ANALISIS KINERJA SUPPORT VECTOR MACHINE DAN NAÏVE BAYES CLASSIFIER DALAM KLASIFIKASI SENTIMEN DAN EMOSI PADA UMPAN BALIK MAHASISWA TERHADAP KINERJA DOSEN
Abstract
Evaluasi kinerja dosen melalui umpan balik mahasiswa merupakan komponen penting dalam meningkatkan mutu pembelajaran di perguruan tinggi. Penelitian ini bertujuan untuk mengembangkan model klasifikasi sentimen dan emosi menggunakan pendekatan hybrid machine learning dengan mengombinasikan algoritma Naïve Bayes dan Support Vector Machine (SVM). Dataset berasal dari umpan balik mahasiswa yang telah dianotasi secara manual ke dalam tiga kategori sentimen positif, netral, negatif dan delapan kategori emosi. Proses preprocessing dilakukan melalui tokenisasi, stemming, dan transformasi data ke dalam bentuk TF-IDF. Hasil klasifikasi menunjukkan bahwa SVM memiliki performa terbaik untuk klasifikasi sentimen dengan akurasi mencapai 90%, mengungguli Naïve Bayes yang hanya memperoleh akurasi 80%. Sebaliknya, performa klasifikasi emosi jauh lebih rendah, dengan akurasi maksimum 35% pada model SVM dan 20% pada Naïve Bayes. Beberapa emosi seperti “marah”, “termotivasi”, dan “senang” tidak dapat dikenali oleh model karena ketidakseimbangan distribusi data dan konteks emosi yang sulit ditangkap dari teks pendek. Temuan ini menunjukkan bahwa pendekatan hybrid efektif untuk klasifikasi sentimen dalam kondisi data terbatas, namun klasifikasi emosi memerlukan pendekatan lanjutan seperti reduksi label atau penggunaan model berbasis konteks untuk mencapai hasil yang lebih baik.
Kata kunci: Kinerja Dosen, Naïve Bayes Classifier (NBC), Support Vector Machine (SVM), Umpan Balik Mahasiswa.
Full Text:
PDFReferences
A. H. Zidny, S. H. Wijoyo, and S. A. Wicaksono, “Analisis Kinerja Support Vector Machine dan Naïve Bayes Classifier Pada Data Komentar Kualitas Mengajar Dosen ( Studi Kasus : Pendidikan Teknologi Informasi Universitas Brawijaya ),” vol. 1, no. 22, pp. 1–6, 2024.
F. Rumaisa, Y. Puspitarani, A. Rosita, A. Zakiah, and S. Violina, “Penerapan Natural Language Processing (NLP) di bidang pendidikan,” J. Inov. Masy., vol. 1, no. 3, pp. 232–235, 2021.
A. Koufakou, “Deep learning for opinion mining and topic classification of course reviews,” Educ. Inf. Technol., vol. 29, no. 3, pp. 2973–2997, 2023.
L. G. Thanveer Shaika, Xiaohui Taoa,, Christopher Dannb, Haoran Xiec, Yan Lia, “Sentiment analysis and opinion mining on educational data: A survey,” Nat. Lang. Process. J., vol. 2, no. Yan Li, p. 100003, 2023.
S. Wu et al., “A Comprehensive Exploration of Personalized Learning in Smart Education: From Student Modeling to Personalized Recommendations,” J. ACM, vol. 37, no. 4, 2024.
S. Lende et al., “Analisis Sentimen Siswa Terhadap Pelajaran Informatika di SMPK St. Yohanes Kalembu Lona Dengan Metode Naive Bayes Classifer,” J. Ilmu Komput. dan Sist. Inf., vol. 6, pp. 217–225, 2023.
D. Asti and R. A. Putri, “Analysis of Vina Film Sentiment on Social Media X Using The Naïve Bayes Method,” J. Comput. Networks, Archit. High Perform. Comput., vol. 6, no. 3, pp. 1278–1289, 2024.
U. Khairani, V. Mutiawani, and H. Ahmadian, “Pengaruh Tahapan Preprocessing Terhadap Model Indobert Dan Indobertweet Untuk Mendeteksi Emosi Pada Komentar Akun Berita Instagram,” J. Teknol. Inf. dan Ilmu Komput., vol. 11, no. 4, pp. 887–894, 2024.
T. V. Meiyanti, M. Hatta, and A. Sevtiana, “Analisis Sentimen Mahasiswa Dengan Dosen Menggunakan Metode Naïve Bayes Classifier Pada Kuesioner Dosen,” J. Manaj. Sist. Inf., vol. 1, no. 2, pp. 55–59, 2023.
S. S. Tandiapa and G. C. Rorimpandey, “Analisis Sentimen Ulasan Pengguna Pada Aplikasi Threads Dengan Metode Lexicon Based dan Naive Bayes Classifier,” J. Cahaya Mandalika, vol. 3, no. 1, pp. 339–353, 2024.
S. KHAIRUNNISA, “Pengaruh Text Preprocessing terhadap Analisis Sentimen Komentar Masyarakat pada Media Sosial Twitter (Studi Kasus Pandemi COVID-19),” Telkom Open Libr., 2021.
F. S. Pamungkas and I. Kharisudin, “Analisis Sentimen dengan SVM, NAIVE BAYES dan KNNuntuk Studi Tanggapan Masyarakat Indonesia TerhadapPandemi Covid-19 pada Media Sosial Twitter,” Pros. Semin. Nas. Mat., vol. 4, pp. 1–7, 2021.
A. J. S. Muhamad Hadi Arfian, Hendrian Sofu Maruhawa, Aulia Aisyah Putri, Dinah Ratulugina, Ellsza Ridzky Khoirunnisa, Verell Hermawan, “Analisis Sentimen Pada Media Sosial Menggunakan Metode Support Vector Machine,” J. Ilmu Tek. dan Kompu, vol. 8, no. 3, p. 1724, 2024.
L. G. Thanveer Shaika,, Xiaohui Taoa,, Christopher Dannb, Haoran Xiec, Yan Lia, “A Comparative Sentiment Analysis of Computer Engineering Student Feedback Using Decision Trees and SVM,” vol. 10, no. 1, pp. 71–82, 2025.
N. Dhianur Alam Putra, Didi Juardi, Arif Sholehudin, and Slamet Abadi, “Application Penerapan support vector machine pada analisis sentimen kebijakan pembelajaran tatap muka saat pandemi 2021,” INFOTECH J. Inform. Teknol., vol. 4, no. 2, pp. 190–199, 2023.
“Advances in Multimedia - 2022 - Xiang - Application of an Improved TF‐IDF Method in Literary Text Classification.pdf.” .
D. E. Cahyani and I. Patasik, “Performance comparison of tf-idf and word2vec models for emotion text classification,” Bull. Electr. Eng. Informatics, vol. 10, no. 5, pp. 2780–2788, 2021.
N. D. Firdaus and R. R. Suryono, “Perbandingan Algoritma Naive Bayes dan SVM dalam Analisis Sentimen Pengguna AI di Platform X,” vol. 6, no. 4, pp. 2624–2634, 2025.
I. Zulfahmi, H. Syahputra, S. I. Naibaho, M. A. Maulana, and E. P. Sinaga, “Perbandingan Algoritma Support Vector Machine (SVM) dan Decision Tree Untuk Deteksi Tingkat Depresi Mahasiswa,” J. Nas. Teknol. dan Sist. Inf., vol. 10, no. 1, p. 52, 2023.
N. C. Ramadani, I. Tahyudin, and A. Shouni Barkah, “Perbandingan Algoritma Support Vector Machine, Decision Tree, dan Logistic Regresion Pada Analisis Sentimen Ulasan Aplikasi Netflix,” J. Nas. Teknol. dan Sist. Inf., vol. 10, no. 2, pp. 110–117, 2024.
H. Setiawan, E. Utami, and S. Sudarmawan, “Analisis Sentimen Twitter Kuliah Online Pasca Covid-19 Menggunakan Algoritma Support Vector Machine dan Naive Bayes,” J. Komtika (Komputasi dan Inform., vol. 5, no. 1, pp. 43–51, 2021.
Merinda Lestandy, Abdurrahim Abdurrahim, and Lailis Syafa’ah, “Analisis Sentimen Tweet Vaksin COVID-19 Menggunakan Recurrent Neural Network dan Naïve Bayes,” J. RESTI (Rekayasa Sist. dan Teknol. Informasi), vol. 5, no. 4, pp. 802–808, 2021.
D. Wijaya, R. A. Saputra, and F. Irwiensyah, “Analisis Sentimen Ulasan Aplikasi Samsat Digital Nasional Pada Google Playstore Menggunakan Algoritma Naïve Bayes,” J. Nas. Teknol. dan Sist. Inf., vol. 4, no. 4, pp. 2369–2380, 2024.
T. Angelya, A. Rahman, and I. Pradesan, “Implementasi Sistem Klasifikasi Tim Kerja Menggunakan Algoritma Naïve Bayes (Studi Kasus: PT.MNL),” J. Nas. Teknol. dan Sist. Inf., vol. 9, no. 2, pp. 86–94, 2023.
K. A. Nugraha, “Analisis Sentimen Berbasis Emoticon pada Komentar Instagram Bahasa Indonesia Menggunakan Naïve Bayes,” J. Tek. Inform. dan Sist. Inf., vol. 7, no. 3, pp. 715–721, 2021.
M. F. Saleh and R. Imanda, “Public Sentiment Analysis of the Free Meal Program : A Comparison of Naive Bayes and Support Vector Machine Methods on the Twitter ( X ) Social Media Platform,” vol. 9, no. 1, pp. 131–139, 2025.
DOI: https://doi.org/10.51920/jd.v15i2.442
Refbacks
- There are currently no refbacks.
Copyright (c) 2025 Teguh Syafrudin, Arief Hermawan, Donny Avianto
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.
| Alamat Redaksi : LPPM Universitas Catur Insan Cendekia (UCIC) Jl. Kesambi 202, Kota Cirebon 45133, Prov. Jawa Barat, Indonesia Telp.(0231) 220 250 / 220 260 / 200 418 Fax.(0231) 242 112, E-mail:lppm@cic.ac.id Website: http://jurnaldigit.org | P ISSN : 2088-589X E ISSN : 2720-9636  This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License. |