Analisis sentimen terhadap belajar daring menggunakan Optimasi Naive Bayes Classifier dengan Adaboost

Kebijakan belajar daring yang berlaku sejak mewabahnya Covid-19 menuai beragam rekasi dari masyarakat. Twitter menjadi salah satu jejaring sosial yang digunakan masyarakat untuk mengungkapkan opini mengenai suatu isu. Kecenderungan sentimen masyarakat mengenai suatu isu dapat diketahui dengan melakukan analisis sentimen pada Twitter. Metode yang digunakan untuk analisis sentimen adalah Naive Bayes Classifier (NBC) dengan Adaboost. Penelitian ini bertujuan untuk mengoptimasi NBC dengan Adaboost untuk analisis sentimen, mengetahui performa NBC dengan Adaboost, dan mengetahui kecenderungan sentimen masyarakat mengenai belajar daring. Hasil penelitian menunjukkan Adaboost tidak dapat meningkatkan akurasi NBC, didapatkan akurasi NBC sebesar 78%, dan akurasi NBC dengan Adaboost sebesar 64%. Hal ini disebabkan karena NBC merupakan pengklasifikasi yang stabil sehingga sulit untuk Adaboost dapat meningkatkan akurasinya. Kombinasi antara data pada penelitian ini yang imbalance dengan NBC dan Adaboost juga menyebabkan penurunan akurasi. NBC dengan Adaboost melabelkan semua data dengan sentimen positif, hal tersebut menunjukkan bahwa NBC dengan Adaboost tidak dapat melakukan klasifikasi. Hasil analisis sentimen menggunakan NBC menunjukkan kecenderungan sentiment masyarakat terhadap belajar daring adalah positif dengan presentase 89,5% sedangkan sentimen negatif sebesar 10,5%.