Analisis Sentimen Pendapat Pengalaman Kuliah Hybrid di Universitas Multimedia Nusantara dengan Multinomial Naive Bayes

Kegiatan belajar mengajar telah mengalami perubahan dari metode tatap muka menjadi pembelajaran daring dan pembelajaran hybrid. Perubahan ini terjadi untuk membatasi penyebaran virus Covid-19. Pembelajaran hybrid merupakan sistem pembelajaran yang menggabungkan antara tatap muka dan daring. Namun, pembelajaran hybrid ini juga kerap menimbulkan beberapa masalah, terutama bagi peserta didik yang tidak dapat hadir secara tatap muka. Berdasarkan hasil observasi, hal ini dikarenakan adanya kendala teknis seperti jaringan internet. Penelitian ini bertujuan untuk melakukan analisis sentimen terhadap pendapat mahasiswa tentang pengalaman pembelajaran hybrid. Analisis sentimen membantu mengidentifikasi aspek positif, negatif, serta netral dari pengalaman tersebut. Data dikumpulkan melalui formulir yang disebar kepada sejumlah mahasiswa, kemudian diberi label secara manual dan diperiksa oleh seorang pakar Bahasa Indonesia. Algoritma yang digunakan adalah algoritma Multinomial Na¨ive Bayes (MNB) dan pembobotan TF- IDF. Dengan mengimplementasikan algoritma ini, penelitian ini bertujuan untuk menghasilkan informasi yang lebih akurat tentang sentimen mahasiswa terhadap pembelajaran hybrid. Pengujian dilakukan dengan membagi data train (80%) dan data test (20%). Model MNB akan melatih data train, kemudian data test digunakan untuk prediksi model. Hasil penelitian menunjukkan tingkat akurasi dari algoritma MNB adalah 78%. Adapun nilai-nilai dari perhitungan confusion matrix berupa accuracy sebesar 75%, precision sebesar 72%, recall sebesar 100%, dan f1-score sebesar 83%. Dari nilai akurasi algoritma yang didapat, maka dapat disimpulkan bahwa penelitian ini telah mendapatkan nilai akurasi yang cukup baik. Penelitian ini diharapkan dapat memberikan wawasan bagi Universitas Multimedia Nusantara dalam memperbaiki dan mengoptimalkan pembelajaran hybrid