Program Magang dan Studi Independen Bersertifikat (MSIB), sebagai bagian dari Program Merdeka Belajar Kampus Merdeka (MBKM), bertujuan untuk memberikan pengalaman profesional dan pengembangan kepada siswa, dengan fokus pada kurikulum, konversi SKS, dan keterjangkauan tempat tinggal. Program ini telah dilaksanakan setiap tahun sejak 2020 dan menimbulkan berbagai pro dan kontra di masyarakat. Untuk mengatasi hal ini, diperlukan sistem untuk mengklasifikasikan opini pro dan kontra menggunakan teknik analisis sentimen. Analisis sentimen adalah metode yang mengubah data kualitatif menjadi data kuantitatif dengan membersihkan data dari kata dan simbol yang tidak relevan. Penelitian ini memfokuskan pada analisis sentimen pengguna aplikasi X terkait program MSIB di Indonesia dengan menggunakan metode Naïve Bayes. Proses analisis melibatkan pengumpulan data dari Twitter menggunakan pustaka Node.js tweet-harvest dengan kata kunci 'MSIB Batch 6', tahap pemrosesan teks menggunakan metode text mining, dan pelabelan sentimen dengan sistem pelabelan otomatis berbasis leksikon InSet (Indonesian Sentiment). Dari 1009 data yang diperoleh, teridentifikasi 780 sentimen negatif, 175 sentimen positif, dan 54 sentimen netral. Model Multinomial Naïve Bayes menunjukkan akurasi sebesar 94%, dengan precision 0.90, recall 0.96, dan skor F1 0.93. Temuan ini memberikan wawasan yang berguna tentang persepsi pengguna dan dapat membantu dalam meningkatkan kualitas program MSIB dengan mengatasi kebutuhan dan kekhawatiran masyarakat.

The Certified Internship and Independent Study (MSIB) Program, as part of the Merdeka Belajar Kampus Merdeka (MBKM) initiative, aims to provide students with professional experience and development, with a focus on curriculum, SKS conversion, and residential affordability. This program has been implemented annually since 2020 and has generated various pros and cons within the community. To address this, a system is needed to classify these opinions using sentiment analysis techniques. Sentiment analysis is a method that converts qualitative data into quantitative data by removing irrelevant words and symbols. This study focuses on analyzing the sentiment of X application users regarding the MSIB program in Indonesia using the Naïve Bayes method. The analysis involves collecting data from Twitter using the Node.js tweet-harvest library with the keyword 'MSIB Batch 6', processing the text with text mining methods, and labeling sentiments using the InSet (Indonesian Sentiment) lexicon-based automatic labeling system. Out of 1009 data points collected, 780 were identified as negative sentiments, 175 as positive, and 54 as neutral. The Multinomial Naïve Bayes model achieved an accuracy of 94%, with a precision of 0.90, recall of 0.96, and an F1 score of 0.93. These findings provide valuable insights into user perceptions and can help enhance the quality of the MSIB program by addressing the needs and concerns of the community.