Kebijakan penghapusan ekstrakurikuler wajib Pramuka yang diumumkan oleh Menteri Pendidikan pada tahun 2024 memicu berbagai reaksi dari masyarakat, terutama di media sosial seperti X. Penelitian ini bertujuan untuk menganalisis sentimen masyarakat terhadap kebijakan tersebut dengan menggunakan algoritma Naïve Bayes. Data yang digunakan dalam penelitian ini diperoleh dari X dengan mengumpulkan tweet terkait kebijakan penghapusan ekstrakurikuler Pramuka dalam periode tertentu. Proses analisis mencakup tahap preprocessing data seperti pembersihan, normalisasi, dan tokenisasi, yang kemudian dilanjutkan dengan penerapan algoritma Naïve Bayes untuk klasifikasi sentimen menjadi tiga kategori: positif, negatif, dan netral. Karena data yang diperoleh tidak seimbang, digunakan teknik Synthetic Minority Oversampling Technique (SMOTE) untuk menyeimbangkan distribusi data sebelum proses klasifikasi. Hasil penelitian menunjukkan bahwa metode Naïve Bayes, setelah penerapan SMOTE, mampu mengklasifikasikan sentimen masyarakat dengan tingkat akurasi sebesar 76% pada rasio pembagian data dengan 70:15:15, yang menunjukkan performa yang cukup baik dalam mengidentifikasi sentimen publik. Dari analisis ini, ditemukan bahwa mayoritas sentimen masyarakat bersifat netral, yang berarti bahwa sebagian besar masyarakat menunjukkan sikap tidak memihak atau tidak memiliki opini kuat, baik mendukung maupun menentang kebijakan penghapusan tersebut. Sentimen negatif dan positif juga terdeteksi, meskipun dalam proporsi yang lebih kecil. Penelitian ini memberikan wawasan yang lebih mendalam mengenai persepsi publik terhadap kebijakan pendidikan dan menunjukkan performa metode Naïve Bayes dalam analisis sentimen di media sosial.

The policy of abolishing mandatory scouting extracurricular activities announced by the Minister of Education in 2024 sparked various reactions from the public, especially on social media platforms like X. This study aims to analyze public sentiment towards the policy using the Naïve Bayes algorithm. The data used in this research was obtained from X by collecting tweets related to the abolition of mandatory scouting extracurricular activities during a specific period. The analysis process includes data preprocessing stages such as data cleaning, normalization, and tokenization, followed by the application of the Naïve Bayes algorithm to classify sentiments into three categories: positive, negative, and neutral. Since the collected data was imbalanced, the Synthetic Minority Oversampling Technique (SMOTE) was applied to balance the data distribution before the classification process. The results show that the Naïve Bayes method, after the application of SMOTE, was able to classify public sentiment with an accuracy of 76% at a data split ratio of 70:15:15, demonstrating good performance in identifying public sentiment. The analysis revealed that the majority of public sentiment was neutral, indicating that most people displayed an impartial stance or did not have strong opinions, either supporting or opposing the abolition policy. Negative and positive sentiments were also detected, though in smaller proportions. This research provides deeper insights into public perceptions of educational policies and demonstrates the performance of the Naïve Bayes method in sentiment analysis on social media.