Sentimen Analisis Terkait Dengan Penerapan Artificial Intelligence Terhadap Dunia Pendidikan Di Indonesia Menggunakan Deep Learning
Main Article Content
Abstract
Artificial Intelligence memberikan pengaruh besar diberbagai sektor, salah satunya di dunia pendidikan. Penelitian ini bertujuan untuk menganalisis sentimen masyarakat terkait dengan penerapan artificial intelligence terhadap dunia pendidikan di Indonesia dengan menggunakan pendekatan deep learning. Data dikumpulkan melalui proses crawling dari aplikasi x yang berada di rentang waktu bulan Oktober 2023 hingga November 2024, yang selanjutnya data di proses dan diberi label. Ekstraksi fitur dilakukan dengan menggunakan model word2vec. Selanjutnya pada proses klasifikasi menggunakan dua arsitektur model yaitu Long Short-Term Memory (LSTM) dan Bidirectional Long Short-Term Memory (Bi-LSTM). Berdasarkan hasil evaluasi, Bi-LSTM menunjukkan performa yang lebih unggul dibandingkan model LSTM. Penelitian ini merupakan pengembangan dari penelitian terdahulu, yang dimana penelitian terdahulu memiliki keterbatasan pada jumlah data yang sedikit dan performa model yang belum optimal. Dengan meningkatkan sisi kualitas dan kuantitas data serta penggunaan model yang lebih kompleks, penelitian ini diharapkan dapat memberikan gambaran yang lebih akurat.
Downloads
Article Details
This work is licensed under a Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
References
[1] L. E. Wahyudi et al., “Mengukur kualitas pendidikan di Indonesia,” Ma’arif J. Educ. Madrasah Innov. Aswaja Stud., vol. 1, no. 1, hal. 18–22, 2022, doi: 10.69966/mjemias.v1i1.3.
[2] E. N. A. A. , M. A. , M. , S. F. N. F. , P. Benedicta Dwi Adventyana1, “4980-Article Text-13329-1-10-20240109,” J. Educ., vol. volume 6, no. Pendidikan, hal. 1–9, 2024.
[3] Setiawati, Fenti, “Dampak Kebijakan Perubahan Kurikulum terhadap Pembelajaran di Sekolah,” Jurnal Manajemen Pendidikan Islam (JMPI), vol. 07, no. 1, 2022.
[4] Jaelani, E. N. Hidayat, dan Febryantahanuji, “Dampak Penerapan Kecerdasan Buatan ( AI ) Untuk Manajemen Kurikulum Pendidikan Tinggi Di Jawa Tengah,” Ilmsiah Ekon. Dan Bisnis, vol. 17, no. 1, hal. 339–352, 2024.
[5] A. L. Efendi, A. Fadilla, A. C. Khoirunnisa, G. N. Bakry, dan N. Aristi, “Analisis Jaringan Komunikasi #Pilpres2024 Pada Platform Twitter,” WACANA J. Ilm. Ilmu Komun., vol. 22, no. 2, hal. 219–232, 2023, doi: 10.32509/wacana.v22i2.2976.
[6] Rahmania Mustaqlillah, Okky Widyaningtyas, dan Tri Wantoro, “Efektivitas Penggunaan Twitter Sebagai Sarana Peningkatan Berpikir Kritis Mahasiswa Ilmu Komunikasi,” MUKASI J. Ilmu Komun., vol. 2, no. 1, hal. 18–28, 2023, doi: 10.54259/mukasi.v2i1.1346.
[7] N. Nurdin, L. Jama, T. Z. Magnus, R. Priskila, dan V. H. Pranatawijaya, “Analisis Sentimen Dampak Artificial Intelligence (AI) Untuk Pendidikan Pada X Menggunakan Naïve Bayes,” J. Inform. Upgris, vol. 10, no. 1, hal. 15–19, 2024, doi: 10.26877/jiu.v10i1.18867.
[8] P. A. Telnoni, “Pelabelan Data Dengan Latent Dirichlet Allocationdan K-Means Clustering pada Data TwitterMenggunakan Bahasa Indonesia,” J. Elektro dan Telekomun. Terap., vol. 7, no. 2, hal. 885, 2021, [Daring]. Tersedia pada: http://journals.telkomuniversity.ac.id/jett/article/view/3442
[9] K. Rahayu, V. Fitria, D. Septhya, R. Rahmaddeni, dan L. Efrizoni, “Klasifikasi Teks untuk Mendeteksi Depresi dan Kecemasan pada Pengguna Twitter Berbasis Machine Learning,” MALCOM Indones. J. Mach. Learn. Comput. Sci., vol. 3, no. 2, hal. 108–114, 2023, doi: 10.57152/malcom.v3i2.780.
[10] K. M. G. . Karunarathna dan R. A. H. . Rupasingha, “Learning to Use Normalization Techniques for Preprocessing and Classification of Text Documents,” Int. J. Multidiscip. Stud., vol. 9, no. Ii, hal. 69–81, 2022.
[11] I. T. Julianto, “Analisis Sentimen Terhadap Sistem Informasi Akademik Institut Teknologi Garut,” J. Algoritm., vol. 19, no. 1, hal. 449–456, 2022, doi: 10.33364/algoritma/v.19-1.1112.
[12] S. Khomsah dan A. S. Aribowo, “Model Text-Preprocessing Komentar Youtube Dalam Bahasa Indonesia,” J. Resti, vol. 1, no. 3, hal. 648–654, 2017.
[13] A. Nurdin, B. Anggo Seno Aji, A. Bustamin, dan Z. Abidin, “Perbandingan Kinerja Word Embedding Word2Vec, Glove, Dan Fasttext Pada Klasifikasi Teks,” J. Tekno Kompak, vol. 14, no. 2, hal. 74, 2020, doi: 10.33365/jtk.v14i2.732.
[14] K. A. I. Menggunakan et al., “ANALISIS SENTIMEN ULASAN PENGGUNA ACCESS BY,” vol. 12, no. 3, 2024.
[15] F. M. R. T. D. Budiman Irwan, “2517-5933-1-Pb,” Stud. Ekstraksi Fitur Berbas. Vektor Word2Vec pada Pembentukan Fitur Berdimensi Rendah, vol. 1, no. 1, hal. 62–69, 2020.
[16] R. Aryanti, T. Misriati, dan R. Hidayat, “Klasifikasi Risiko Kesehatan Ibu Hamil Menggunakan Random Oversampling Untuk Mengatasi Ketidakseimbangan Data,” KLIK Kaji. Ilm. Inform. dan Komput., vol. 3, no. 5, hal. 409–416, 2023, [Daring]. Tersedia pada: https://djournals.com/klik
[17] A. R. Isnain, H. Sulistiani, B. M. Hurohman, A. Nurkholis, dan S. Styawati, “Analisis Perbandingan Algoritma LSTM dan Naive Bayes untuk Analisis Sentimen,” J. Edukasi dan Penelit. Inform., vol. 8, no. 2, hal. 299, 2022, doi: 10.26418/jp.v8i2.54704.
[18] P. A. Riyantoko, T. M. Fahruddin, K. M. Hindrayani, dan E. M. Safitri, “Analisis Prediksi Harga Saham Sektor Perbankan Menggunakan Algoritma Long-Short Terms Memory (Lstm),” Semin. Nas. Inform., vol. 1, no. 1, hal. 427–435, 2020.
[19] Y. V. Aritonang, D. P. Napitupulu, M. H. Sinaga, dan J. Amalia, “Pengaruh Hyperparameter pada Fasttext terhadap Performa Model Deteksi Sarkasme Berbasis Bi-LSTM,” JATISI (Jurnal Tek. Inform. dan Sist. Informasi), vol. 9, no. 3, hal. 2612–2625, 2022, doi: 10.35957/jatisi.v9i3.1331.
[20] M. G. Rizky, “Analisis Perbandingan Metode LSTM dan Bi-LSTM untuk Klasifikasi Sinyal Jantung PHONOCARDIOGRAM,” J. JCONES, vol. 10, no. 2, hal. 44–49, 2021, [Daring]. Tersedia pada: https://jurnal.dinamika.ac.id/index.php/jcone/article/view/3907