"I hope that before the test, God will always protect you and give you the strength of patience that is so strong...by abuafifi "

Selasa, 02 Juni 2026

Value of Honesty

 JUJUR UJIAN, SELAMATKAN MASA DEPAN

Oleh: Redaksi Literatsmansa

 

Di lingkungan sekolah, ujian sering dianggap sebagai penentu keberhasilan siswa. Tidak sedikit siswa yang merasa takut mendapatkan nilai rendah sehingga tergoda untuk menyontek atau berlaku tidak jujur. Padahal, kejujuran dalam ujian memiliki makna yang jauh lebih besar daripada sekadar memperoleh nilai tinggi. Kejujuran di bangku sekolah adalah cikal bakal bangsa terbebas dari Korupsi, Kolusi, dan Nepotisme. Sikap jujur harus dibiasakan sejak dini, terutama dalam dunia pendidikan. Ketika seorang siswa memilih mengerjakan ujian dengan kemampuan sendiri, ia sedang belajar bertanggung jawab atas usahanya. Nilai yang diperoleh mungkin tidak selalu sempurna, tetapi hasil tersebut mencerminkan kemampuan yang sebenarnya. Dari sinilah karakter kuat dan rasa percaya diri tumbuh. Rasulullah SAW sangat menekankan pentingnya kejujuran dalam kehidupan. Beliau bersabda:

Hendaklah kalian berlaku jujur, karena sesungguhnya kejujuran membawa kepada kebaikan, dan kebaikan membawa ke surga.”  (HR. Bukhari dan Muslim)

Hadis tersebut mengajarkan bahwa kejujuran akan membawa seseorang kepada kebaikan dan keselamatan. Sebaliknya, kebohongan dan kecurangan hanya akan membawa kerugian serta hilangnya kepercayaan dari orang lain. Rasulullah SAW juga bersabda:

 “Barang siapa yang menipu, maka ia bukan termasuk golongan kami.” (HR. Muslim)

Sumber: https://islamrahmah.id/kejujuran-menyelamatkan-dari-dosa-dan-keburukan/

Hadis ini menjadi peringatan bahwa segala bentuk kecurangan, termasuk menyontek saat ujian, merupakan perbuatan yang tidak terpuji dan harus dihindari oleh setiap pelajar. Dalam ujian, kejujuran tidak hanya berarti tidak menyontek. Siswa juga dilarang memberikan jawaban kepada teman atau peserta lain. Membantu teman dengan cara membocorkan jawaban saat ujian bukanlah bentuk solidaritas yang benar, melainkan tindakan yang melanggar kejujuran. Setiap peserta ujian harus berusaha sendiri sesuai kemampuan masing-masing agar hasil yang diperoleh benar-benar adil dan jujur.

 
Sumber: https://theanotheround.wordpress.com/2013/04/27/pengalaman-mencontek-ku/

Sebaliknya, kebiasaan menyontek maupun memberi jawaban kepada orang lain dapat menjadi awal dari perilaku tidak jujur di masa depan. Seseorang yang terbiasa mencari jalan pintas sejak sekolah akan lebih mudah tergoda melakukan kecurangan ketika dewasa. Dalam kehidupan bermasyarakat dan dunia kerja, sikap seperti ini dapat berkembang menjadi tindakan korupsi, kolusi, maupun nepotisme yang merugikan banyak orang. Korupsi terjadi karena hilangnya rasa tanggung jawab dan kejujuran. Kolusi muncul karena adanya kerja sama yang tidak sehat demi keuntungan pribadi. Nepotisme lahir ketika seseorang lebih mengutamakan hubungan keluarga atau kedekatan daripada kemampuan dan keadilan. Semua itu berawal dari kebiasaan kecil yang dianggap sepele, termasuk ketidakjujuran saat ujian.

Sumber: https://www.kompasiana.com/revihikaru0405/659e086a12d50f445f4e0105/nepotisme

Sekolah bukan hanya tempat mencari ilmu, tetapi juga tempat membentuk karakter. Guru dan orang tua tentu berharap siswa tidak hanya pintar secara akademis, tetapi juga memiliki akhlak yang baik. Oleh karena itu, setiap siswa perlu memahami bahwa keberhasilan sejati tidak ditentukan oleh nilai semata, melainkan oleh proses dan kejujuran dalam meraihnya. Menjadi jujur memang tidak selalu mudah. Kadang ada rasa takut gagal atau malu jika nilainya rendah. Namun, siswa harus percaya bahwa hasil yang diperoleh dengan usaha sendiri jauh lebih membanggakan daripada nilai tinggi hasil kecurangan. Kejujuran akan melahirkan pribadi yang disiplin, bertanggung jawab, dan dapat dipercaya.

 
Sumber: https://www.instagram.com/p/DNRsdCHyVBQ/

Sebagai generasi penerus bangsa, siswa memiliki peran penting dalam menciptakan Indonesia yang lebih baik. Jika sejak sekolah sudah terbiasa jujur, maka ketika dewasa mereka akan menjadi pemimpin, pegawai, maupun masyarakat yang bersih dari praktik Korupsi, Kolusi, dan Nepotisme. Dengan demikian, bangsa Indonesia dapat berkembang menjadi negara yang adil, maju, dan sejahtera. Oleh sebab itu, marilah kita membiasakan sikap jujur dalam setiap ujian. Jangan pernah menyontek ataupun memberikan jawaban kepada peserta lain. Kejujuran di bangku sekolah adalah pondasi utama untuk membangun masa depan bangsa yang bebas dari korupsi, kolusi, dan nepotisme. Dari kejujuran siswa hari ini, lahir Indonesia yang lebih bermartabat di masa depan.

**) dari beragam rujukan

Senin, 01 Juni 2026

Mathematics in Life

 MEMBACA SENTIMEN GAMER LEWAT NAIVE BAYES

Oleh: Risman Firmansyah, M.Pd *)

 

Ayo, Mulai dari Hal yang Dekat dengan Kita

Pernahkah kamu membuka Google Play Store, lalu membaca ulasan orang tentang suatu game sebelum memutuskan untuk mendownloadnya? Atau mungkin kamu sendiri pernah menulis komentar seperti "Game ini seru banget!" atau "Tolong diperbaiki, banyak bug!"?

Nah, tahukah kamu bahwa di balik ribuan ulasan itu, ada matematika yang bekerja untuk memahami apa yang sebenarnya dirasakan oleh para pengguna? Yap! Matematika ternyata tidak hanya tentang rumus-rumus abstrak di papan tulis, tetapi juga bisa "membaca" perasaan manusia dari tulisan mereka.

Dalam artikel ini, kita akan belajar bagaimana sebuah metode bernama Naive Bayes Classifier yang berbasis pada teorema Bayes dalam teori probabilitas digunakan untuk menganalisis sentimen (positif atau negatif) dari ulasan game Angkot d Game di Google Play Store. Siap? Yuk, kita mulai!


 Sumber: https://binus.ac.id/bandung/2019/12/algoritma-naive-bayes/

1. Apa Itu Analisis Sentimen?

Coba bayangkan kamu memiliki 1.000 komentar tentang sebuah game. Membaca satu per satu pasti melelahkan, bukan? Nah, analisis sentimen adalah cara otomatis untuk mengelompokkan komentar-komentar itu ke dalam kategori positif atau negatif.

Dalam penelitian yang menjadi acuan kita, para peneliti mengumpulkan 1.000 ulasan game Angkot d Game (game simulasi jadi sopir angkot buatan developer lokal Indonesia). Setelah dibersihkan dari ulasan yang netral (bintang 3), tersisa 892 ulasan. Lalu, ulasan dengan bintang 1-2 diberi label Negatif, dan bintang 4-5 diberi label Positif. Hasilnya? Ada 46,8% ulasan positif dan 53,1% ulasan negatif.

Koneksi ke Matematika: Ini adalah contoh awal dari statistik deskriptif kita menghitung proporsi data untuk memahami gambaran besar terlebih dahulu.

 
Sumber: https://www.excelr.com/blog/artificial-intelligence/mastering-sentiment-analysis-decoding-emotions-in-text

2. Teorema Bayes. Jantung dari Metode Naive Bayes

Oke, sekarang kita masuk ke inti matematika. Ada seorang matematikawan bernama Thomas Bayes (1701–1761) yang mengemukakan sebuah teorema tentang probabilitas bersyarat. Rumusnya seperti ini:


Jangan panik dulu lihat rumus! Mari kita pahami dengan cerita.

Bayangkan kamu sedang bermain tebak-tebakan: dari isi ulasan, kita mau menebak apakah ulasan itu positif atau negatif. Dalam rumus di atas:

  •  adalah probabilitas suatu ulasan termasuk kelas A (misal positif) jika diketahui kata-kata B muncul. Ini yang ingin kita cari.
  •  adalah probabilitas awal (prior) bahwa suatu ulasan itu positif (tanpa melihat kata-katanya).
  •  adalah probabilitas munculnya kata-kata B jika ulasan itu positif.
  •  adalah probabilitas munculnya kata-kata B secara keseluruhan.

Contoh sederhana: Misalkan dari 892 ulasan, 417 positif (46,8%). Maka . Sekarang, jika dalam ulasan positif kata "bagus" sering muncul, maka  akan tinggi. Naive Bayes akan menggabungkan informasi ini untuk memprediksi kelas ulasan baru.


 Sumber: https://www.gatherthink.com/p/the-power-of-assumptions

3. Kok Namanya "Naive"? Apakah Bodoh?

Tidak, kok! Kata naive (naif) di sini berarti asumsi penyederhanaan bahwa semua kata dalam suatu ulasan itu saling bebas (independen) satu sama lain. Padahal di dunia nyata, kata "bagus" dan "seru" sering muncul bersama. Tapi dengan asumsi ini, perhitungan menjadi jauh lebih sederhana dan cepat—dan terbukti tetap akurat untuk banyak kasus.

Secara matematis, untuk sebuah ulasan dengan kata-kata , kita menghitung:


Artinya, kita kalikan semua probabilitas setiap kata muncul di kelas positif, lalu kalikan dengan probabilitas awal kelas positif. Lakukan hal yang sama untuk kelas negatif, lalu pilih kelas dengan nilai terbesar.

Istilah kerennya: Ini disebut Maximum a Posteriori (MAP)  memilih kelas yang paling mungkin setelah melihat bukti dari kata-kata.

4. Sebelum Diolah, Ulasan Harus "Dibersihkan" Dulu (Preprocessing)

Ini bagian yang mirip seperti menyortir baju sebelum dicuci. Data teks mentah tidak bisa langsung dimasukkan ke rumus. Ada beberapa tahap:

Proses

Contoh Awal

Contoh Hasil

Case folding

"Game nya ngeleg GAK bagus"

"game nya ngeleg gak bagus"

Punctuation removal

Hapus tanda baca (,.!?)

"game nya ngeleg gak bagus"

Tokenization

Memecah kalimat jadi kata per kata

['game', 'nya', 'ngeleg', 'gak', 'bagus']

Filtering

Hapus kata tidak penting (stopword)

['game', 'ngeleg', 'gak', 'bagus']

Stemming

Ubah ke kata dasar

'ngeleg' → 'leg' (agak disederhanakan)

Hasil akhirnya adalah kumpulan kata-kata bersih yang siap dihitung.

5. Membobot Kata dengan TF-IDF

Setelah bersih, setiap kata diberi bobot. Ini penting karena tidak semua kata sama pentingnya. Kata seperti "game" mungkin muncul di hampir semua ulasan, sehingga tidak terlalu membedakan sentimen. Sebaliknya, kata "bug" mungkin lebih khas untuk ulasan negatif.

Rumus yang digunakan adalah TF-IDF (Term Frequency  Inverse Document Frequency):


  • : seberapa sering kata  muncul di ulasan 
  • : total ulasan (misal 892)
  • : jumlah ulasan yang mengandung kata 

Logika di baliknya: kata yang jarang muncul tapi spesifik (misal "macet", "fitur") akan mendapat bobot tinggi. Kata yang muncul di mana-mana ("game") bobotnya rendah.

Koneksi ke Matematika: Ini adalah aplikasi fungsi logaritma untuk menekan pengaruh frekuensi yang terlalu tinggi.

 
Sumber: https://health.detik.com/berita-detikhealth/d-2004066/susah-pahami-matematika

6. Mengevaluasi Kinerja Model: Confusion Matrix

Setelah model dilatih, kita harus menguji seberapa baik kemampuannya. Caranya menggunakan confusion matrix, yaitu tabel 2×2 seperti ini:

Prediksi Positif

Prediksi Negatif

Aktual Positif

TP (True Positif)

FN (False Negatif)

Aktual Negatif

FP (False Positif)

TN (True Negatif)

Dari penelitian ini, diperoleh hasil:

  • Akurasi = 88,51% → dari 163 ulasan uji, 132 diklasifikasikan dengan benar.
  • Sensitivity = 82,57% → model mampu menangkap 82% ulasan positif yang sebenarnya.
  • Specificity = 94,2% → model sangat baik mengenali ulasan negatif.
  • Nilai AUC = 88,38% → termasuk kategori Sangat Baik (karena 0,80–0,90).

AUC (Area Under Curve) adalah ukuran kemampuan model membedakan dua kelas. Semakin mendekati 1, semakin baik.

7. Apa Hasilnya? Dan Apa Manfaatnya?

Dari wordcloud dan frekuensi kata, ditemukan:

  • Kata sering muncul di ulasan positif: game, mobil, bagus, tumpang, main, grafik
  • Kata sering muncul di ulasan negatif: game, bagus, bug, main, tolong, update
  • Kata "bagus" bisa muncul di kedua sisi tergantung konteksnya.
  • Kata "bug" muncul 131 kali, "loading" 39 kali, "fitur" 42 kali, "update" 199 kali.

Implikasi untuk pengembang game:

Para pemain menginginkan update berkala, perbaikan bug, dan loading yang lebih cepat. Dengan mengetahui ini, developer bisa memprioritaskan perbaikan yang paling dikeluhkan.

 
Sumber: https://lms.ittelkom-pwt.ac.id/course/info.php?id=381

8. Simpulan. Matematika Itu Berguna, Bukan Sekadar Teori

Metode Naive Bayes Classifier terbukti sangat baik untuk menganalisis sentimen ulasan game, dengan akurasi 88,51%. Ini menunjukkan bahwa teori probabilitas dan logaritma yang dipelajari di SMA benar-benar bisa diterapkan di industri digital saat ini. Untuk kamu yang suka game atau tertarik dengan data, ilmu matematika seperti ini adalah pintu masuk untuk menjadi data analyst atau AI engineer di masa depan. Bayangkan, perusahaan game bisa meningkatkan pendapatan (yang di Indonesia sudah mencapai Rp25 triliun per tahun!) hanya dengan memahami ulasan penggunanya. Jadi, lain kali jika kamu melihat ulasan di Play Store, sadarilah bahwa di balik layar, ada rumus-rumus matematika yang bekerja keras mengubah kata-kata menjadi wawasan berharga. Keren, kan?

Rangkuman Ekspres untuk Kamu:

Konsep

Arti Simpel

Analisis Sentimen

Membaca opini otomatis dari teks

Teorema Bayes

Menghitung peluang berdasarkan bukti

Naive Bayes

Metode klasifikasi dengan asumsi kata-kata bebas

Preprocessing

Membersihkan teks sebelum diproses

TF-IDF

Membobot kata berdasarkan frekuensi dan keunikannya

Confusion Matrix

Alat evaluasi seberapa benar prediksi

Akurasi 88,51%

Model ini cukup handal untuk digunakan

*) Guru Matematika di SMAN 1 Pangalengan. Staf Kesiswaan, Pengelola Sekolah Terbuka di SMAN 1 Pangalengan

**) Hasil Tulis ulang dari artikel:

Sitti Masyitah Meliyana R, dkk. "Analisis Sentimen Ulasan Game Simulator Indonesia di Google Play Store Menggunakan Algoritma Naive Bayes". VARIANSI: Journal of Statistics, Vol. 7 No. 2 (2025).

 

Value of Honesty

  JUJUR UJIAN, SELAMATKAN MASA DEPAN Oleh: Redaksi Literatsmansa   Di lingkungan sekolah, ujian sering dianggap sebagai penentu keberh...