Persepsi Publik Tentang Pembelajaran Daring di Indonesia: Studi Menggunakan ELK Stack dan Python untuk Analisis Sentimen di Twitter

Abstract

Penelitian ini menyelidiki persepsi masyarakat umum tentang aplikasi pembelajaran daring di Indonesia. Banyak studi tentang pembelajaran daring dilakukan di negara maju dan masih sedikit di negara berkembang. Sementara penelitian tradisional menggunakan survei untuk memahami persepsi orang terhadap suatu entitas membutuhkan banyak waktu dan upaya, penelitian ini menggunakan cara yang efisien dan efektif untuk mengumpulkan pendapat di Twitter dan kemudian menganalisis sentimennya menggunakan Elasticsearch, Logstash (ELK stack) dan bahasa pemrograman Python. Algoritma Naïve Bayes digunakan untuk analisis sentimen dan ELK stack untuk mengumpulkan dan menyimpan tweets dari Twitter. Dengan ELK stack, penelitian ini berhasil mengumpulkan 133.477 tweets yang terkait dengan pembelajaran daring. Dari hasil analisis sentimen ditemukan sebanyak 98.3% tweets memiliki sentimen positif terhadap pembelajaran daring, hal ini menjadi bukti bahwa pelajar di Indonesia memiliki persepsi positif terhadap pembelajaran daring. Dari studi ini ditemukan bahwa fitur pembelajaran daring yang paling banyak dibicarakan adalah tampilan, bank soal, dan konten. Hasil evaluasi model pembelajaran mesin menunjukkan bahwa algoritma Naïve Bayes memiliki akurasi sebesar 73% untuk klasifikasi opini dan 75% untuk klasifikasi sentimen. Penelitian ini sebelumnya dipublikasikan di International Journal of Emerging Technologies in Learning (iJET) tahun 2020.

CC Licencing

Authors who publish with this journal agree to the following terms:
- Authors retain copyright and grant the journal right of first publication with the work simultaneously licensed under a Creative Commons Attribution License that allows others to share the work with an acknowledgement of the work's authorship and initial publication in this journal.
- Authors are able to enter into separate, additional contractual arrangements for the non-exclusive distribution of the journal's published version of the work (e.g., post it to an institutional repository or publish it in a book), with an acknowledgement of its initial publication in this journal.
- Authors are permitted and encouraged to post their work online (e.g., in institutional repositories or on their website) prior to and during the submission process, as it can lead to productive exchanges, as well as earlier and greater citation of published work (See The Effect of Open Access).