Analisis Sentimen Ulasan Kebijakan Zonasi Sekolah Pada Penerimaan Siswa Baru Dengan Teks Bahasa Indonesia Menggunakan Algoritma Support Vector Machine

Abstract

Abstrak Setiap tahunnya, dunia pendidikan Indonesia berusaha untuk memperbaiki sistem pendidikannya. Tetapi, tidak selalu usaha untuk memperbaiki pendidikan di Indonesia akan menghasilkan hasil baik. Salah satu contoh yang tidak memiliki hasil yang baik adalah sistem zonasi yang sudah diterapkan beberapa saat lalu. Dimana, kebijakan ini hanya menggunakan domisili siswa dalam proses penerimaan siswa baru yang pastinya akan bermasalah bagi siswa yang memiliki domisili yang cukup jauh dari sekolahnya. Hal ini membuat kebanyakan orang tua siswa resah akan sistem yang sudah diterapkan oleh pemerintah ini. Oleh karena itu, dibuatlah sistem analisis sentimen pada sosial media twitter tentang sistem zonasi sekolah dengan menggunakan metode support vector machine. Sistem ini akan mengklasifikasikan opini opini yang beredar di twitter, yang nantinya akan di kategorikan di beberapa kategori yaitu, positif, negatif, dan netral. Pada penelitian ini didapat Sistem ini menghasilkan akurasi sebesar 90.41%, nilai presisi sebesar 90.39%, nilai recall sebesar 90.42%, dan nilai f1 score sebesar 90.40% . Kata kunci : Klasfikasi Teks, Support Vector Machine. Abstract Every year, Indonesia's education world tries to improve the education system. However, not always efforts to improve education in Indonesia will produce good results. One example that does not have good results is the zoning system that was implemented a while ago. Where, this policy only uses student domicile in the process of admitting new students which will certainly be problematic for students who have domicile quite far from their school. This makes most parents worried about the system that has been implemented by the government. Therefore, a sentiment analysis system was created from Twitter social media about the school zoning system using the support vector machine method. This system will classify opinions circulating on Twitter, which will be categorized in several categories which is, positive, negative, and neutral. The result of this final task research is 90.41% accuracy, 90.39% precission, 90.42% recall, and 90.40% f1 score. Keywords: text classification, Support Vector Machine