DOI: 10.26418/justin.v10i3.54243 Vol. 10, No. 3, Juli 2022 p-ISSN : 2460-3562 / e-ISSN : 2620-8989 Submitted 18-04-2022; Revised 18-09-2022; Accepted 18-09-2022 294 Implementasi Sentimen Masyarakat berdasarkan Tweet terkait Kebijakan Kemendikbud di Masa Pandemi Covid-19 Chavin Lorento a1 , Arif Bijaksana Putra Negara a2 , Rudy Dwi Nyoto a3 a Program Studi Informatika, Fakultas Teknik, Universitas Tanjungpura Jalan Prof. Dr. H. Hadari Nawawi Pontianak, 78124 1 chavinlorento@student.untan.ac.id 2 arifbpn@informatika.untan.ac.id 3 rudydn@informatika.untan.ac.id Abstrak Twitter selalu menyajikan informasi trending sehingga pengguna selalu update terkait segala sesuatu yang sedang hangat diperbincangkan (tweet), contohnya sentimen masyarakat terkait kebijakan kemendikbud di masa pandemi Covid-19. Identifikasi tweets tersebut dapat dilakukan dengan klasifikasi. Sentimen tweets diklasifikasikan ke dalam tiga kelas, yaitu negatif, netral, atau positif. Tujuan penelitian ini adalah menghasilkan model klasifikasi yang memiliki performa terbaik dalam implementasi permasalahan tersebut. Selain itu, penelitian juga melihat pengaruh tuning hyperparameter dan pendekatan multi class SVM. Metode klasifikasi yang digunakan adalah multi class SVM (Support Vector Machine) dengan pendekatan OVO (One Versus One) dan OVA (One Versus All), serta PSO (Particle Swarm Optimization) digunakan sebagai tuning hyperparameter. Pembagian dataset dilakukan menjadi data training sebanyak 5939 data dan data testing sebanyak 660 data dengan rasio 90%:10%. Evaluasi dilakukan menggunakan 10-fold CV terhadap data training dan confusion matrix terhadap data testing. Berdasarkan evaluasi terhadap empat model skenario yang dibangun berupa nilai akurasi training dan testing, model OVO tanpa PSO sebesar 76,86% dan 79,70%, model OVO dengan PSO sebesar 77,94% dan 83,03%, model OVA tanpa PSO sebesar 76,66% dan 79,70%, dan model OVA dengan PSO sebesar 78,62% dan 83,18%. Kemudian, PSO dapat meningkatkan nilai akurasi training dan testing, yaitu OVO sebesar 1,08% dan 3,33%, serta OVA sebesar 1,96% dan 3,48%. Setelah itu, OVA memiliki akurasi training dan testing lebih tinggi dibanding OVO hanya jika menggunakan PSO, yaitu 0,68% dan 0,15%. Sedangkan, OVO memiliki nilai akurasi training lebih tinggi dibanding OVA hanya jika tidak menggunakan PSO, yaitu 0,2% dan keduanya memiliki nilai akurasi testing yang sama. Setelah hasil evaluasi tersebut, model OVA dengan PSO memberikan performa terbaik dibanding model lainnya dan digunakan sebagai model prediksi machine learning aplikasi generik yang dibangun dalam penelitian ini. Kata kunci: Twitter, klasifikasi, machine learning, PSO, multi class SVM Implementation of Community Sentiment based on Tweets related to Ministry of Education and Culture Policies during the Covid-19 Pandemic Abstract Twitter always provides trending information so that users are always updated regarding everything that is being hotly discussed (tweet), for example, public sentiment related to the Ministry of Education and Culture's policies during the Covid-19 pandemic. Identification of these tweets can be done by classification. Sentiment tweets are classified into three classes, namely negative, neutral, or positive. The purpose of this study is to produce a classification model that has the best performance in implementing these problems. In addition, the study also looks at the effect of hyperparameter tuning and the multi-class SVM approach. The classification method used is multi-class SVM (Support Vector Machine) with OVO (One Versus One) and OVA (One Versus All) approaches, and PSO (Particle Swarm Optimization) is used as hyperparameter tuning. The dataset was divided into 5939 training data and 660 testing data with a ratio of 90%:10%. The evaluation was carried out using a 10- fold CV for training data and a confusion matrix for testing data. Based on the evaluation of the four scenario models built in the form of training and testing accuracy values, the OVO model without PSO is 76.86% and 79.70%, the OVO model with PSO is 77.94% and 83.03%, the OVA model without PSO is 77.94% and 83.03%. 76.66% and 79.70%, and the OVA model with PSO was 78.62% and 83.18%, respectively. Then, PSO can increase the value of training and testing accuracy, namely OVO by 1.08% and 3.33%, and OVA by 1.96% and 3.48%,