<![CDATA[Abstrak - Sistem Layanan KPST di STMIK Widya Cipta Dharma menghadapi tantangan disparitas kepuasan mahasiswa, terutama dalam aspek administratif dan bimbingan akademik. Tujuan: Penelitian ini bertujuan untuk menganalisis sentimen mahasiswa secara komprehensif menggunakan algoritma Support Vector Machine (SVM) dengan dataset aktual, mengoptimasi hyperparameter, dan mengatasi ketidakseimbangan data. Metode: Data dikumpulkan melalui survei terstruktur (N=150 responden), diproses dengan TF-IDF (ngram_range=(1,3), max_features=1500), dan diklasifikasi menggunakan SVM dengan teknik GridSearchCV untuk optimasi parameter (C=10, gamma=0.01, kernel=RBF). SMOTE diterapkan untuk menangani ketidakseimbangan kelas. Hasil: Model mencapai akurasi 82.3% dengan presisi 80.1% pada kelas minoritas (negatif). Analisis mengungkap sentimen positif dominan (68%) pada kecepatan respons admin (skor 4.0), namun isu kritis teridentifikasi di antarmuka pengguna (32% komentar negatif) dan kualitas bimbingan (skor 3.5). Kesimpulan: Penelitian ini membuktikan efektivitas SVM dalam analisis sentimen akademik, dengan rekomendasi spesifik untuk redesain UI/UX dan integrasi sistem notifikasi otomatis. Temuan juga menyoroti pentingnya penanganan ketidakseimbangan data dalam klasifikasi teks.Kata kunci: Analisis Sentimen; Support Vector Machine (SVM); Sistem Layanan KPST; Ketidakseimbangan Data; Optimasi Hyperparameter; UI/UX Akademik. Abstract - The KPST Service System at STMIK Widya Cipta Dharma faces challenges in student satisfaction disparities, particularly in administrative and academic guidance aspects. Objective: This study aims to comprehensively analyze student sentiment using the Support Vector Machine (SVM) algorithm with real-world datasets, optimizing hyperparameters and addressing data imbalance. Method: Data was collected through structured surveys (N=150 respondents), processed with TF-IDF (ngram_range=(1,3), max_features=1500), and classified using SVM with GridSearchCV for parameter optimization (C=10, gamma=0.01, kernel=RBF). SMOTE was applied to handle class imbalance. Results: The model achieved 82.3% accuracy with 80.1% precision for the minority class (negative). Analysis revealed dominant positive sentiment (68%) on administrative response (score 4.0), but critical issues were identified in user interface (32% negative feedback) and academic guidance quality (score 3.5). Conclusion: This research demonstrates SVM's effectiveness in academic sentiment analysis, with specific recommendations for UI/UX redesign and automated notification system integration. Findings also highlight the importance of addressing data imbalance in text classification.Keywords: Sentiment Analysis; Support Vector Machine (SVM); KPST Service System; Data Imbalance; Hyperparameter Tuning; Academic UI/UX.]]>
Copyrights © 2025
