Analisis Sentimen Program Coding Anak SD Menggunakan Metode Naive Bayes

Pemanfaatan teknologi dalam pendidikan anak usia dini semakin berkembang, termasuk pembelajaran coding yang diklaim mampu meningkatkan keterampilan berpikir analitis dan sistematis. Penelitian ini bertujuan untuk menganalisis sentimen masyarakat terhadap pembelajaran coding anak dengan menggunakan data dari media sosial Twitter. Untuk analisis ini, menggunakan metode Naive Bayes untuk mencapai temuan yang lebih komprehensif, penelitian ini mengevaluasi akurasi klasifikasi sebanyak 4.357 tweet terdiri 1.869 tweet negatif, dan 750 tweet positif. Data diproses melalui tahapan preprocessing seperti pembersihan teks, tokenisasi, dan normalisasi. Klasifikasi dilakukan menggunakan tiga varian Naïve Bayes yaitu MultinomialNB, GaussianNB, dan BernoulliNB. yang berfokus pada analisis sentimen positif dan negative. Dari ketiga metode Naïve Bayes, MultinomialNB memiliki akurasi terbaik dalam mengenali sentimen negatif, dengan precision 72% dan recall 99%, yang berarti hampir semua tweet negatif terdeteksi dengan benar. Namun, metode ini kurang efektif dalam mengenali sentimen positif, dengan recall hanya 3%, sehingga banyak opini positif yang terabaikan. BernoulliNB memiliki pola serupa dengan recall 96% untuk sentimen negatif tetapi hanya 21% untuk sentimen positif, menunjukkan bias terhadap opini negatif. Sementara itu, GaussianNB memiliki precision lebih rendah untuk sentimen positif (34%) dibandingkan sentimen negatif (76%), dengan recall yang kurang stabil, yaitu 60% untuk positif dan 53% untuk negatif. Dari hasil ini, MultinomialNB tetap menjadi pilihan terbaik untuk analisis sentimen, terutama dalam mendeteksi opini negatif secara real-time.