Abstrak

Kuliah daring dianggap sebagai solusi untuk terus menjalankan proses mengajar
dimasa pandemi. Namun kurangnya adaptasi dan perubahan secara mendadak
menyebabkan berbagai respon dan opini masyarakat bermunculan dimedia sosial.
Hal ini menimbulkan sikap pro dan kontra dari berbagai pihak. Untuk itu penelitian
ini bertujuan untuk melakukan penambangan text di twitter dengan menerapkan
text mining sebagai proses penambangan data berupa text. Penelitian ini dilakukan
dengan menggunakan perbandingan algoritma Naïve Bayes, K-Nearest Neighbor
(K-NN) dan Decision Tree untuk memperbandingkan tingkat akurasi dari ketiga
metode tersebut. Peneliti menggunakan tools RapidMiner versi 9.10 Hasil
penelitian menunjukan bahwa analisis sentimen terhadap data Twitter terhadap
Kuliah daring dengan menggunakan naïve bayes dengan teknik cross validation
memperoleh hasil sebesar 81,57%. Untuk class precision prediksi positif 100%,
prediksi negative memperoleh hasil 73,06% dan recall yang diperoleh dari true
positif sebesar 63,13% sedangkan untuk true negative sebesar 100%. Lalu
algoritma K-Nearest Neighbor menghasilkan nilai accuracy 62,10% untuk class
precision prediksi positif adalah 62,06% sedangkan untuk prediksi negative
memperoleh hasil 62,13% dan recall yang diperoleh dari true positif sebesar
62,24% sedangkan untuk true negative sebesar 61,95% dan hasil dari algoritma
Decision tree memperoleh nilai accuracy 51,60% untuk class precision prediksi
positif adalah 51,89% sedangkan untuk prediksi negative memperoleh hasil 51,31%
dan recall yang diperoleh dari true positif sebesar 51,74% sedangkan untuk true
negative sebesar 51,47%. Tingginya sentimen positif terhadap penerapan kuliah
daring dihasilkan karena penerapan kuliah daring yang berlangsung selama 1 tahun
di Indonesia dirasa efektif untuk mengurangi penyebaran virus covid-19.