Perbandingan Metode Analisis Sentimen Pelayanan Daring di Fakultas Teknik dan Kejuruan Universitas Pendidikan Ganesha Menggunakan Algoritma Naïve Bayes dan LSTM: Sentiment Analysis of Online Services at the Engineering and Vocational Faculty of Ganesha Education University Using Naïve Bayes and LSTM Algorithms

Ni Kadek Tesya Ari Saputri; I Gede Aris Gunadi; I Made Gede Sunarya

doi:10.57152/malcom.v4i3.1336

Authors

Ni Kadek Tesya Ari Saputri Universitas Pendidikan Ganesha
I Gede Aris Gunadi Universitas Pendidikan Ganesha
I Made Gede Sunarya Universitas Pendidikan Ganesha

DOI:

https://doi.org/10.57152/malcom.v4i3.1336

Keywords:

Analisis Sentimen, COVID-19, LSTM, Naïve Bayes

Abstract

Salah satu fakultas di Univesitas Pendidikan Ganesha yaitu Fakultas Teknik dan Kejuruan (FTK) yang menerapkan pelayanan daring di masa pandemi COVID-19. Berbagai komentar muncul saat dilakukan pelayanan daring ini sehingga perlu dilakukannya sebuah analisis. Mahasiswa memberikan pendapat positif dan negatif. Untuk menganalisis komentar mahasiswa menggunakan metode Naive Bayes dan Long Short-Term Memory (LSTM). Data yang digunakan merupakan informasi yang diperoleh dari penyebaran angket yang diisi oleh mahasiswa FTK. Evaluasi matriks konfusi termasuk akurasi, presisi, recall, dan f-measure. Penelitian ini bertujuan untuk membandingkan kedua metode Naive Bayes dan LSTM serta mendeteksi kata-kata yang sering muncul pada pelayanan daring FTK dengan membandingkan stopword yang dikumpulkan pada saat pemrosesan kuesioner. Menguji keakuratan metode klasifikasi Naïve Bayes dan hasilnya adalah 83,69%. Hasil klasifikasi metode LSTM mencapai akurasi sebesar 53,12%. Nilai akurasi LSTM yang dihasilkan sangat rendah. Mungkin alasan utamanya adalah hanya komentar positif yang terbaca saat mencoba metode LSTM. Penyebab lainnya yaitu dataset yang juga dapat mempengaruhi. Dengan membandingkan kinerja Naive Bayes dan LSTM, diperoleh hasil yang menunjukkan metode Naïve Bayes lebih unggu untuk menganalisis komentar mahasiswa FTK Undiksha.

Downloads

Download data is not yet available.

References

Bhatia, S., Sharma, M., & Bhatia, K. K. (2018). Sentiment Analysis and Mining of Opinions. Studies in Big Data, 30(May), 503–523. https://doi.org/10.1007/978-3-319-60435-0_20.

Fernandes, Y. D., & Marlius, D. (2018). Peranan Customer Service Dalam Meningkatkan Pelayanan Kepada Nasabah Pada PT. Bank Pembangunan Daerah Sumatera Barat Cabang Utama Padang.

Cahyo, A. D. (2023). METODE NAIVE BAYES UNTUK KLASIFIKASI MASA STUDI SARJANA. Jurnal Teknologi Pintar, 3(4).

Iman, F. N., & Wulandari, D. (2023). Prediksi Harga Saham Menggunakan Metode Long Short Term Memory. LOGIC: Jurnal Ilmu Komputer Dan Pendidikan, 1(3), 601-616.

Muhammadin, A., & Sobari, I. A. (2021). Analisis Sentimen Pada Ulasan Aplikasi Kredivo Dengan Algoritma Svm Dan Nbc. Reputasi: Jurnal Rekayasa Perangkat Lunak, 2(2), 85-91.

Aeni, K. A. (2020). Prediksi Kepuasan Layanan Akademik Menggunakan Algoritma Naïve Bayes. JATISI (Jurnal Teknik Informatika Dan Sistem Informasi), 7(3), 601–609. https://doi.org/10.35957/jatisi.v7i3.603.

Amrustian, M. A., Widayat, W., & Wirawan, A. M. (2022). Analisis Sentimen Evaluasi Terhadap Pengajaran Dosen di Perguruan Tinggi Menggunakan Metode LSTM. Jurnal Media Informatika Budidarma, 6(1), 535. https://doi.org/10.30865/mib.v6i1.3527.

Isnain, A. R., Sulistiani, H., Hurohman, B. M., Nurkholis, A., & Styawati, S. (2022). Analisis Perbandingan Algoritma LSTM dan Naive Bayes untuk Analisis Sentimen. JEPIN (Jurnal Edukasi dan Penelitian Informatika), 8(2), 299-303.

Hadna, N. M. S., Santosa, P. I., & Winarno, W. W. (2016). Studi literatur tentang perbandingan metode untuk proses analisis sentimen di Twitter. Semin. Nas. Teknol. Inf. dan Komun, 2016, 57-64.

Makbul, M. (2021). Metode pengumpulan data dan instrumen penelitian.

Harmayani, H., Abdilah, D., Mapilindo, M., Oktopanda, O., & Hutahaean, J. (2021). Aplikasi Komputer. Yayasan DPI, 1-89.

Syukri Mustafa, M., Rizky Ramadhan, M., & Thenata, A. P. (2017). Implementasi Data Mining untuk Evaluasi Kinerja Akademik Mahasiswa Menggunakan Algoritma Naive Bayes Classifier. Citec Journal, 4(2), 151–162.

Rahman, M. Z., Sari, Y. A., & Yudistira, N. (2021). Analisis Sentimen Tweet COVID-19 menggunakan Word Embedding dan Metode Long Short-Term Memory (LSTM). Jurnal Pengembangan Teknologi Informasi Dan Ilmu Komputer, 5(11), 5120–5127. Retrieved from http://j-ptiik.ub.ac.id.

S., Fadlil, A., & -, S. (2018). Analisis Sentimen Menggunakan Metode Naïve Bayes Classifier Pada Angket Mahasiswa. Saintekbu, 10(2), 1–9. https://doi.org/10.32764/saintekbu.v10i2.190.

Amrustian, M. A., Widayat, W., & Wirawan, A. M. (2022). Analisis Sentimen Evaluasi Terhadap Pengajaran Dosen di Perguruan Tinggi Menggunakan Metode LSTM. Jurnal Media Informatika Budidarma, 6(1), 535. https://doi.org/10.30865/mib.v6i1.3527.

Wijaya, A. P., & Santoso, H. A. (2016). Naive Bayes Classification pada Klasifikasi Dokumen Untuk Identifikasi Konten E-Government Naïve Bayes Classification on Document Classification to Identify E-Government Content. Journal of Applied Intelligent System, 1(1), 48–55.

Hochreiter, S., & Schmidhuber, J. (1997). Long Short-Term Memory. Neural Computation, 9(8), 1735–1780. https://doi.org/10.1162/neco.1997.9.8.1735.

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.

Aldi, M. W. P., Jondri, & Aditsania, A. (2018). Analisis dan Implementasi Long Short-Term Memory Neural Network untuk Prediksi Harga Bitcoin. Jurnal Informatika, 5, No (2), 3548. Retrieved from http://openlibrarypublications.telkomniversity.ac.id.

Syafrizal, S., Afdal, M., & Novita, R. (2024). Analisis Sentimen Ulasan Aplikasi PLN Mobile Menggunakan Algoritma Naïve Bayes Classifier dan K-Nearest Neighbor: Sentiment Analysis of PLN Mobile Application Review Using Naïve Bayes Classifier and K-Nearest Neighbor Algorithm. MALCOM: Indonesian Journal of Machine Learning and Computer Science, 4(1), 10-19.

Nasution, M. R. A., & Hayaty, M. (2019). Perbandingan Akurasi dan Waktu Proses Algoritma K-NN dan SVM dalam Analisis Sentimen Twitter. Jurnal Informatika, 6(2), 226–235. https://doi.org/10.31311/ji.v6i2.5129.

Muhammadin, A., & Sobari, I. A. (2021). Analisis Sentimen Pada Ulasan Aplikasi Kredivo Dengan Algoritma Svm Dan Nbc. Reputasi: Jurnal Rekayasa Perangkat Lunak, 2(2), 85-91.