TA: Analisis Sentimen pada Angket Mahasiswa Universitas Dinamika Menggunakan Algoritma Naive Bayes
| Main Author: | Sunandar, Sunandar |
|---|---|
| Format: | Thesis NonPeerReviewed Book |
| Bahasa: | eng |
| Terbitan: |
, 2020
|
| Subjects: | |
| Online Access: |
https://repository.dinamika.ac.id/id/eprint/5299/1/13410100249-2020-UNIVERSITASDINAMIKA.pdf https://repository.dinamika.ac.id/id/eprint/5299/2/13410100249-2020-LAMPIRAN.pdf https://repository.dinamika.ac.id/id/eprint/5299/ |
Daftar Isi:
- Universitas Dinamika (Undika) melakukan pengambilan angket untuk mengevaluasi proses belajar mengajar yang dilakukan oleh mahasiswa dan dosen. angket diambil dua hasil yaitu hasil nilai dari perhitungan isian combo box dan komentar atau saran dari mahasiswa. Angket diambil dalam satu kelas yang jumlah mahasiswanya kurang lebih 30 orang, sedangkan untuk mengambil kesimpulan dari komentar harus membaca komentar satu persatu di setiap kelasnya. Hal tersebut memerlukan waktu yang cukup lama untuk bisa mengambil kesimpulan dari proses belajar mengajar dalam satu kelas. Berdasarkan permasalahan yang ada, solusi yang diberikan adalah aplikasi analisis sentimen. Analisis sentimen digunakan untuk menentukan apakah komentar mahasiswa positif, negatif atau netral. Aplikasi analisis sentimen pada penelitian ini menggunakan modul github sastrawi untuk melakukan proses filtering dan stemming. Data angket yang dijadikan bahan penelitian adalah data angket semester 171, 172, 181 dan 183 yang berjumlah kurang lebih 1300 data angket. Dari jumlah seluruh data angket diambil 100 data untuk dijadikan 80 data training dan 20 menjadi data testing. Setiap komentar dalam data angket mahasiswa dilakukan proses Text Pre-processing agar kalimat menjadi lebih terstruktur. Klasifikasi untuk menentukan komentar masuk kedalam kelas positif, negatif, atau netral menggunakan metode Naïve Bayes. Hasil dari klasifikasi menggunakan aplikasi akan dihitung akurasinya menggunakan metode Confusion Matrix. Hasil dari penelitian analisis sentimen dapat ditampilkan dalam bentuk grafik Bar untuk melihat satu kelas berapa persentase komentar positif, negatif, dan netral. Sedangkan hasil dari keseluruhan klasifikasi ditampilkan persentasenya dalam bentuk grafik Pie. Akurasi dari hasil klasifikasi menggunakan aplikasi sebesar 80%.