EduMood: Sistem Deteksi Sentimen Berbasis Web Menggunakan Metode Machine Learning untuk Identifikasi Awal Gejala Stres Mahasiswa

Muhammad, Riko Anshori Prasetya and Subhannur, Rahman and Arif, Mudi Priyatno and Mera, Mera (2025) EduMood: Sistem Deteksi Sentimen Berbasis Web Menggunakan Metode Machine Learning untuk Identifikasi Awal Gejala Stres Mahasiswa. [Karya Dosen UNISM]

Text 8042-Article Text-32015-1-10-20250801.pdf Download (1MB)

Abstract

Kesehatan mental mahasiswa menjadi isu penting yang perlu mendapat perhatian serius, terutama di era media sosial yang sarat tekanan psikologis. Penelitian ini bertujuan untuk mengembangkan sistem EduMood, sebuah sistem analisis sentimen berbasis web untuk mengidentifikasi masalah kesehatan mental mahasiswa dengan menganalisis tweet di Twitter. Data tweet dikumpulkan menggunakan kata kunci yang relevan dan melalui tahap preprocessing seperti pembersihan teks, pelabelan awal berbasis leksikon bilingual, dan penyeimbangan jumlah data antar kelas sentimen. Sistem ini menggunakan dua algoritma machine learning, Support Vector Machine (SVM) dan Naive Bayes dengan representasi fitur Term FrequencyInverse Document Frequency (TF-IDF). Hasil evaluasi menunjukkan bahwa SVM memiliki akurasi lebih tinggi sebesar 99,3% dibandingkan Naive Bayes yang mencapai 96,5% dengan skor f1 untuk semua kelas di atas 0,99 untuk SVM. EduMood diimplementasikan dalam bentuk aplikasi berbasis web menggunakan Flask dan Bootstrap 5, yang menyajikan hasil analisis melalui dashboard interaktif. Dashboard menampilkan distribusi sentimen secara agregat dalam bentuk diagram, wordcloud, tabel monitoring, dan prediksi manual teks. Hasil penelitian ini menunjukkan bahwa EduMood tidak hanya memberikan performa model yang sangat baik, tetapi juga menawarkan solusi praktis bagi pihak kampus untuk memantau kondisi psikologis mahasiswa secara cepat, berbasis data nyata, dan mudah diakses. Sistem ini diharapkan dapat mendukung upaya peningkatan kesehatan mental mahasiswa secara berkelanjutan.

Actions (login required)

View Item