Klasifikasi opini publik beasiswa prakerja menggunakan metode Mix Distribusi Naive Bayes

Abstrak :

Program beasiswa Prakerja yang diluncurkan pemerintah Indonesia untuk menekan angka pengangguran pasca pandemi Covid-19 menimbulkan beragam opini publik di media sosial, khususnya Twitter. Meskipun antusiasme masyarakat tinggi, muncul berbagai kritik terkait efektivitas, transparansi sistem seleksi, hingga kendala teknis operasional. Penelitian ini bertujuan untuk mengklasifikasikan opini publik mengenai program beasiswa Prakerja di media sosial Twitter guna memberikan evaluasi objektif bagi pemerintah terhadap efektivitas dan transparansi sistem tersebut. Menggunakan pendekatan Natural Language Processing (NLP), penelitian ini menerapkan metode Mix Distribusi Naïve Bayes yang mengombinasikan Multinomial dan Gaussian Naïve Bayes untuk menangani karakteristik data teks yang beragam. Tahapan penelitian meliputi pengumpulan data, preprocessing, ekstraksi fitur menggunakan TF-IDF, serta reduksi dimensi melalui Truncated SVD. Untuk mengatasi ketidakseimbangan data, teknik RandomOverSampler diterapkan, sementara optimasi model dilakukan menggunakan GridSearchCV. Pengujian dilakukan dengan tiga skenario pembagian data (70:30, 80:20, dan 90:10) dan diukur melalui parameter Confusion Matrix seperti Accuracy, Precision, Recall, dan F1-Score. Hasil klasifikasi ini diharapkan dapat menjadi rujukan bagi instansi terkait dalam memahami sentimen masyarakat serta melakukan perbaikan kebijakan layanan publik di masa mendatang.

Abstrak :

The Prakerja scholarship program, launched by the Indonesian government to reduce unemployment rates following the Covid-19 pandemic, has generated diverse public opinions on social media, particularly on Twitter. Despite high public enthusiasm, various criticisms have emerged regarding its effectiveness, selection system transparency, and technical operational constraints. This study aims to classify public opinion regarding the Prakerja scholarship program on Twitter to provide an objective evaluation for the government concerning the system's effectiveness and transparency. Utilizing a Natural Language Processing (NLP) approach, this research implements the Mix Distribution Naïve Bayes method, which combines Multinomial and Gaussian Naïve Bayes to handle diverse text data characteristics. The research stages include data collection, preprocessing, feature extraction using TF-IDF, and dimensionality reduction through Truncated SVD. To address data imbalance, the RandomOverSampler technique is applied, while model optimization is conducted using GridSearchCV. Testing was performed using three data splitting scenarios (70:30, 80:20, and 90:10) and measured through Confusion Matrix parameters such as Accuracy, Precision, Recall, and F1-Score. The results of this classification are expected to serve as a reference for relevant institutions in understanding public sentiment and improving public service policies in the future.

Arab:

أثار برنامج منحة "براكيرجا" (Prakerja) الذي أطلقته الحكومة الإندونيسية لتقليل معدلات البطالة بعد جائحة كوفيد-١٩ آراءً عامة متنوعة على وسائل التواصل الاجتماعي، وخاصة تويتر. وعلى الرغم من الحماس الشعبي العالي، ظهرت انتقادات مختلفة تتعلق بالفعالية، وشفافية نظام الاختيار، والعقبات التقنية التشغيلية. تهدف هذه الدراسة إلى تصنيف الرأي العام بشأن برنامج منحة "براكيرجا" على تويتر لتقديم تقييم موضوعي للحكومة حول فعالية وشفافية النظام. وباستخدام نهج معالجة اللغات الطبيعية (NLP)، يطبق هذا البحث طريقة خليط توزيع نافي بايز (Mix Distribusi Naïve Bayes) التي تجمع بين توزيعي (Multinomial) و (Gaussian) للتعامل مع خصائص البيانات النصية المتنوعة. تشمل مراحل البحث جمع البيانات، والمعالجة المسبقة (preprocessing)، واستخراج الميزات باستخدام (TF-IDF)، وتقليل الأبعاد من خلال (Truncated SVD). ولعلاج عدم توازن البيانات، تم تطبيق تقنية (RandomOverSampler)، بينما تم تحسين النموذج باستخدام (GridSearchCV). تم إجراء الاختبار بثلاثة سيناريوهات لتقسيم البيانات (٧٠:٣٠، ٨٠:٢٠، و٩٠:١٠) وقياسها من خلال معايير مصفوفة الارتباك (Confusion Matrix) مثل الدقة (Accuracy)، والضبط (Precision)، والاستدعاء (Recall)، ومقياس (F1-Score). ومن المتوقع أن تكون نتائج هذا التصنيف مرجعاً للجهات المعنية في فهم مشاعر المجتمع وتحسين سياسات الخدمة العامة في المستقبل.