ANALISIS SENTIMEN PERSEPSI PENGGUNA KURIKULUM MERDEKA BELAJAR MENGGUNAKAN METODE NAIVE BAYES CLASSIFIER (NBC) DAN SUPPORT VECTOR MACHINE (SVM) STUDI KASUS : SMK TEKNIKOM CIKARANG

Abstrak

Abstract— Penerapan Kurikulum Merdeka di berbagai jenjang pendidikan menimbulkan beragam persepsi dari para penggunanya, termasuk di tingkat Sekolah Menengah Kejuruan (SMK). Perubahan pendekatan pembelajaran, integrasi projek penguatan profil pelajar Pancasila, serta fleksibilitas dalam perancangan kurikulum menjadi faktor-faktor yang memicu variasi tanggapan dari guru dan siswa sebagai pelaksana langsung. Penelitian ini bertujuan untuk mengevaluasi persepsi tersebut melalui analisis sentimen berbasis teks, dengan tujuan mengetahui kecenderungan opini pengguna terhadap Kurikulum Merdeka di SMK Teknikom Cikarang. Pendekatan yang digunakan adalah kuantitatif dengan metode klasifikasi teks menggunakan Naive Bayes Classifier (NBC) dan Support Vector Machine (SVM). Data diperoleh dari tanggapan siswa melalui survei terbuka, yang kemudian dikategorikan ke dalam tiga label sentimen: positif, negatif, dan netral. Penelitian ini juga mengidentifikasi faktor-faktor utama yang memengaruhi persepsi siswa, di antaranya: pemahaman terhadap alur tujuan pembelajaran (ATP), pengalaman belajar berbasis projek, keterlibatan guru dalam memfasilitasi pembelajaran, serta kemudahan dalam penggunaan media ajar digital. Metode klasifikasi diuji menggunakan tiga varian NBC, yaitu GaussianNB, MultinomialNB, dan BernoulliNB, kemudian dibandingkan dengan algoritma SVM. Hasil evaluasi berdasarkan confusion matrix menunjukkan bahwa metode SVM memiliki akurasi tertinggi sebesar 96,5%, dengan klasifikasi benar sebanyak 36 data positif, 45 data negatif, dan 112 data netral. Di antara model Naive Bayes, performa terbaik ditunjukkan oleh BernoulliNB dengan akurasi 92,5%, diikuti oleh MultinomialNB denganakurasi yang sama, sementara GaussianNB menunjukkan performa terendah dengan akurasi 77,5%. Keunggulan SVM disebabkan oleh kemampuannya dalam menangani data teks berdimensi tinggi dan bersifat sparsity, serta ketahanannya dalam membedakan kelas sentimen yang memiliki kemiripan— terutama ketika fitur teks tidak mengikuti distribusi probabilistik yang kuat seperti yang diasumsikan dalam model Naive Bayes. Temuan ini menunjukkan bahwa Support Vector Machine lebih unggul dalam mengklasifikasikan persepsi pengguna terhadap Kurikulum Merdeka Belajar dibandingkan dengan varian Naive Bayes. Hasil ini diharapkan dapat menjadi dasar dalam pengembangan sistemevaluasi berbasis analisis sentimen di bidang pendidikan, khususnya untuk menilai implementasi kurikulum baru berdasarkan opini siswa, kemampuan generalisasi tinggi SVM mampu menemukan hyperplane optimal yang memisahkan data dengan margin maksimum, sehingga meminimalkan kesalahan klasifikasi.