Article Per Year (5 Year)
p-Index From 2021 - 2026
0.562
P-Index
This Author published in this journals
All Journal KOMPUTIKA - Jurnal Sistem Komputer Jurnal Digit : Digital of Information Technology Jurnal Pendidikan dan Teknologi Indonesia
Syafrudin, Teguh
Unknown Affiliation
Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Education Electrical & Electronics Engineering Engineering Industrial & Manufacturing Engineering

Published : 3 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 1 Documents
Search
Journal : Jurnal Digit : Digital of Information Technology

 1 
ANALISIS KINERJA SUPPORT VECTOR MACHINE DAN NAÏVE BAYES CLASSIFIER DALAM KLASIFIKASI SENTIMEN DAN EMOSI PADA UMPAN BALIK MAHASISWA TERHADAP KINERJA DOSEN Syafrudin, Teguh; Hermawan, Arief; Avianto, Donny
Jurnal Digit : Digital of Information Technology Vol 15, No 2 (2025)
Publisher : Universitas Catur Insan Cendekia (CIC) Cirebon

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.51920/jd.v15i2.442

Abstract

Evaluasi kinerja dosen melalui umpan balik mahasiswa merupakan komponen penting dalam meningkatkan mutu pembelajaran di perguruan tinggi. Penelitian ini bertujuan untuk mengembangkan model klasifikasi sentimen dan emosi menggunakan pendekatan hybrid machine learning dengan mengombinasikan algoritma Naïve Bayes dan Support Vector Machine (SVM). Dataset berasal dari umpan balik mahasiswa yang telah dianotasi secara manual ke dalam tiga kategori sentimen positif, netral, negatif dan delapan kategori emosi. Proses preprocessing dilakukan melalui tokenisasi, stemming, dan transformasi data ke dalam bentuk TF-IDF. Hasil klasifikasi menunjukkan bahwa SVM memiliki performa terbaik untuk klasifikasi sentimen dengan akurasi mencapai 90%, mengungguli Naïve Bayes yang hanya memperoleh akurasi 80%. Sebaliknya, performa klasifikasi emosi jauh lebih rendah, dengan akurasi maksimum 35% pada model SVM dan 20% pada Naïve Bayes. Beberapa emosi seperti “marah”, “termotivasi”, dan “senang” tidak dapat dikenali oleh model karena ketidakseimbangan distribusi data dan konteks emosi yang sulit ditangkap dari teks pendek. Temuan ini menunjukkan bahwa pendekatan hybrid efektif untuk klasifikasi sentimen dalam kondisi data terbatas, namun klasifikasi emosi memerlukan pendekatan lanjutan seperti reduksi label atau penggunaan model berbasis konteks untuk mencapai hasil yang lebih baik.Kata kunci: Kinerja Dosen, Naïve Bayes Classifier (NBC), Support Vector Machine (SVM), Umpan Balik Mahasiswa.
Co-Authors Donny Avianto Indra Maulana Rianto Rianto Teguh Syafrudin Ujianto, EIH