<![CDATA[Abstrak - Penilaian terhadap dosen merupakan salah satu instrumen penting dalam upaya peningkatan mutu pembelajaran di lingkungan perguruan tinggi. Salah satu bentuk penilaian tersebut adalah angket terbuka yang berisi komentar-komentar mahasiswa. Penelitian ini bertujuan untuk mengklasifikasikan komentar-komentar tersebut ke dalam kategori sentimen positif, negatif, atau netral dengan menggunakan pendekatan lexicon-based berbasis kamus INSET (Indonesian Sentiment Lexicon) dan teknik N-Gram (1-gram hingga 3-gram). Proses klasifikasi melibatkan tahapan-tahapan seperti tokenisasi, case folding, normalisasi, pembentukan N-Gram, stemming, dan pencocokan frasa atau kata dengan entri pada kamus INSET. Berdasarkan pengujian terhadap 50 komentar mahasiswa, sistem mampu mengenali sejumlah ekspresi sentimen secara cukup akurat, khususnya pada komentar eksplisit yang sesuai dengan entri kamus. Hasil evaluasi menunjukkan bahwa pendekatan ini menghasilkan akurasi sebesar 40%, dengan nilai precision, recall, dan F1-score tertinggi diperoleh pada kelas sentimen positif. Meskipun demikian, sistem masih memiliki keterbatasan dalam menangani komentar yang mengandung sentimen campuran, kritik implisit, atau penggunaan bahasa informal khas mahasiswa. Oleh karena itu, pengembangan lanjutan disarankan dengan memperluas cakupan kamus INSET dan mengintegrasikan teknik analisis berbasis konteks untuk meningkatkan performa klasifikasi sentimen secara keseluruhan.Kata kunci: Klasifikasi Sentimen; Lexicon-Based; INSET; N-Gram; Penilaian Dosen; Abstract - Lecturer evaluation is one of the key instruments in efforts to improve the quality of learning in higher education institutions. One form of this evaluation is open-ended questionnaires containing student comments. This study aims to classify these comments into positive, negative, or neutral sentiment categories using a lexicon-based approach supported by the INSET (Indonesian Sentiment Lexicon) and N-Gram techniques (1-gram to 3-gram). The classification process involves several stages: tokenization, case folding, normalization, N-Gram formation, stemming, and phrase or word matching with entries in the INSET lexicon. Based on testing 50 student comments, the system was able to accurately identify several sentiment expressions, particularly in explicit comments that matched the lexicon entries. Evaluation results show that this approach achieved an accuracy of 40%, with the highest precision, recall, and F1-score observed in the positive sentiment class. Nevertheless, the system still has limitations in handling mixed sentiments, implicit criticism, or informal language commonly used by students. Therefore, future development is recommended by expanding the coverage of the INSET lexicon and integrating context-aware analytical techniques to enhance overall sentiment classification performance.Keywords: Sentiment Classification; Lexicon-Based; INSET; N-Gram; Lecturer Evaluation;]]>
Copyrights © 2025
