Analisis Media Sosial Twitter Tentang Pendidikan Daring Pada Masa Pandemi Covid-19 Di Indonesia

Abstract

PSBB yang diberlakukan oleh pemerintah pusat maupun pemerintah daerah menyebabkan perubahan aktivitas sosial yang cukup besar, salah satunya di bidang pendidikan. Hampir semua kegiatan yang semula dilakukan secara luring (luar jaringan) berubah menjadi daring (dalam jaringan). Berbagai perubahan aktivitas tersebut menuai berbagai perbincangan di media sosial, salah satunya adalah Twitter. Penelitian ini bertujuan untuk menangkap fenomena perbincangan kegiatan pendidikan yang berlangsung selama pandemic Covid-19 di Indonesia. Data yang digunakan pada penelitian ini merupakan data Twitter berbahasa Indonesia yang dikumpulkan pada tanggal 16 Maret 2020 - 31 Juli 2020. Analisis yang digunakan pada penelitian ini antara lain: analisis sentimen, social network analysis, analisis bot/spam, analisis emosi, dan analisis geografis. Data cuitan yang berhasil dikumpulkan dihasilkan berjumlah 153.204 cuitan dengan total akun sebanyak 91.306 user. Hasil sentimen menunjukkan perbincangan didominasi oleh sentimen netral, dengan tidak terdapat perbedaan signifikan dari sentimen positif dan negatif. Hasil SNA menunjukkan bahwa akun “collegemenfess” adalah aktor yang berperan sebagai influencer dan mempunyai pengaruh terbesar pada setiap user yang mengunggah cuitan terkait pendidikan daring. Hasil analisis bot/spam membagi akun menjadi lima kelas, dimana semakin besar nilai kelas, maka semakin kuat dugaan bahwa akun terindikasi bot atau pelaku spam. Proporsi akun pada lima kelas tersebut yaitu: 90.98% (kelas 0-1), 7.19% (kelas 1-2), 0.97% (kelas 2-3), 0.7% (kelas 3-4), 0.16% (kelas 4-5). Hasil dari analisis geografis menunjukkan lima provinsi yang memiliki sebaran cuitan isu tertinggi yaitu Jawa Barat, Jawa Tengah, Jawa Timur, DKI Jakarta, dan DI Yogyakarta, serta lima provinsi yang memiliki sebaran cuitan isu terendah yaitu Papua Barat, Maluku Utara, Gorontalo, Sulawesi Tenggara, dan Sulawesi Barat. Tiga emosi yang mendominasi cuitan mengenai pendidikan daring adalah ‘Trust’, ‘Anticipation’ dan ‘Fear’, dan peristiwa tertentu di bidang pendidikan mempengaruhi pergolakan jumlah emosi yang terkandung pada cuitan.

Sentiment Analysis on PeduliLindungi Application Using TextBlob and VADER Library

“…The stages of text preprocessing are case folding, normalization, tokenizing, stopword removal, and stemming. Case folding is the process of converting letters in text into lowercase letters [14]. After that, words that are not standard and are not in the KBBI will be normalized manually into words that have the closest meaning.…”

“…Then, filtering is done by doing stop words removal. Stop words removal aims to remove common words that do not have a significant influence in tweets [14]. Finally, stemming is done to remove the word add-on in the tweet.…”

Analisis Pengguna Media Sosial Terhadap Isu UU Cipta Kerja Menggunakan SNA dan Naive Bayes

“…Contoh Perhitungan DegreeDari gambar di atas maka di simpulkan node ke A mempunyai bobot CD(A)=2/3, dimana jumlah edge yang terbentuk pada node A dengan node lain di bagi dengan jumlah node yang ada pada graf dan dikurangi 1. Sedangkan node B memiliki bobot CD(B)=3/3.Betweenness Centrality guna menghitung jalur paling terpendek yang dilewati seorang aktor menuju ke node tertentu pada jaringan atau menentukan akun pengguna yang berperan penting sebagai perantara pada setiap node pengguna menuju jaringan pusat[10]. Pada dasar nya teknik ini merupakan suatu cara untuk guna melihat peranan suatu node dalam jaring atau network dan suatu node bisa dikatakan memiliki peran penting ketika mempunyai suatu komunikasi dengan node lainnya berikut rumus yang digunakan dalam analisis Betweenness Centrality :…”

The Sentiment Analysis of User Perception on The Peduli Lindungi Application Using Support Vector Machine Algorithm

“…Text preprocessing begins by eliminating emoticons, digits, stop word removal usernames, and URLs in reviews using the "emoji" and "regular expression" modules. Case folding is the process of changing the letters in the text into lower case letters to make them the same Proceedings of the 3 rd Asia Pacific International Conference on Industrial Engineering and Operations Management, Johor Bahru, Malaysia, September 13-15, 2022 © IEOM Society International (Permatasari et al 2021). The next stage is stemming, namely equating words into basic forms by removing affixes using the "sastrawi" module.…”

“…The next step is to remove punctuation marks because punctuation marks have no special meaning in textual data (Larasati et al 2021). The next step is word filtering to remove words general that did not have a significant effect in the review (Permatasari et al 2020). In this study, filtering was carried out based on a dictionary compiled in txt format using the "sastrawi" module.…”