Salah Satu Dosen Prodi TI Raih Hibah Penelitian Internal UNIDA Gontor 2024

salah satu dosen Prodi TI berhasil meraih hibah penelitian internal dari Universitas Darussalam (UNIDA) Gontor pada tahun 2024. Hibah ini diberikan sebagai bentuk dukungan bagi para akademisi dalam mengembangkan penelitian yang berkualitas dan berkontribusi terhadap kemajuan ilmu pengetahuan. Penelitian yang diajukan oleh salah satu dosen Prodi TI diharapkan dapat memberikan manfaat yang luas, baik bagi institusi maupun masyarakat.

Dengan hibah ini, salah satu dosen Prodi TI akan melakukan riset yang berfokus pada bidang keahliannya, mengembangkan inovasi yang relevan dengan kebutuhan saat ini, serta mempublikasikan hasil penelitian dalam jurnal ilmiah terakreditasi. Prestasi ini menunjukkan komitmen UNIDA Gontor dalam mendorong budaya riset di lingkungan akademiknya.

Analisis Sentimen Publik terhadap Program TAPERA dengan Machine Learning

Program Tabungan Perumahan Rakyat (TAPERA) merupakan inisiatif pemerintah Indonesia untuk membantu masyarakat berpenghasilan rendah dan menengah dalam memperoleh perumahan yang layak. Namun, pelaksanaan program ini menuai beragam respons dari masyarakat, terutama di media sosial. Untuk memahami opini publik mengenai TAPERA, diperlukan analisis sentimen yang sistematis dengan memanfaatkan teknik Natural Language Processing (NLP) dan Machine Learning.

Metode CRISP-DM digunakan dalam penelitian ini, yang terdiri dari enam tahap utama: memahami tujuan bisnis, mengumpulkan data dari media sosial, mempersiapkan data melalui teknik pemrosesan teks, membangun model klasifikasi menggunakan Support Vector Machine (SVM) dan Random Forest, mengevaluasi performa model, serta menyajikan hasil analisis dalam bentuk visualisasi data.

Data penelitian dikumpulkan dari media sosial X dengan kata kunci "tapera lang:id" selama periode 21 Juni hingga 23 Juli 2024. Dari total 5.011 data mentah, sebanyak 2.936 data akhir digunakan dalam analisis setelah melalui proses pembersihan. Model SVM dan Random Forest digunakan untuk mengklasifikasikan sentimen publik ke dalam kategori positif, netral, atau negatif.

Hasil evaluasi menunjukkan bahwa model SVM memiliki performa lebih baik dibandingkan Random Forest, dengan akurasi 88%, presisi 89%, recall 88%, dan skor F1 88%. Sementara itu, Random Forest mencapai akurasi 86%, presisi 88%, recall 86%, dan skor F1 86%. Dari analisis yang dilakukan, ditemukan bahwa sentimen negatif mendominasi opini masyarakat terhadap TAPERA. Kata-kata seperti "potong", "rakyat", "asuransi", dan "pajak" sering muncul dalam diskusi, mencerminkan kekhawatiran publik terhadap kebijakan ini.

Penelitian ini menunjukkan bahwa Machine Learning dapat menjadi alat yang efektif dalam memahami opini masyarakat terhadap kebijakan pemerintah. Hasil analisis ini diharapkan dapat menjadi masukan bagi pemerintah dalam mengevaluasi serta meningkatkan strategi komunikasi untuk memperbaiki penerimaan publik terhadap program TAPERA. Studi lanjutan direkomendasikan untuk memantau perubahan sentimen masyarakat setelah implementasi program ini dalam beberapa tahun ke depan.