PEMANFAATAN NATURAL LANGUAGE PROCESSING UNTUK ANALISIS SENTIMEN TERHADAP METODE PEMBELAJARAN DARING: TINJAUAN PUSTAKA

Abstract

Pembelajaran daring menghasilkan teks opini dalam jumlah besar, mulai dari cuitan, ulasan aplikasi, hingga umpan balik pada learning management system (LMS), sehingga analisis manual tidak lagi memadai. Artikel ini menyajikan tinjauan pustaka atas 36 studi terbitan 2021–2026 yang memanfaatkan Natural Language Processing (NLP) untuk analisis sentimen terhadap pembelajaran daring. Studi diseleksi dari 51 studi unik pada tabel ekstraksi data berdasarkan relevansi, kelengkapan metode, dan kualitas pelaporan, lalu disintesis untuk menjawab tiga pertanyaan penelitian mengenai sumber data, metode NLP, serta kecenderungan sentimen. Hasil menunjukkan bahwa 19 dari 32 studi empiris menggunakan algoritma pembelajaran mesin klasik, terutama Naive Bayes, Support Vector Machine (SVM), dan K-Nearest Neighbor (KNN), sedangkan model deep learning dan transformer makin sering dipakai pada studi terbaru dengan akurasi tertinggi 97,12%. Tidak ada satu algoritma yang unggul secara konsisten karena kinerja sangat bergantung pada data dan skema pelabelan. Polaritas sentimen bervariasi menurut konteks: ulasan platform belajar cenderung positif, sedangkan opini tentang perkuliahan daring dan hybrid di media sosial lebih banyak negatif atau netral. Tantangan utama meliputi ketidakseimbangan kelas, sulitnya mengenali kelas netral, bahasa informal, dan ketidakseragaman pelabelan. Hasil tinjauan ini menunjukkan bahwa pemilihan metode NLP perlu disesuaikan dengan karakteristik data dan skema pelabelan yang digunakan.