ANALISIS SENTIMEN KEBIJAKAN MERDEKA BELAJAR KAMPUS MERDEKA MENGGUNAKAN MESIN VEKTOR PENDUKUNG DENGAN EKSTRAKSI FITUR WORD2VEC DAN PEMODELAN TOPIK LATENT DIRICHLET ALLOCATION

Analisis sentimen merupakan analisis data teks yang mengklasifikasikan data ke dalam sentimen positif dan negatif. Analisis sentimen dapat dilanjutkan dengan pemodelan topik untuk merepresentasikan topik yang dibahas pada setiap kelas sentimen. Penelitian ini bertujuan untuk memperoleh hasil klasifikasi sentimen terkait kebijakan Merdeka Belajar Kampus Merdeka di Twitter serta pemodelan topik pada kelas sentimen positif dan negatif. Algoritma klasifikasi yang digunakan adalah mesin vektor pendukung dengan ekstraksi fitur Word2Vec, sedangkan metode pemodelan topik menggunakan Latent Dirichlet Allocation. Data pada penelitian ini adalah tweet dengan kata kunci “Kampus Merdeka” yang diunggah di Twitter. Diperoleh hasil klasifikasi sentimen terdiri dari 648 tweet bersentimen positif dan 931 tweet bersentimen negatif dengan akurasi model klasifikasi 89.87%, presisi 91.20%, recall 84.44% dan F-Measure 87.68%, sedangkan pemodelan topik Latent Dirichlet Allocation pada kelas sentimen positif dan negatif masing-masing menghasilkan 5 topik dengan nilai coherence 0.44 pada pemodelan topik kelas sentimen positif dan 0.38 pada pemodelan topik kelas sentimen negatif. Klasifikasi sentimen menggunakan mesin vektor pendukung dengan ekstraksi fitur Word2Vec pada penelitian ini menghasilkan model yang baik, namun pemodelan topik Latent Dirichlet Allocation menghasilkan topik-topik yang sulit diinterpretasikan karena memiliki nilai coherence yang rendah.