Analisis Perspsi Siswa Terhadap Dampak Kenaikan Gaji Guru Pada Kuliatas Pengajaran Dengan Perbandingan Algoritma KNN & Naïve Bayes

Abstract

Penelitian ini bertujuan untuk menganalisis persepsi siswa terhadap dampak kenaikan gaji guru
terhadap kualitas pengajaran dengan menggunakan pendekatan analisis sentimen berbasis
machine learning. Dua algoritma klasifikasi, yaitu K-Nearest Neighbor (KNN) dan Naïve Bayes
(NB), digunakan untuk membandingkan kinerja dalam mengklasifikasikan opini siswa ke dalam
kategori positif dan negatif. Data diperoleh melalui kuesioner terbuka yang disebarkan kepada
104 siswa di salah satu sekolah menengah di Kabupaten Kuningan. Tahapan penelitian meliputi
pengumpulan data, preprocessing teks (pembersihan, tokenisasi, stopword removal, dan
stemming), pelabelan sentimen, serta ekstraksi fitur menggunakan metode TF-IDF. Hasil
pengujian menunjukkan bahwa algoritma Naïve Bayes memiliki performa lebih baik dengan
akurasi sebesar 80,00%, sedangkan KNN hanya mencapai 64,17%. Temuan ini menunjukkan
bahwa Naïve Bayes lebih efektif dan stabil dalam mengenali pola kata pada data teks. Secara
keseluruhan, penelitian ini membuktikan bahwa metode Naïve Bayes lebih unggul dalam
menganalisis persepsi siswa serta dapat digunakan sebagai alat bantu objektif untuk mengevaluasi
kebijakan pendidikan terkait kesejahteraan guru.