<![CDATA[AbstrakKeberadaan kuisioner dapat membantu instansi manapun untuk meningkatkan fasilitas ataupunkinerjanya. Tetapi dengan kuisioner yang berjumlah ratusan bahkan ribuan akan menyulitkan instansiuntuk mengetahui kesimpulan dari seluruh data kuisioner. Data kuisioner yang diambil sebagai acuanyaitu data yang berisi tanggapan positif dan negatif. Oleh karena itu, penelitian ini menganalisis kuisionermengenai fasilitas di Universitas Telkom. Analisis dilakukan dengan melakukan klasifikasi kuisioner yangberisi sentimen mahasiswa tentang fasilitas di Universitas Telkom. Metode klasifikasi yang digunakandalam penelitian ini adalah Jaringan Saraf Tiruan (JST) dengan model Multi Layer Perceptron yangdikombinasikan dengan fitur ekstraksi untuk dapat mendeteksi negasi dan pembobotan menggunakanTerm Frequency – Inverse Document Frequency (TF-IDF). Hasil pengujian pada aplikasi yang dibangunmemperlihatkan bahwa akurasi memberikan tingkat akurasi yang baik hingga 91,23%.Kata kunci: analisis sentimen, jaringan saraf tiruan, multi layer perceptron, TF-IDFAbstractThe existence of a questionnaire can help any agency to improve its facilities or performance. But withhundreds or thousands of questionnaires it will be difficult for agencies to find conclusions from allquestionnaire data. Questionnaire data taken as a reference are data that contain positive, negative, andneutral responses. Therefore, this study tried to analyze the questionnaire regarding facilities at TelkomUniversity. The analysis was carried out by classifying questionnaires containing student sentiments aboutfacilities at Telkom University. The classification method used in this study is Artificial Neural Networks(ANN) with a Multi Layer Perceptron model combined with extraction features to be able to detect negationand weighting using Term Frequency – Inverse Document Frequency (TF-IDF). The test results on theapplications that are built show that accuracy provides a good level of accuracy, and can be implemented.Keywords: sentiment analysis, artificial neural network, multi layer perceptron, TF-IDF]]>
