tertarik untuk mengetahui sentimen masyarakat terhadap penerima beasiswa kartu indonesia pintar kuliah dengan keyword AuKIPKAy.
Sentimen terdiri dari sentimen negatif, positif, dan netral.
Metode yang di gunakan menganalisis pendapat masyarakat pada media sosial twitter mengunakan Support Vector Mechine ( SVM ).
Term Frequency-inverce document Frequency ( TF-IDF ) kami gunakan untuk melakukan pengukuran seberapa penting kata dalan suatu data.
Sedangkan untuk mengukur kinerja klasifikasi SVM menggunakan metode Confusion Matrix.
Karnel linear merupakan karnel yang kami gunakan pada analisis Hasil evaluasi yang di dapat yaitu 81,82%, precession 80%, recall 82%, dan F1-score 78%, dapat di simpulkan bahwa sentimen masyarakat pada media sosial twitter terhadap penerima beasiswa kartu indonesia pintar kuliah lebih condong ke sentimen Kata kunci - kipk, svm, tf-idf, confuntion matrix.
PENDAHULUAN
Kartu Indonesia Pintar Kuliah (KIP-K) merupakan bantuan biaya pendidikan yang di berikan pemerintah melalui program kartu indonesia pintar kuliah agar di peroleh akses yang luas dalam belajar untuk peserta didik dan mahasiswa baru dari keluarga miskin atau rentan miskin.
Kebijakan KIP kuliah yang di keluarkan oleh pemerintah di bawah wewenang kementrian dan kebudayaan bertujuan untuk menyediakan bantuan khusus untuk mahasiswa miskin sehingga dapat melanjutkan kuliah, dengan demikian sasaran dari kebikan ini adalah untuk mencegah mahasiswa putus kuliah.
Ada beberapa kriteria mahasiswa yang bisa mendapatkan KIP Kuliah yaitu prestasi, penghasilan orang tua, jumlah tanggungan, luas tanah dan penerima bantuan sosial berupa KIP/KSS.
Karena kurangnya penyeleksian penerima beasiswa KIP-K mengakibatkan banyak mahasiswa yang lebih membutuhkan bantuan terabaikan.
Dengan kurang tepatnya penerima beasiswa terdapat minimnya tanggungjawab atas tujuan serta moral dalam pemakaian dana sehingga masih banyak kasus penyalahgunaan KIP-K di luar fungsi, menjadikannya sarana pemenuhan gaya hidup hedonisme serta banyak kasus salah sasaran.
Hedonisme dapat di artikan sebagai filosofi atau pandangan hidup yang mengedepankan kesenangan dan kenikmatan sebagai tujuan utama kehidupan.
Fenomena ini menyebabkan terjadinya perbincangan yang sangat masif terjadi pada media sosial twitter.
Fahriz Zain Jannan Email: zeinbaim4@gmail.
JOURNAL OF INFORMATION AND TECHNOLOGY UNIMOR (JITU)
Twitter merupakan media sosial yang merupakan sebuah media informasi yang menghubungkan atar pengguna dengan informasi Ae informasi tentang hal Ae hal sesuai minat.
Dari semua ulasan yang di ungkapkan oleh pengguna twitter dapat di kelompokan menjadi ulasan positif,negatif dan netral.
Sehingga peneliti tertarik melakukan analisis sentimen untuk meneliti ulasan yang paling banyak di ungkapkan masyarakat pada platform twitter.
Untuk melakukan analisi sentimen peneliti membutuhkan dataset untuk melakukan Dataset ini di peroleh dengan cara melakukan crawling menggunakan kata kunci AoKIPKAo pada media sosial twitter.
Dalam penelitian ini peneliti mengusulkan pendekatan untuk melakukkan analisis sentimen terhadap penerima beasiswa kartu indonesia pintar kuliah dengan menggunakan algoritma Support Vector mechine.
Peneliti melakukan crawling data pada twitter menggunakan libray tweet-harvest dan menggunakan auth-token sebagai kunci untuk mendapatkan dataset dengan kata kunci yang telah kita tulis di kolom Kemudian dilakukan preprocessing data seperti stopword, tokenization, dan steaming setelah itu melakukan pembobotan pada frekuensi kemunculan kata menggunakan Term frequency Ae inverce document frequency .
f-id.
sebelum menerapkan Support vector mechine dalam mengukur tingkat keakuratan pada teknik metode yang di gunakan.
II.
METODE PENELITIAN
Penelitian ini merupakan analisis sentimen yang menggunakan metode pemrosesan dan pembobotan teks serta menggunkan algoritma support vector mechine untuk memperoleh hasil penelitian dan menggunakan confusion matrix untuk mengevaluasi hasil yang telah di Berikutnya adalah Gambar 1 yang merupakan alur penelitian analisis sentimen penerima beasiswa KIPK.
Pengumpulan Data Pengumpulan data pada penelitian ini menggunakan metode crawling pada media sosial twitter.
Untuk melakukan crawling peneliti menggunakan tools yang bernama tweet Ae harvest kami tidak menggunakan snscrape dikarenan twitter sudah mengubah API dan fiturnya sehingga kami tidak menggunakannya.
Untuk menggunakan tolls tweet Ae harvest kita terlebih dahalu harus menginstal node-js karena tweet harvest dibuat menggunakan node-js.
Tweet yang kami crawling yaitu ulasan penerima bantuan kartu indonesia pintar dengan menggunakan kata kunci AoKIPKAo, kami mengambil tweet dalam rentan waktu tanggal 7 april 2024 sampai 29 april 2024.
Pemrosesan Teks Pemrosesan teks atau lebih dikenal dengan text prepocessing merupakan proses pengolahan teks yang bertujuan untuk mengurangi noice pada dataset serta mengubah dataset menjadi bentuk yang lebih terstruktur.
Tahapan pemrosesan teks pada penelitian ini yaitu cleaning, casefolding, tokenization, dan stopword.
Cleaning Cleaning merupakan proses membersihkan kata dan menyeleksi kata yang tidak di perlukan seperti html, emoticon, hastag, mantion dan url.
Case folding Case folding merupakan salah satu text prepocessing yang paling sederhana dan efektif.
Tujuan dari case folding untuk mengubah semua huruf dalam dokumen menjadi huruf kecil.
Hanya huruf AoaAo samapai AozAo yang di Karakter selain huruf di hilangkan dan dianggap delimiter.
Stopword Stopword merupakan proses menghilangkan kata yang kurang efektif Stemming Stemming merupakan proses proses penyaringan kata yang terdapat kata sambung, kata ganti, kata depan, menjadi kata dasar dengan menghilangkan kata awalan atau akhiran.
Gambar 1.
Alur Penelitian Analisis sentimen Penerima Beasiswa KIPK Tokenization Studi Literatur Tokenization merupakan proses seleksi pemotongan kata dalam kalimat.
Diberikan pemisah seperti tanda koma (,), tanda titik (.
), dan tanda pemisah lainnya.
Pada tahapan ini peneliti melakukan pencarian referesnsi, teori, dan temuan Ae temuan dari penelitian yang terkait dengan penelitian.
Studi literatur merupakan langkah awal dalam perumusan masalah penelitian.
Pentingnya studi literatur adalah untuk membantu pemahaman peneliti terhadap konteks penelitian, menemukan ide Ae ide baru, serta memanfaatkan informasi dan pemikiran relevan yang telah ada.
Pembobotan kata Tf-idf merupakan metode yang kami gunakan untuk mencari bobot suatu kata dalam dokumen kunci setiap katagori dan mencari kata kunci yang hampir mirip dengan katagori yang tersedia.
Pembobotan ini menggunakan teknik Term Frequency dan Inverse JOURNAL OF INFORMATION AND TECHNOLOGY UNIMOR (JITU) Documen Vrequency ( TF Ae IDF ) untuk mengekstraksi kata dari suatu teks dengan cara menggabungkan metode TF dan IDF .
Term Frequency adalan semakin besar frekuensi kemunculan kata pada sebuah dokumen maka akan semakin besar nilai bobot untuk kata tersebut.
Inverse Document Frequency (IDF) adalah semakin besar frekuensi kemunculan kata maka nilai bobot kata tersebut aka semakin kecil.
Persamaan TF-IDF yang di gunakan pada penelitian ini yaitu :
ycOycn, yc = ycyceycn,yc y ycoycuyci( ycA yccyceycn confusion matrix, yaitu True Positif (TF).
True Negatif (TN).
False Positif (FP).
False Negatif (FN).
Komponen ini digunakan untuk mengukur performa model dalam mengklasifikasi data.
Berikut adalah persamaan untuk menghitung nilai akurasi , presisi, recall, dan f1-score dengan persamaan berikut:
Akurasi= (TP TN)/(TP TN FP FN) y100% .
Presisi= TP/(TP FP) .
Recall= TP/(TP FN) .
f1-Score= .
ypresisi yRecal.
/(Presisi yRecal.
Keterangan:
HASIL DAN PEMBAHASAN
ycyceycn,yc = banyaknya kata-i pada dokumen ke-j = total dokumen = banyaknya kata dokumen yang mengandung kata ke i Dataset Penelitian ini menggunakan data twitter yang di simpan dalam bentuk CSV menggunakan tools tweet-harvest yang di jalankan menggunakan google collab dengan kata kunci yang di gunakan adalah AokipkAo, data yang di peroleh pada penelitian ini sebanyak 3044 data dengan rentan waktu dari tanggal 7 april 2025 sampai 29 april 2024.
Berikut gambar 2 merupakan dataset yang di peroleh dari hasil crawling.
Klasifikasi Support Vector Mechine Support vector machine merupakan machine learning yang dapat memungkinkan perhitungan untuk masalah linear dengan menerapkan transformassi matematis untuk ruang belajar menggunakan fungsi karnel.
Support vector machine memiliki konsep sentral dalam mengklasifikasikan data yaitu menentukan hyperplane terbaik untuk memberi jarak atau pemisah antar dua kelas.
Dalam penelitian kali ini karnel yang akan di gunakan adalah karnel linear.
Berikut adalah Tabel 1 yang merupakan Tabel persamaan setiap karnel support vector mechine.
Tabel 1 Persamaan setiap karnel SVM Jenis karnel Linear Polinomial RBF Gaussian yco.
ycu A ) = yceycuycy(Oeyc Ou ycu Oe ycu A Ou2 ) Siqmoid yco.
ycu A ) = ycycaycuEa .
ycu 2 y.
Gambar 2.
Dataset yang diperoleh dari proses yco.
ycu A ) = ycu.
ycuA yco.
ycu A ) = .
ycu A yc.
A Pemrosesan Data Dataset yang di peroleh selanjutnya dilakukan pemrosesan teks dengan langkah cleaning yaitu membersihkan kata, selanjutnya kata yang telah di bersihkan dilakukan tokenization dan case folding , stopword, dan langkah terakhir dalam pemrosesan menghilangkan kata imbuhan yang dilakukan secara berturut-turut.
Berikut adalah Tabel 2 yang merupakan hasil pemrosesan teks Tabel 2 Hasil pemrosesan teks Evaluasi Pada tahapan ini akan di lakukan evaluasi model di mana performa model di nilai berdasarkan metrik kesalahan untuk memperoleh ringkat akurasi.
Penilaian kinerja moddel melibatkan penerapan matriks kebingungan untuk mendapatkan ukuran-ukuran seperti akurasi, presisi, recall dan F1-score.
Confusion matrix di gunakan untuk mengukur kinerja model pada setiap iterasi.
Terdapat empat elemen utama dalam Kata sebelum pemrosesan teks Kata setelah pemrosesan teks [Untirfes.
halo aku maba dpt ukt gol.
3 ada kesempatan bisa dpt kipk ga ya gol.
untirfess halo maba
dpt ukt gol sempat dpt
kipk ga ya gol
JOURNAL OF INFORMATION AND TECHNOLOGY UNIMOR (JITU)
@undipmenfess tapi aku juga punya temen kipk yang bener-bener hedon treatment inila itulah beli hp iphone terbarula kayak aku mikir dia mampu kok tapi kok bisa dapet kipk gitulo padahal masih banyak yang kurang mampu yang benerbener butuh biaya undipmenfess temen hedon treatment inila terbarula kayak mikir dapet kipk gitulo Pada Gambar 3 telah di tampilkah bahwa hasil akurasi metode support vector mechine pada data uji 82%, presisi sebesar 80%, recall sebesar 82% f1-score sebesar 78% yang selanjutnya akan di lakukan tahapan evaluasi.
Evaluasi Untuk mengevaluasi model yang telah dibuat, digunakan metode confusion matrix dan cross validation score.
Confusion matrix digunakan untuk menunjukkan jumlah hasil klasifikasi yang benar dan salah dari model.
Berikutnya adalah Gambar 4 yang merupakan visualisasi confusion matrix.
Pembobotan Kata Pembobotan pada penelitian ini dilakukan menggunakan metode term Frequency Ae Inverse Document Frequency (TF-IDF).
Berikut merupakan hasil pembobotan kata menggunakan TF-IDF.
Berikutnya adalah Tabel 3 yang merupakan hasil dari pembobotan kata.
Tabel 3.
Hasil pembobotan kata Komentar Bobot kata maba dpt ukt gol sempat dpt kipk ga ya gol untirfess = 7.
halo = 5.
mab = 5.
dpt = 3.
ukt = 2.
gol = 5.
sempat = 5.
kipk = 0.
ga = 1.
ya = 1.
Gambar 4 Hasil confusion matrix Hasil evaluasi menggunakan confusion matrix yang di dapatkan pada data training yang di tunjukkan pada gambar 4 adalah hasil true positif sejumlah 64 komentar.
True netral sejumlah 662 komentar.
True negatif sejumlah 12 komentar.
Hasil evaluasi pada confusion matrix juga menunjukkan nilai false positif 24 komentar, false netral 134 dan false negatif sebanyak 14 komentar.
Berikutnya adalah gambar 5 yang merupakan digram klasifikasi dari data yang di peroleh.
Klasifikasi Support Vector Mechine Implementasi Support Vector Machine (SVM) dalam penelitian ini menggunakan bahasa pemrograman Python memiliki library Sklearn yang dapat digunakan untuk mengimplementasikan SVM.
Berikut adalah gambar 3 yang merupakan hasil klasifikasi menggunakan support vector support mechine.
Gambar 5 diagram klasifikasi Dari keseluruhan data sejumlah 3044 yang telah di kumpulkan lalu dilakukan pemrosesan, pembobotan teks serta klasifikasi menggunakan metode naive bayes mendapatkan hasil seperti pada gambar 5.
IV.
KESIMPULAN
Gambar 3 Hasil klasifikasi menggunakan Support Vecctor Mechine Berdasarkah hasil penelitian dan pengujian metode Support Vector Mechine untuk mengklasifikasi penerima JOURNAL OF INFORMATION AND TECHNOLOGY UNIMOR (JITU) beasiswa kartu indonesia pintar kuliah dengan tweet menggunakan bahasa indonesia menggunakan ekstraksi fitur Tf-Idf di dapat kesimpulan bahwa penggunaan metode support vector mechine tingkat nilai akurasi 82%, precisson sebesar 80% ,recall sebesar 82%.
F1-Score sebesar 78%.
Yang artinya cukup baik dalam penelitian mengenai penerima beasiswa kartu indonesia pintar kuliah.
Dalam penelitian ini juga di dapat bahwa sentimen netral lebih dominan dari pada sentimen positif dan negatif, serta sentimen positif lebih dominan daripada sentimen negatif.
Hal ini menunjukkan bahwa lebih banyak masyarakat yang berpendapat positif tentang penerima beasiswa kartu indonesia pintar.
DAFTAR PUSTAKA