Identifying Technical and Vocational Education and Training (TVET) Sentiment from Social Media Using a Machine Learning Approach

Abstract

Technical and Vocational Education and Training (TVET) has become a key priority for the Malaysian government to enhance the system, better aligning it with industrial demands and workforce needs. The primary priority is to ensure that students and graduates acquire in-demand skills, thereby increasing their employability and creating more attractive job opportunities. Due to rapid technological advancements, social media has emerged as a powerful platform for public discourse where discussions on TVET programs, policies, and perceptions occur extensively. Among these platforms, Facebook is a widely used space for public interactions through posts and comments. This study employs sentiment analysis to analyse TVET-related discussions on Facebook, categorising sentiment into positive, neutral, and negative polarities. The Term Frequency-Inverse Document Frequency (TF-IDF) method is utilised to extract meaningful insights, and six classifiers, comprised of Support Vector Machine (SVM), Naïve Bayes (NB), Decision Tree (DT), Random Forest (RF), K-Nearest Neighbour (KNN), and Logistic Regression (LR), are applied. Using an 80%-20% training and testing split, results indicate that SVM achieves the highest accuracy performance, with a score of 0.62, outperforming other classifiers. Hence, this study provides valuable insights for policymakers and relevant stakeholders in the TVET ecosystem. By leveraging sentiment analysis and machine learning, decision-makers can better understand public perceptions and develop well-informed strategies to realign and enhance the TVET system.

ABSTRAK: Pendidikan dan Latihan Teknikal dan Vokasional (TVET) menjadi keutamaan kerajaan Malaysia bagi meningkatkan sistem agar lebih selaras dengan permintaan industri dan keperluan tenaga kerja.  Keutamaan ini adalah bagi memastikan pelajar dan graduan memperoleh kemahiran yang diperlukan, meningkatkan kebolehpekerjaan serta mewujudkan lebih banyak peluang pekerjaan. Kepesatan kemajuan teknologi menyebabkan media sosial muncul sebagai platfom berpengaruh bagi wacana awam di mana perbincangan mengenai program, dasar, dan persepsi TVET berlangsung secara meluas. Antara platfom tersebut, Facebook menjadi medium terbanyak digunakan bagi interaksi awam melalui hantaran dan komen.  Kajian ini menggunakan analisis sentimen bagi menganalisis perbincangan berkaitan TVET di Facebook dengan mengkategorikan sentimen kepada positif, neutral, dan negatif. Kaedah Frekuensi Dokumen Terma Frequency-Inverse (TF-IDF) digunakan bagi mengekstrak pandangan bermakna dan seterusnya menerapkan enam pengklasifikasi yang terdiri daripada Mesin Sokongan Vaktor (SVM), Naïve Bayes (NB), Pokok Keputusan (DT), Rawak Forest (RF), K-Nearest Neighbour (KNN), dan Regriasi Logistik (LR). Menggunakan peratusan data pembahagian latihan dan ujian sebanyak 80%-20%, dapatan kajian menunjukkan bahawa SVM mencapai prestasi ketepatan tertinggi dengan skor 0.62,  mengatasi pengklasifikasi lain. Oleh itu, kajian ini memberi pandangan berharga kepada penggubal dasar dan pihak berkepentingan dalam ekosistem TVET. Dengan memanfaatkan analisis sentimen dan pembelajaran mesin, penggubal dasar dapat memperoleh pemahaman mendalam tentang persepsi awam dan membangunkan strategi berinformasi bagi menyelaras dan meningkatkan sistem TVET.