Analisis Sentimen Kurikulum Merdeka  Dengan Penerapan Convolutional Neural Network

Fandi  Muhammad Fajar; Dina Maulina dina

doi:10.47134/jacis.v4i1.68

Authors

Fandi Muhammad Fajar Program Studi Informatika, Fakultas Ilmu Komputer, Universitas Amikom Yogyakarta
Dina Maulina dina Program Studi Manajemen Informatika, Fakultas Ilmu Komputer, Universitas Amikom Yogyakarta

DOI:

https://doi.org/10.47134/jacis.v4i1.68

Keywords:

Deep Learning, Convolutional Neural Network, Kurikulum Merdeka, Analisis Sentimen

Abstract

Kurikulum merdeka merupakan kurikulum baru yang telah diterapkan pemerintah Indonesia sejak februari 2022 berdasarkan Permendikbudristek No 56 Tahun 2022. Tingkat keberhasilan penerapan kurikulum merdeka pada masing-masing daerah berbeda, hal ini terjadi karena kurikulum merdeka bukan merupakan suatu keharusan yang diterapkan pada satuan Pendidikan, namun dapat disesuaikan dengan kondisi kesiapan masing-masing satuan Pendidikan. Melalui data Kemendikbud terdapat 143.265 dari 34 yang sudah menerapkan kurikulum tersebut hal ini menuai banyak pendapat pro dan kontra diberbagai kalangan mulai guru, murid, ataupun wali murid. Banyak sekali media untuk meluapkan pendapat masyarakat salah satunya twitter. Banyaknya tweet membuat pengguna internet sulit mendapatkan opini negatif, positif atau netral. Dengan bantuan analisis sentimen, pendapat ini dapat digabungkan dan diolah menjadi data untuk menghasilkan informasi yang lebih jelas. Proses analisis sentimen mencakup langkah pra-pemrosesan di mana setiap teks dibersihkan untuk mendapatkan data yang bersih dan jelas. Ada beberapa langkah yang terlibat dalam proses termasuk pembersihan teks, pelipatan wadah, tokenisasi, penghapusan stopword, derivasi, dan lainnya. Evaluasi dari penelitian ini menggunakan Confolusion Matrix dengan 3.271 data opini dari Twitter mendapat nilai akurasi tertinggi 60%, dengan didapatkkannya hasil diatas dapat dilihat bahwa respon masyarakat terhadap Kurikulum Merdeka kurang baik.

References

Kepmendikbudristekdikti, “Pedoman penerapan kurikulum dalam rangka pemulihan pembelajaran,” 2022. [Online]. Available: https://jdih.kemdikbud.go.id/sjdih/siperpu/dokumen/salinan/salinan_20220711_121315_Fix Salinan JDIH_Kepmen Perubahan 56 Pemulihan Pembelajaran.pdf

P. W. A. Wianto, Analisis Sentimen Media Sosial Untuk Teks Berbahasa Indonesia Menggunakan Algoritma Cnn (Convolutional Neural Network) (Studi Kasus: Politik). 2018.

M. A. Rahman, H. Budianto, and E. I. Setiawan, “Aspect Based Sentimen Analysis Opini Publik Pada Instagram dengan Convolutional Neural Network,” J. Intell. Syst. Comput., vol. 1, no. 2, pp. 50–57, 2019, doi: 10.52985/insyst.v1i2.83.

R. G. Purnasiwi, K. Kusrini, and M. Hanafi, “Analisis Sentimen Pada Review Produk Skincare Menggunakan Word Embedding dan Metode Long Short-Term Memory (LSTM),” Innov. J. Soc. Sci. Res., vol. 3, no. 2, pp. 11433–11448, 2023, doi: 10.31004/innovative.v3i2.1649.

P. L. Parameswari and P. Prihandoko, “Penggunaan Convolutional Neural Network Untuk Analisis Sentimen Opini Lingkungan Hidup Kota Depok Di Twitter,” J. Ilm. Teknol. dan Rekayasa, vol. 27, no. 1, pp. 29–42, 2022, doi: 10.35760/tr.2022.v27i1.4671.

D. T. Hermanto, A. Setyanto, and E. T. Luthfi, “Algoritma LSTM-CNN untuk Binary Klasifikasi dengan Word2vec pada Media Online,” Creat. Inf. Technol. J., vol. 8, no. 1, p. 64, 2021, doi: 10.24076/citec.2021v8i1.264.

S. H. Badjrie, O. N. Pratiwi, and H. D. Anggana, “Analisis Sentimen Review Customer Terhadap Produk Indihome Dan First Media Menggunakan Algoritma Convolutional Neural Network Review Analysis Sentiment Customer Product Indihome And First Media Using Convolutional Neural Network,” eProceedings …, vol. 8, no. 5, pp. 9049–9061, 2021.

S. J. Pipin, R. Purba, and H. Kurniawan, “Prediksi Saham Menggunakan Recurrent Neural Network (RNN-LSTM) dengan Optimasi Adaptive Moment Estimation,” J. Comput. Syst. Informatics, vol. 4, no. 4, pp. 806–815, 2023, doi: 10.47065/josyc.v4i4.4014.

F. Faturohman, B. Irawan, and C. Setianingsih, “Analisis Sentimen Pada Bpjs Kesehatan Menggunakan Recurrent Neural Network,” e-Proceeding Eng., vol. 7, no. 2, pp. 4545–4552, 2020.

D. Restyo Nugroho, H. Harliana, and A. C. Fauzan, “Penerapan Algoritma Fuzzy Sugeno Dalam Menentukan Keputusan Guru Berprestasi Di SMKS Roudlotun Nasyiin,” J. Autom. Comput. Inf. Syst., vol. 3, no. 2, pp. 127–136, 2023, doi: 10.47134/jacis.v3i2.63.

L. Firdaus and T. Setiadi, “Perbandingan Algoritma Naive Bayes, Decision Tree, dan KNN untuk Klasifikasi Produk Populer Adidas US dengan Confusion Matrix,” J. Sist. Komput. dan Inform., vol. 5, no. 2, pp. 185–195, 2023, doi: 10.30865/json.v5i2.6124.

S. Nuralia, H. Harliana, and T. Prabowo, “Implementasi Naïve Bayes Classifier Dalam Memprediksi Kelulusan Mahasiswa,” J. Autom. Comput. Inf. Syst., vol. 3, no. 1, pp. 63–72, 2023, doi: 10.47134/jacis.v3i1.57.

F. S. Lestari, H. Harliana, M. M. Huda, and T. Prabowo, “Sentiment Analysis of iPusnas Application Reviews on Google Play Using Support Vector Machine,” Proc. Int. Semin. Business, Educ. Sci., vol. 1, no. August, pp. 178–188, 2022, doi: 10.29407/int.v1i1.2656.

I. N. Husada and H. Toba, “Pengaruh Metode Penyeimbangan Kelas Terhadap Tingkat Akurasi Analisis Sentimen pada Tweets Berbahasa Indonesia,” J. Tek. Inform. dan Sist. Inf., vol. 6, no. 2, pp. 400–413, 2020, doi: 10.28932/jutisi.v6i2.2743.

R. Oktafiani and R. Rianto, “Perbandingan Algoritma Support Vector Machine (SVM) dan Decision Tree untuk Sistem Rekomendasi Tempat Wisata,” J. Nas. Teknol. dan Sist. Inf., vol. 9, no. 2, pp. 113–121, 2023, doi: 10.25077/teknosi.v9i2.2023.113-121.