Main Article Content

Abstract

Analisis sentimen merupakan suatu proses untuk mengekstraksi data dalam bentuk teks untuk mendapatkan opini dari pengguna layanan. Penelitian ini bertujuan untuk melakukan analisis sentimen terhadap kepuasan pengguna Sistem Informasi Akademik Mahasiswa (SIAM) berbasis Android yang digunakan oleh Institut Teknologi Garut (ITG). Metode yang digunakan yaitu dengan mengumpulkan komentar-komentar di Google Play terhadap aplikasi ini, kemudian akan di klasifikasikan kedalam tiga kategori sentimen, yaitu Positif, Negatif dan Netral. Hasil penelitian menunjukkan bahwa 57,14% pengguna memberikan sentimen Positif, kemudian 37,14% pengguna memberikan sentimen Negatif dan sisanya yaitu 5,71% termasuk kedalam sentimen Netral.   

Keywords

Akademik Analisis Sentimen Mahasiswa Sistem Informasi

Article Details

How to Cite
[1]
I. T. Julianto, “Analisis Sentimen Terhadap Sistem Informasi Akademik Institut Teknologi Garut”, Jurnal Algoritma, vol. 19, no. 1, pp. 458-468, Jul. 2022.

References

[1] I. Irawan, “Pengembangan Sistem Informasi Akademik Universitas Pahlawan Tuanku Tambusai Riau,” J. Teknol. Dan Open Source, vol. 1, no. 2, pp. 55–66, 2018, doi: 10.36378/jtos.v1i2.21.
[2] L. R. Dharmawan, I. Arwani, and D. E. Ratnawati, “Analisis Sentimen pada Sosial Media Twitter Terhadap Layanan Sistem Informasi Akademik Mahasiswa Universitas Brawijaya dengan Metode K- Nearest Neighbor,” J. Pengemb. Teknol. Inf. dan Ilmu Komput., vol. 4, no. 3, pp. 959–965, 2020, [Online]. Available: http://j-ptiik.ub.ac.id/index.php/j-ptiik/article/view/7099.
[3] R. Parlika, S. I. Pradika, A. M. Hakim, and K. R. N. M, “Analisis Sentimen Twitter Terhadap Bitcoin dan Cryptocurrency Berbasis Python TextBlob,” J. Ilm. Teknol. Inf. dan Robot., vol. 2, no. 2, pp. 33–37, 2020.
[4] J. E. Bororing and F. Faeruzah, “Analisis Sentimen Layanan Akademik Menggunakan Metode Naïve Bayes Classifier Pada Komentar Mahasiswa,” J. Inf. Interaktif, vol. 5, no. 3, pp. 129–135, 2020.
[5] F. F. Mailo and L. Lazuardi, “Analisis Sentimen Data Twitter Menggunakan Metode Text Mining Tentang Masalah Obesitas di Indonesia,” J. Inf. Syst. Public Heal., vol. 4, no. 1, pp. 28–36, 2019.
[6] I. T. Julianto, R. Cahyana, and D. Tresnawati, “Rancang Bangun Virtual Reality Photography Berbasis Web untuk Menunjang Pariwisata,” Algoritma, vol. 18, no. 1, pp. 216–222, 2018.
[7] A. Firdaus and W. I. Firdaus, “Text Mining Dan Pola Algoritma Dalam Penyelesaian Masalah Informasi : (Sebuah Ulasan),” J. JUPITER, vol. 13, no. 1, pp. 66–78, 2021, [Online]. Available: https://jurnal.polsri.ac.id/index.php/jupiter/article/view/3249/1396.
[8] C. D. Manning, P. Raghavan, and H. Schütze, An Introduction to Information Retrieval (2nd edition). Cambridge: Cambridge University Press, 2009.
[9] Han and Kamber, Data Mining Concepts and Technique. San Francisco: Diane Cerra, 2006.
[10] I. H. Witten, E. Frank, and M. A. Hall, Data Mining Practical Machine Learning Tools and Technique. San Francisco: Morgan Kaufmann, 2011.
[11] F. Rahutomo, A. Retno, T. Hayati, and P. N. Malang, “Evaluasi daftar stopword bahasa indonesia,” vol. 6, no. 1, 2019, doi: 10.25126/jtiik.201861226.
[12] L. K. Harsono, Y. Alkhalifi, Nurajijah, and W. Gata, “Analisis Sentimen Stakeholder atas Layanan haiDJPb pada Media Sosial Twitter Dengan Menggunakan Metode Support Vector Machine dan Naïve Bayes,” J. Ilmu-ilmu Inform. dan Manaj., vol. 14, no. 1, pp. 36–44, 2020.