Analisis Sentimen Kepuasan Mahasiswa Terhadap Fasilitas Kampus ITSB Menggunakan Algoritma SVM, Naïve Bayes, dan Random Forest
DOI:
https://doi.org/10.33795/jip.v12i4.9833Keywords:
Analisis Sentimen, Fasilitas Pembelajaran, Naïve Bayes, Random Forest, SMOTE, SVM, TF-IDFAbstract
Fasilitas pembelajaran merupakan faktor krusial dalam menunjang efektivitas Pendidikan di perguruan tinggi. Institut Teknologi Bandung (ITSB) memerlukan sistem evaluasi dengan efisiensi tinggi untuk menggantikan metode konvensional yang dinilai kurang optimal. Penelitian ini bertujuan menganalisis sentimen kepuasan mahasiswa terhadap kualitas fasilitas kampus dengan membandingkan tiga algoritma klasifikasi supervised learning, yaitu Support Vector Machine (SVM), Naïve Bayes, dan Random Forest. Pengumpulan data dengan penyebaran kuesioner yang selanjutnya diidentifikasi berdasarkan aspek fasilitas spesifik. Analisis data menggunakan metode statistik deskriptif dan inferensial untuk memahami karakteristik dan distribusi data. Pembobotan kata dilakukan dengan ekstraksi fitur Term Frequency-Inverse Document Frequency (TF-IDF) untuk membantu model mengenali pola sentimen mahasiswa. Perbandingan akurasi model dilakukan dengan menerapkan Synthetic Minority Over-sampling Technique (SMOTE) pada setiap algoritma. Pelatihan model menunjukkan SMOTE mampu meningkatkan performa klasifikasi secara signifikan terutama pada algoritma SVM yang menghasilkan nilai akurasi tertinggi sebesar 78.57%. Penelitian ini membuktikan metode analisis data sentimen menggunakan algoritma klasifikasi dapat menjadi solusi dalam memetakan prioritas peningkatan kualitas fasilitias secara objektif dan efisien
Downloads
References
Alfaridzi, D. D., Pudjiantoro, T. H., & Santikarama, I. (2025). Implementation of Aspect-Based Sentiment Analysis for Outdoor Gear Product Reviews on the Tokopedia E-Commerce Platform (Case Study: Eiger Adventure). Holistic Science, 5(2), 173–184. https://doi.org/10.56495/hs.v5i2.1230
Atmajaya, D., Febrianti, A., & Darwis, H. (2023). Metode SVM dan Naive Bayes untuk Analisis Sentimen ChatGPT di Twitter. The Indonesian Journal of Computer Science, 12(4). https://doi.org/10.33022/ijcs.v12i4.3341
Dewi, T. A., & Mailoa, E. (2023). Perbandingan Implementasi Metode Smote Pada Algoritma Support Vector Machine (Svm) Dalam Analisis Sentimen Opini Masyarakat Tentang Mixue. Jurnal Indonesia : Manajemen Informatika Dan Komunikasi, 4(3), 849–855. https://doi.org/10.35870/jimik.v4i3.289
Farizi, G. hirzi, Voutama, A., & Hakim, A. D. (2025). Analisis sentimen mahasiswa terhadap ketersediaan fasilitas di fakultas ilmu komputer universitas singaperbangsa karawang. Jurnal Informatika Dan Teknik Elektro Terapan, 13(3). https://doi.org/10.23960/jitet.v13i3.6544
Fitriyana, V., Lutfi Hakim, Dian Candra Rini Novitasari, & Ahmad Hanif Asyhar. (2023). Analisis Sentimen Ulasan Aplikasi Jamsostek Mobile Menggunakan Metode Support Vector Machine. Jurnal Buana Informatika, 14(01), 40–49. https://doi.org/10.24002/jbi.v14i01.6909
Gunawan, B., Pratiwi, H. S., & Pratama, E. E. (2018). Sistem Analisis Sentimen pada Ulasan Produk Menggunakan Metode Naive Bayes. Jurnal Edukasi Dan Penelitian Informatika (JEPIN), 4(2), 113. https://doi.org/10.26418/jp.v4i2.27526
Hokijuliandy, E., Napitupulu, H., & Firdaniza, F. (2023). Analisis Sentimen Menggunakan Metode Klasifikasi Support Vector Machine (SVM) dan Seleksi Fitur Chi-Square. SisInfo : Jurnal Sistem Informasi Dan Informatika, 5(2), 40–49. https://doi.org/10.37278/sisinfo.v5i2.670
Julianto, A., Siregar, N. S., & Hadi, K. A. (2024). Analisis Kepuasan Mahasiswa Ditinjau dari Kinerja Dosen dan Fasilitas Pembelajaran di STIT Al-Quraniyah Manna Bengkulu. Muallimun : Jurnal Kajian Pendidikan Dan Keguruan, 4(2), 119–140. https://doi.org/10.23971/muallimun.v4i2.8935
Jumiati, S., Riyanto, Y., Izzati, U. A., Khamidi, A., Hariyati, N., & Rifqi, A. (2024). Pengaruh Motivasi Belajar dan Fasilitas Pembelajaran terhadap Prestasi Akademik Siswa. Journal of Education Research, 5(2), 2371–2378. https://doi.org/10.37985/jer.v5i2.1116
Pratama, D. H., & Jatnika, I. (2026). Pengembangan Model Analisis Sentimen Aplikasi Fintech Dengan Algoritma Klasifikasi Dan Tf-Idf. Jurnal Sains Sistem Informasi, 4(1), 10. https://doi.org/10.31602/jssi.v4i1.21234
Putri Ajie, Z., & Wardhana, A. (2025). Analisis Sentimen Negatif Publik pada Tagar #KaburAjaDulu di Media Sosial “X.” Jurnal Audiens, 6(3), 430–442. https://doi.org/10.18196/jas.v6i3.608
Radhi, M., Amalia, A., Sitompul, D. R. H., Sinurat, S. H., & Indra, E. (2022). Analisis Big Data Dengan Metode Exploratory Data Analysis (Eda) Dan Metode Visualisasi Menggunakan Jupyter Notebook. Jurnal Sistem Informasi Dan Ilmu Komputer Prima(JUSIKOM PRIMA), 4(2), 23–27. https://doi.org/10.34012/jurnalsisteminformasidanilmukomputer.v4i2.2475
Sari, R. Y., Nazuwatussya’diyah, N., & Mardhiyatna, M. (2025). Analisis Sentimen Digital Publik terhadap Perguruan Tinggi Negeri Menggunakan Google Review: Studi Kasus ITERA. Jurnal Pustaka AI (Pusat Akses Kajian Teknologi Artificial Intelligence), 5(2), 298–305. https://doi.org/10.55382/jurnalpustakaai.v5i2.1163
Sun, Z., Wang, G., Li, P., Wang, H., Zhang, M., & Liang, X. (2024). An improved random forest based on the classification accuracy and correlation measurement of decision trees. Expert Systems with Applications, 237, 121549. https://doi.org/10.1016/j.eswa.2023.121549
Triandes Sinaga, Kevin Bastian Sirait, Pangaribuan, J. J., Barus, O. P., & Romindo, R. (2025). Analisis Kualitas Wine Menggunakan Machine Learning dengan Pendekatan SMOTE dan Seleksi Fitur. INSOLOGI: Jurnal Sains Dan Teknologi, 4(3), 656–668. https://doi.org/10.55123/insologi.v4i3.5436
Usman, N. S. Bin, Rumana, N. A., Putra, D. H., & Fannya, P. (2024). Analisis Sentimen Pada Kolom Saran Indeks Kepuasan Mahasiswa Terhadap Kinerja Dosen. Jurnal Manajemen Pendidikan, 9(2 SE-Articles), 241–252. https://doi.org/10.34125/jmp.v9i2.344
Zhafira, D. F., Rahayudi, B., & Indriati, I. (2021). Analisis Sentimen Kebijakan Kampus Merdeka Menggunakan Naive Bayes dan Pembobotan TF-IDF Berdasarkan Komentar pada Youtube. Jurnal Sistem Informasi, Teknologi Informasi, Dan Edukasi Sistem Informasi, 2(1). https://doi.org/10.25126/justsi.v2i1.24
