Analitika Opini terhadap Evaluasi Project-Based Learning menggunakan Text Mining
Date
2021Author
Septiara, Maryona
Djatna, Taufik
Sitanggang, Imas Sukaesih
Metadata
Show full item recordAbstract
Model pembelajaran Project-Based Learning (PjBL) seringkali diterapkan pada perguruan tinggi, dimana pembelajaran berpusat kepada peserta didik. Peserta didik melakukan beberapa hal untuk mendapatkan hasil belajar yang aktif dan kreatif. Analitika data dapat dilakukan untuk analisis hasil belajar peserta didik, salah satunya dengan analitika opini dalam mengukur pemerolehan hasil belajar terhadap suatu model pembelajaran dengan memanfaatkan opini peserta didik. Analitik merupakan teknik pengumpulan data untuk mengeksplorasi, menganalisis, dan memvisualisasikan data. Analitik dapat mendukung pendidik dalam menganalisis data untuk meningkatkan proses pembelajaran bagi peserta didik dan memberikan pengalaman belajar. Analitika opini menggunakan metode atau teknik analisis data teks yang tidak terstruktur untuk mendapatkan suatu fakta atau informasi yang berguna. Data teks banyak digunakan dalam suatu penelitian karena banyak mengandung informasi penting yang tidak diketahui.
Sentiment analysis atau opinion mining merupakan bagian dari text mining yang diterapkan pada data opini sebagai dataset. Sentiment analysis bertujuan untuk melakukan analisis, ekstraksi, dan mengolah informasi agar mendapatkan informasi kecenderungan berupa opini positif, negatif, atau netral terhadap suatu masalah. Penelitian ini bertujuan untuk mengetahui pendapat mahasiswa terhadap penerapan metode Project-Based Learning (PjBL) pada mahasiswa S1 dan S2 Teknologi Industri Pertanian (TIP) dan mahasiswa S2 Ilmu Komputer. Data yang digunakan merupakan opini mahasiswa dengan 16 responden sarjana dan 28 pasca sarjana. Tahapan yang dilakukan dalam penelitian ini meliputi pengumpulan data, pelabelan kelas, praproses data, TF-IDF, klasifikasi menggunakan algoritme Naïve Bayes, dan Evaluasi Model. Data dibagi menjadi 2 model yaitu dataset-1 (60% training, 40% testing) dan dataset-2 (70% training, 30% testing). Keakuratan tertinggi model klasifikasi sentimen mencapai 100% pada indikator PjBL "Independence" dan "Curiosity" mahasiswa S1. Berdasarkan indikator pencapaian PjBL, hasil penelitian ini membuktikan adanya peningkatan kemampuan pemecahan masalah pada mahasiswa TIP. Berdasarkan klasifikasi kelas, sentimen positif lebih banyak ditemukan pada data. Hasil ini menunjukkan bahwa model pembelajaran PjBL dapat diterima dan berdampak positif bagi siswa tersebut, mampu mengidentifikasi dan mendefinisikan masalah, mengelola informasi, mengalokasikan sumber informasi, dan menyelesaikan proses pemecahan masalah. The Project-Based Learning (PjBL) learning model is often applied to universities, where learning is centered on students. Students do several things to get active and creative learning outcomes. Data analysis can be done to analyze student learning outcomes, one of which is opinion analysis in measuring the acquisition of learning outcomes against a learning model by utilizing student opinions. Analytics is a data collection technique to explore, analyze, and visualize data. Analytics can support educators in analyzing data to improve the learning process for students and provide learning experiences. Opinion analysis uses unstructured text data analysis methods or techniques to obtain valuable facts or information. Text data is widely used in a study because it contains much important information that is not known.
Sentiment analysis or opinion mining is part of text mining applied to opinion data as a dataset. Sentiment analysis aims to analyze, extract, and process information to obtain information on trends in the form of positive, negative, or neutral opinions on a problem. This study aims to determine student opinions on applying the Project-Based Learning (PjBL) method to undergraduate and postgraduate students of Agricultural Industrial Technology (TIP) and Master's Degree students in Computer Science. The data used are student opinions with 16 undergraduate and 28 postgraduate respondents. The stages in this research include data collection, class labelling, preprocessing, TF-IDF, classification using the Naïve Bayes algorithm, and Model Evaluation. The data is divided into 2 models, namely dataset-1 (60% training, 40% testing) and dataset-2 (70% training, 30% testing). The highest accuracy of the sentiment classification model reached 100% on the PjBL indicators "Independence" and "Curiosity" for undergraduate students. Based on PjBL achievement indicators, the results of this study prove an increase in problem-solving abilities in TIP students. Based on the class classification, more positive sentiments are found in the data. These results indicate that the PjBL learning model is acceptable and positively these students, identifying and defining problems, managing information, allocating information resources, and completing the problem-solving process.