<![CDATA[Analisis sentimen terhadap ulasan mahasiswa berperan penting dalam meningkatkan kualitas layanan biro akademik. Penelitian ini membandingkan kinerja algoritma Support Vector Machine (SVM) dengan Recursive Feature Elimination (SVM-RFE) dan Recurrent Neural Network dengan Long Short-Term Memory (RNN-LSTM) dalam menganalisis sentimen ulasan mahasiswa terkait pelayanan Biro Akademik Universitas Annuqayah. Data dikumpulkan melalui Google Form dan diproses menggunakan tahapan cleaning, case folding, stopword removal, tokenization, dan stemming. Hasil evaluasi menunjukkan bahwa SVM mencapai akurasi tertinggi sebesar 93,75%, diikuti oleh SVM-RFE (90,63%), RNN-LSTM (87,50%), dan RNN (81,25%). Temuan ini mengindikasikan bahwa SVM lebih unggul dalam mengklasifikasikan sentimen pada dataset ini, sementara SVM-RFE menunjukkan performa yang kompetitif dengan seleksi fitur yang tepat. Meskipun RNN dan RNN-LSTM dikenal efektif dalam menangani data sekuensial, pada penelitian ini, SVM dan SVM-RFE terbukti lebih optimal untuk analisis sentimen ulasan mahasiswa. Hasil penelitian ini memberikan wawasan bagi pemilihan algoritma analisis sentimen di lingkungan pendidikan tinggi. Pemilihan model yang tepat bergantung pada karakteristik data serta tujuan analisis yang diinginkan.]]>
Copyrights © 2024
