PERBANDINGAN METODE SUPPORT VECTOR MACHINE DAN NAÏVE BAYES DALAM ANALISIS SENTIMEN TERHADAP DOSEN PENGAJAR: STUDI KASUS SALAH SATU UNIVERSITAS DI BANJARMASIN

Samsinah Fatmawati (2024) PERBANDINGAN METODE SUPPORT VECTOR MACHINE DAN NAÏVE BAYES DALAM ANALISIS SENTIMEN TERHADAP DOSEN PENGAJAR: STUDI KASUS SALAH SATU UNIVERSITAS DI BANJARMASIN. PROGRAM STUDI SARJANA SISTEM INFORMASI FAKULTAS SAINS DAN TEKNOLOGI UNIVERSITAS SARI MULIA BANJARMASIN 2024.

Text SKRIPSI_SAMSINAH F - Samsinah F.pdf Download (4MB)

Abstract

Menurut Badan Pusat Statistik Indonesia, lulusan perguruan tinggi mendominasi partisipasi angkatan kerja, dan dosen adalah elemen kunci dalam pembelajaran di perguruan tinggi. Evaluasi kinerja dosen penting untuk mengetahui mutu pembelajaran, karena opini mahasiswa mempengaruhi kualitas pembelajaran, namun karena jumlah data yang besar dan masih diolah secara manual, diperlukan mekanisme untuk mengolah data tersebut agar lebih efisien yaitu dengan menggunakan analisis sentimen. Tujuan: Penelitian ini bertujuan untuk menilai efektivitas metode Support Vector Machine (SVM) dan Naïve Bayes dalam analisis sentimen dan untuk mengetahui sentimen mahasiswa terhadap dosen guna membantu universitas memahami persepsi mahasiswa dan meningkatkan kualitas pengajaran. Metode: Penelitian dilakukan dengan mengumpulkan data komentar mahasiswa yang diolah melalui proses pre-processing, labeling, dan pembagian data. Algoritma SVM dan Naïve Bayes kemudian diterapkan untuk klasifikasi sentimen dan dievaluasi menggunakan confusion matrix Hasil: penelitian menunjukkan bahwa SVM memiliki akurasi lebih tinggi, yaitu 98% dibandingkan Naïve Bayes yang hanya 94% dalam analisis sentimen terhadap dosen dengan klasifikasi sentimen positif dan negatif. Simpulan: Metode SVM lebih efektif dibandingkan Naïve Bayes dalam mengklasifikasikan sentimen terhadap dosen pengajar. Analisis sentimen ini dapat membantu universitas memahami persepsi mahasiswa dan meningkatkan kualitas pengajaran serta mengoptimalkan peran dosen pengajar.

Actions (login required)

View Item