<![CDATA[Abstrak Penelitian ini bertujuan untuk menganalisis sentimen multi-kelas guna menilai tingkat kepuasan mahasiswa terhadap penggunaan aplikasi manajemen akademik berbasis web di lingkungan perguruan tinggi. Dengan menggunakan metode pemrosesan bahasa alami (Natural Language Processing, NLP) dan algoritma machine learning seperti Random Forest, Support Vector Machine (SVM), dan Neural Network, penelitian ini mengklasifikasikan komentar mahasiswa ke dalam beberapa kelas sentimen: positif, netral, dan negatif. Data dikumpulkan melalui survei online dan ulasan aplikasi yang tersedia selama semester genap tahun akademik 2023/2024. Hasil penelitian menunjukkan bahwa metode SVM memberikan akurasi terbaik sebesar 87,5% dalam klasifikasi sentimen multi-kelas. Temuan ini memberikan gambaran empiris mengenai persepsi mahasiswa dan dapat menjadi acuan bagi pengembang aplikasi akademik untuk meningkatkan kualitas layanan. Penelitian ini juga mengkaji faktor-faktor yang mempengaruhi kepuasan mahasiswa serta rekomendasi pengembangan aplikasi ke depan. Abstract This study aims to analyze multi-class sentiment to assess student satisfaction with web-based academic management applications in higher education institutions. Utilizing natural language processing (NLP) techniques and machine learning algorithms such as Random Forest, Support Vector Machine (SVM), and Neural Networks, this research classifies student comments into several sentiment categories: positive, neutral, and negative. Data were collected via online surveys and application reviews during the even semester of the 2023/2024 academic year. Results indicate that the SVM method achieved the highest accuracy of 87.5% in multi-class sentiment classification. These findings provide empirical insights into student perceptions and serve as a reference for academic application developers to improve service quality. The study also examines factors influencing student satisfaction and offers recommendations for future application development.]]>
