Perbandingan Metode Pembobotan Kata Terhadap Performa Metode Recurrent Neural Network Pada Analisis Sentimen Pembelajaran Hybrid

Abstract

Pasca pandemi COVID-19 membuat banyak perubahan di berbagai bidang kehidupan manusia, termasuk dalam dunia pendidikan. Salah satu perubahan dalam dunia pendidikan yaitu pembelajaran secara hybrid (hybrid learning). Pembelajaran hybrid adalah pendidikan di mana pelajar memilih antara berpartisipasi secara daring atau secara langsung. Seiring berjalannya pembelajaran hybrid, beragam opini dan perspektif ditemukan di masyarakat. Memahami sentimen opini publik terkait pembelajaran hybrid merupakan tantangan untuk meningkatkan kesadaran terhadap metode pembelajaran di masa pandemi. Analisis sentimen dapat membantu dalam memahami secara garis besar apa yang dipikirkan oleh masyarakat terhadap pembelajaran hybrid. Recurrent Neural Network (RNN) merupakan salah satu metode deep learning yang sering diterapkan untuk penelitian analisis sentimen. Penelitian ini mengusulkan model RNN dengan perbandingan pembobotan kata TF-IDF, TF-RF, TF-ABS dan TF-IDF-ICF. Pembobotan kata dapat mempengaruhi tingkat akurasi pada tahap klasifikasi. Dalam penelitian ini eksperimen terhadap nilai parameter model dilakukan untuk mendapatan model yang optimal dalam melakukan analisis sentimen opini publik terkait pembelajaran hybrid dan perbandingan hasil akurasi tiap pembobotan. Hasil evaluasi menunjukkan pembobotan kata TF-ABS memiliki nilai akurasi paling tingggi sebesar 73% dibandingkan dengan pembobotan kata yang lainnya seperti TF-RF sebesar 72%, TF-IDF-ICF sebesar 71?n paling terendah adalah TF-IDF sebesar 69%. Kata Kunci: Analisis Sentimen, RNN, Pembobotan Kata, Pembelajaran Hybrid.