Perguruan tinggi rutin menerima keluhan mahasiswa terkait akademik, dosen, tenaga kependidikan, pembelajaran, fasilitas, dan keuangan, yang jika diklasifikasikan secara manual memakan waktu dan rawan subjektivitas. Penelitian ini mengusulkan sistem klasifikasi keluhan otomatis berbasis Long Short-Term Memory (LSTM) yang dipadukan dengan representasi kata FastText. Sebanyak 835 komentar keluhan dari lima program studi dikumpulkan dan dibersihkan menjadi 449 komentar unik, dikelompokkan ke dalam enam kategori: akademik, keuangan, layanan dosen, layanan tenaga kependidikan, pembelajaran, dan fasilitas. Setelah case folding, tokenisasi, dan padding, teks direpresentasikan dengan embedding FastText berdimensi 300 yang dilatih khusus pada data latih tiap fold untuk mencegah kebocoran data. Delapan arsitektur berbasis LSTM (LSTM, Bi-LSTM, Attention-LSTM, Attention-Bi-LSTM, serta varian gabungannya dengan lapisan konvolusi) dikembangkan dan dibandingkan, dengan class weighting untuk mengatasi ketidakseimbangan data. Evaluasi dilakukan melalui 5x5 repeated cross-validation (25 pengulangan) dan data uji terpisah (80:20) menggunakan metrik akurasi, presisi, recall, dan F1-score. Model Convolutional Attention-LSTM (CNN-A-LSTM) menunjukkan kinerja paling konsisten, dengan akurasi data uji 71,11% dan macro F1-score 0,719 (rata-rata validasi silang 0,732±0,037), mengungguli model dasar LSTM (akurasi 66,67%, F1-score 0,687; validasi silang 0,655±0,047). Paired t-test pada 25 pasangan validasi silang membuktikan ketujuh varian arsitektur meningkat signifikan dibanding model dasar (p<0,05), bahkan setelah koreksi Holm-Bonferroni dan Benjamini-Hochberg. Temuan ini menegaskan bahwa penambahan konvolusi, konteks dua arah, dan atensi pada representasi FastText secara konsisten meningkatkan klasifikasi keluhan mahasiswa, mendukung pengelolaan keluhan yang lebih cepat, objektif, dan efisien di perguruan tinggi.
Copyrights © 2026