<p>Pendidikan adalah proses untuk meningkatkan kecerdasan siswa. Proses ini menggunakan kegiatan pelatihan dan pengajaran. Seiring dengan perkembangan teknologi dan komunikasi, proses pelatihan dan pembelajaran menggunakan berbagai metode, salah satunya adalah <em>e-learning</em>. Prosesnya menggunakan internet, yang dapat diakses dan diproses kapan saja dan di mana saja. Proses ini mendukung kebijakan Kementerian Pendidikan dan Kebudayaan Indonesia terkait proses pembelajaran dan mendeka belajar. Proses ini dapat meningkatkan pendidikan aktif, terencana, dan efektif. Selain itu, inovasi layanan dan pembelajaran meningkat sehingga tidak hanya menggunakan pembelajaran konvensional. Tujuan dari pengabdian masyarakat ini adalah untuk melatih para guru di MA Raden Fatah dalam mengimplementasikan e-learning menggunakan <em>Google Classroom</em>. Metode pelaksanaannya menggunakan teori dan praktik. Hasil dari proses pelatihan dapat memberikan inovasi pembelajaran online dengan Google Classroom, dan kemampuan guru untuk mengimplementasikannya dapat meningkatkan proses belajar mandiri. Para guru dapat melakukan pembelajaran dengan kelas virtual mengikuti kondisi pembelajaran di kelas. Kelas yang dibangun dengan Google Classroom dapat digunakan untuk berbagi materi, memberikan tugas, kuis, menetapkan nilai, dan menjadwalkan kegiatan. Selain itu, proses <em>video conference</em> menyesuaikan jadwal di <em>classroom</em> dan <em>calendar</em> dan kalender menggunakan <em>meet</em>.</p>

Blood type still leads to an assumption about its relation to some personality aspects. This study observes preprocessing methods for improving the classification accuracy of MBTI data to determine blood type. The training and testing data use 250 data from the MBTI questionnaire answers given by 250 respondents. The classification uses the k-Nearest Neighbor (k-NN) algorithm. Without preprocessing, k-NN results in about 32 % accuracy, so it needs some preprocessing to handle data imbalance before the classification. The proposed preprocessing consists of two-stage, the first stage is the unsupervised resample, and the second is the supervised resample. For the validation, it uses ten cross-validations. The result of k-Nearest Neighbor classification after using these proposed preprocessing stages has finally increased the accuracy, F-score, and recall significantly.

Vaksin Sinovac termasuk dalam berita tentang Covid-19 di dunia sejak awal tahun 2021. Informasi jenis vaksin ini memunculkan berbagai tanggapan publik yang tidak luput dari pro dan kontra. Melalui media sosial Twitter, masyarakat dunia juga menanggapi persoalan vaksin Sinovac sehingga kumpulan opini pada Twitter tersebut dapat dianalisis untuk mengetahui persentase sentimen dan emosi terhadap vaksin Sinovac. Dengan analisis sentimen dan emosi ini diharapkan dapat memberikan referensi yang bijak dan objektif meskipun informasi pro dan kontra masih beredar. Penelitian ini menggunakan aplikasi Rstudio untuk analisis sentimen melalui klasifikasi opini Twitter dengan metode Naïve Bayes dan Valence Shifter Lexicon. Untuk analisis emosi menggunakan klasifikasi dengan metode Naïve Bayes. Data penelitian merupakan kumpulan komentar Twitter berbahasa Inggris sebatas 2000 data terbaru dan terpopuler berdasarkan keyword Sinovac sejak 1 Februari 2021 dari seluruh pengguna Twitter di dunia. Hasil penelitian menunjukkan Naïve Bayes mengenali sebanyak 1433 (71,65%) sentimen positif, 403 (20,15%) sentimen negatif, dan 164 (8,2%) sentimen netral.  Sedangkan Valence Shifter Lexicon mengenali sebanyak 903 (45,15%) sentimen positif, 437 (21,85%) sentimen negatif, dan sentimen netral sebesar 660 (33%). Metode Naïve Bayes juga berhasil mengenali emosi dengan jumlah terbanyak yakni emosi campuran (mixed) 1727(86,35%) dan emosi joy (gembira) sebanyak 141 (7,05%).

Tujuan:Banyak negara di dunia telah berusaha mengendalikan dampak pandemi COVID-19 melalui penggunaan vaksin. vaksin sinovac merupakan salah satu vaksin populer yang telah digunakan di beberapa negara termasuk Indonesia. Sejak hadirnya vaksin sinovac, persepsi masyarakat baik di lapangan maupun di media sosial semakin muncul antara setuju dan tidak setuju dengan vaksin tersebut. Persepsi masyarakat dunia di media sosial dapat dianalisis untuk mengetahui kategori sentimen dan tingkat emosional masyarakat terhadap penerimaan vaksin Sinovac.Perancangan/metode/pendekatan:Analisis dapat dilakukan melalui data mining yang menggunakan algoritma Naive Bayes untuk menghitung probabilitas dan statistik sehingga setiap opini dapat diklasifikasikan dalam kategori sentimen positif, negatif, atau netral. Dalam penelitian ini, sumber analisis data adalah persepsi publik yang mengandung kata kunci “sinovac” dari twitter. Pengujian menggunakan sentimen, sentimen, dan library syuzhet menunjukkan bahwa sentimen positif lebih tinggi daripada negatif dan netral. Sentimen negatif paling dipengaruhi oleh tingkat emosional kesedihan dan kemarahan. Sedangkan sentimen positif sangat dipengaruhi oleh kategori senang dan emosi campur aduk. Kategori emosi campuran lebih sesuai dengan sentimen positif.Hasil:Klasifikasi emosi terhadap data tweet dalam penelitian ini menunjukkan bahwa kategori emosi kegembiraan, dan campuran memiliki persentase tertinggi yang mengandung polaritas sentimen positif. Berdasarkan penelitian ini, kata kunci sinovac cenderung memunculkan sentimen positif. Polaritas mempengaruhi emosi, namun tidak sebaliknya. Karena terlihat bahwa nilai akurasi pada klasifikasi polaritas (dengan kedua library) telah meningkat ketika fitur emosi tidak diikutkan. Sedangkan nilai akurasi pada klasifikasi emosi justru meningkat ketika fitur polaritas diikutkan.Keaslian/ state of the art:Metode Naive Bayes (library setiment) dan metode Valence Shifter (library sentimentr) yang digunakan dalam analisis sentimen pada penelitian ini menunjukkan bahwa sentimen positif lebih tinggi daripada netral dan negatif. Hasil persentase sentimen positif oleh metode Valence Shifter lebih rendah daripada metode Naive Bayes. Pada metode Valence Shifter cenderung menghasilkan agregat yang lebih kecil antara hasil persentase sentimen positif dibanding netral dan negatif.