Albab, M. Ulil (2024) PERBANDINGAN ALGORITMA ANALISIS SENTIMEN TINGKAT KEPUASAN OPERATOR PERGURUAN TINGGI TERHADAP PENINGKATAN APLIKASI NEO FEEDER DI LLDIKTI WILAYAH VI SEMARANG JAWA TENGAH. S2 - Magister thesis, Universitas AMIKOM Yogyakarta.
![[img]](https://eprints.amikom.ac.id//style/images/fileicons/text.png) |
Text (THESIS)
21.52.2125 M. Ulil Albab.pdf Download (4MB) |
Abstract
Analisa sentimen tingkat kepuasan operator PDDikti menjadi sangat penting untuk mengetahui bagaiamana perasaan dari para operator PDDikti setelah ditingkatkannya versi aplikasi pelaporan akademik pada perguruan tinggi yaitu Neo Feeeder. Peningkatan versi aplikasi ini mengakibatkan beberapa fitur didalamnya tidak mampu berfungsi sebagaimana mestinya. Sehingga beberapa aktivitas pelaporan akademik dari perguruan tinggi mengalami terkendala. Akibat dari kondisi ini dampak yang paling dirasakan adalah mahasiswa, dimana mahasiswa mengalami keterlambatan kelulusan. Maka diperlukan evaluasi melalui analisis sentimen dari para operator PDDikti guna untuk mengetahui respon dari operator dan mampu memberikan saran positif terhadap developer dari aplikasi pelaporan PDDikti. Pada penelitian ini menerapkan beberapa metode pengklasifian analisis sentimen sekaligus, diantaranya adalah Random Forest, Support Vector Machine, Multinomial Naïve Bayes, Decision Tree dan K-Nearest Neighbor. Beberapa teknik eksperimen juga diterapkan pada penelitian ini karena terjadi kasus data kelas tidak seimbang pada saat setelah pelabelan data. Dan beberapa teknik vectorizer juga diterpakan untuk meingkatkan nilai akurasi. Eksperimen ini bertujuan untuk mendukung kinerja dari model klasifikasi yang telah diusulkan. Dengan teknik oversampling dan countvectorizer mampu meningkatkan performa dari kinerja algoritma klasifikasi. Performa dari algoritma klasifikasi tertinggi adalah pada algoritma Random Forest yang menghasilkan akurasi pada saat testing data yaitu mencapai 84%. Terbukti dengan oversampling dan countvectorizer mampu membantu kinerja dari algoritma klasifikasi menjadi lebih optimal. Dengan demikian perlu diketahui bahwasannya kesimbangan kelas data menjadi faktor penting pada saat diterapkannya metode klasifikasi.
| Item Type: | Thesis (S2 - Magister) | |||
|---|---|---|---|---|
| Contributor: |
|
|||
| Uncontrolled Keywords: | Analisa Sentimen, Klasifikasi, Oversampling, Kelas Tidak Seimbang, CountVectorizer | |||
| Subjects: | 000 - Komputer, Informasi dan Referensi Umum > 000 Ilmu komputer, ilmu pengetahuan dan sistem-sistem > 004 Pemrosesan data dan ilmu komputer 000 - Komputer, Informasi dan Referensi Umum > 000 Ilmu komputer, ilmu pengetahuan dan sistem-sistem > 005 Pemrograman komputer, program dan data 000 - Komputer, Informasi dan Referensi Umum > 000 Ilmu komputer, ilmu pengetahuan dan sistem-sistem > 006 Metode komputer khusus |
|||
| Divisions: | Pascasarjana Magister Informatika > Magister Informatika | |||
| Depositing User: | RC Universitas AMIKOM Yogyakarta | |||
| Date Deposited: | 24 Mar 2025 04:15 | |||
| Last Modified: | 24 Mar 2025 04:15 | |||
| URI: | http://eprints.amikom.ac.id/id/eprint/29058 |
Actions (login required)
 |
View Item |