Bilah Samping Artikel

Telah diserahkan
Oct 11, 2023
Diterima
Oct 27, 2023
Diterbitkan
May 18, 2024
Download
PDF
Statistic
Read Counter : 93 Download : 25

Isi Artikel Utama

Abstrak

AISnet For Student adalah sebuah sistem informasi akademik yang dibangun oleh Institut Teknologi Garut untuk memberikan kemudahan kepada mahasiswa dalam menjalankan berbagai kegiatan administrasi akademik kampus secara online. Penelitian ini memiliki tujuan untuk melakukan analisis sentimen terhadap layanan akademik online di Institut Teknologi Garut dengan melibatkan mahasiswa sebagai subjek penelitian. Analisis sentimen ini akan dilakukan menggunakan Algoritma Naive Bayes untuk menggali pandangan dan pendapat mahasiswa terkait dengan layanan akademik tersebut. Penelitian ini dilakukan dengan tujuan untuk mengidentifikasi potensi masalah yang mungkin terjadi dalam layanan akademik online di Institut Teknologi Garut. Selain itu, penelitian ini juga bertujuan untuk memberikan rekomendasi yang dapat membantu dalam meningkatkan kualitas layanan tersebut. Penelitian menunjukkan bahwa mahasiswa memiliki sentimen positif terhadap layanan akademik pada kampus. Tetapi, ada beberapa masalah yang perlu diatasi, seperti masalah teknis dan kekurangan fitur dalam sistem tersebut. Solusi dalam mengatasi masalah tersebut yaitu dengan mengembangkan sistem yang user-friendly, meningkatkan kualitas jaringan, meningkatkan fitur sistem, melakukan pelatihan atau sosialisasi penggunaan sistem kepada mahasiswa, dan menerapkan teknologi dan inovasi terbaru dalam layanan sistem akademik mahasiswa online. Hasil Penelitian ini memiliki potensi untuk memberikan manfaat bagi lembaga pendidikan dengan cara membantu dalam perbaikan layanan akademik online yang lebih baik. Hasilnya diharapkan dapat meningkatkan kepuasan dan kualitas layanan yang diberikan kepada mahasiswa. Selain itu, penelitian ini juga dapat menjadi acuan atau referensi bagi penelitian-penelitian selanjutnya yang berkaitan dengan analisis sentimen di bidang akademik atau bidang lainnya. Dimana Algoritma Naive Bayes digunakan untuk menganalisis sentimen mahasiswa terhadap layanan akademik pada kampus Institut Teknologi Garut. Hasil akhir menunjukan bahwa sentimen negatif lebih besar ketimbang sentimen positif. Dimana sentimen negatif sebesar 54,75 % dan sentimen positif sebesar 45,24%, hal ini di karnakan pada aplikasi AISNet pengguna kebanyakan memberikan ulasan untuk update nya tidak real time berikut adalah hasil akhir dengan mendapatkan accuracy 80,06%, percission sebesar 83,11 dan recall 75,21.

Kata Kunci

AISnet For Student Analisis Sentimen Naïve Bayes Ulasan AISnet For Student Sentiment Analysis Naïve Bayes Review

Rincian Artikel

Cara Mengutip
[1]
T. . Hidayat, R. Cahyana, dan I. T. Julianto, “Analisis Sentimen Layanan Sistem Informasi Akademik Mahasiswa Menggunakan Algoritma Naive Bayes”, Jurnal Algoritma, vol. 21, no. 1, hlm. 119–130, Mei 2024.
Unduh Sitasi
Endnote/Zotero/Mendeley (RIS)

References

  1. M. Mauludin Rohman and S. Adinugroho, “Analisis Sentimen pada Ulasan Aplikasi Mobile JKN Menggunakan Metode Maximum Entropy dan Seleksi Fitur Gini Index Text,” J. Pengemb. Teknol. Inf. dan Ilmu Komput., vol. 5, no. 6, pp. 2646–2654, 2021.
  2. F. Fathonah and A. Herliana, “Penerapan Text Mining Analisis Sentimen Mengenai Vaksin Covid - 19 Menggunakan Metode Naïve Bayes,” J. Sains dan Inform., vol. 7, no. 2, pp. 155–164, 2021, doi: 10.34128/jsi.v7i2.331.
  3. A. K. Fauziyyah, “Analisis Sentimen Pandemi Covid19 Pada Streaming Twitter Dengan Text Mining Python,” J. Ilm. SINUS, vol. 18, no. 2, p. 31, 2020, doi: 10.30646/sinus.v18i2.491.
  4. M. K. Insan, “Analisis Sentimen Aplikasi Brimo Pada Ulasan Pengguna Di Google Play Menggunakan Algoritma Naive Bayes,” J. Mhs. Tek. Inform., vol. 7, no. 1, pp. 478–483, 2023.
  5. J. Aransay et al., “GitHub y Google Colaboratory para el desarrollo, comunicación y gestión de prácticas en los laboratorios de informática,” Actas las Jenui, vol. 7, p. 183, 2022.
  6. R. Cahyana, S. Rahayu, and E. Satria, “Revealing student satisfaction related to academic information services using the Kano model,” J. Phys. Conf. Ser., 2019.
  7. I. T. Julianto, “Analisis Sentimen Terhadap Sistem Informasi Akademik Institut Teknologi Garut,” J. Algoritm., vol. 19, no. 1, pp. 449–456, 2022, doi: 10.33364/algoritma/v.19-1.1112.
  8. M. D. Hendriyanto, A. A. Ridha, and U. Enri, “Analisis Sentimen Ulasan Aplikasi Mola Pada Google Play Store Menggunakan Algoritma Support Vector Machine,” INTECOMS J. Inf. Technol. Comput. Sci., vol. 5, no. 1, pp. 1–7, 2022, doi: 10.31539/intecoms.v5i1.3708.
  9. U. Kulsum, M. Jajuli, and N. Sulistiyowati, “Analisis Sentimen Aplikasi WETV di Google Play Store Menggunakan Algoritma Support Vector Machine,” J. Appl. Informatics Comput., vol. 6, no. 2, pp. 205–212, 2022, doi: 10.30871/jaic.v6i2.4802.
  10. L. Luthfiana, J. C. Young, and A. Rusli, “Implementasi Algoritma Support Vector Machine dan Chi Square untuk Analisis Sentimen User Feedback Aplikasi,” Ultimatics, vol. XII, no. 2, pp. 125–128, 2020.
  11. A. J. Putri, A. S. Syafira, M. E. Purbaya, and D. Purnomo, “Analisis Sentimen E-Commerce Lazada pada Jejaring Sosial Twitter Menggunakan Algoritma Support Vector Machine,” J. TRINISTIK J. Tek. Ind. Bisnis Digit. dan Tek. Logistik, vol. 1, no. 1, pp. 16–21, 2022, doi: 10.20895/trinistik.v1i1.447.
  12. D. S. Putri, A. Sentimen, U. Aplikasi, and T. Ridwan, “Analisis Sentimen Ulasan Aplikasi Pospay dengan Algoritma Support Vector Machine,” J. Ilm. Inform., no. 2018, 2023.
  13. A. D. Adhi Putra, “Analisis Sentimen pada Ulasan pengguna Aplikasi Bibit Dan Bareksa dengan Algoritma KNN,” JATISI (Jurnal Tek. Inform. dan Sist. Informasi), vol. 8, no. 2, pp. 636–646, 2021, doi: 10.35957/jatisi.v8i2.962.
  14. A. R. Rizqullah, A. Wedhasmara, R. I. Heroza, A. Putra, F. Fathoni, and P. Putra, “Analisis Masalah Pada Data Review Aplikasi Terhadap Layanan E-Commerce Menggunakan Metode Text Classification,” J. Tekno Kompak, vol. 16, no. 1, p. 186, 2022, doi: 10.33365/jtk.v16i1.1448.
  15. R. Apriani et al., “Analisis Sentimen dengan Naïve Bayes Terhadap Komentar Aplikasi Tokopedia,” J. Rekayasa Teknol. Nusa Putra, vol. 6, no. 1, pp. 54–62, 2019.
  16. W. Khofifah, D. N. Rahayu, and A. M. Yusuf, “Analisis Sentimen Menggunakan Naive Bayes Untuk Melihat Review Masyarakat Terhadap Tempat Wisata Pantai Di Kabupaten Karawang Pada Ulasan Google Maps,” J. Interkom J. Publ. Ilm. Bid. Teknol. Inf. dan Komun., vol. 16, no. 4, pp. 28–38, 2022, doi: 10.35969/interkom.v16i4.192.
  17. B. K. Widodo, N. H. Matondang, and D. S. Prasvita, “Penerapan Algoritma Naive Bayes Untuk Analisis Sentimen Penggunaan Aplikasi Jobstreet,” Techno.Com, vol. 21, no. 3, pp. 523–533, 2022, doi: 10.33633/tc.v21i3.6361.
  18. J. E. Bororing and F. Faeruzah, “Analisis Sentimen Layanan Akademik Menggunakan Metode Naïve Bayes Classifier Pada Komentar Mahasiswa,” J. Inf. Interaktif, vol. Vol 5, no. No 3, pp. 129–135, 2020.
  19. O. Somantri, “Analisis Sentimen Penilaian Tempat Tujuan Wisata Kota Tegal Berbasis Text Mining,” Jepin, vol. 5, no. 2, pp. 191–196, 2019.
  20. H. B. Tambunan and T. W. D. Hapsari, “Analisis Opini Pengguna Aplikasi New PLN Mobile Menggunakan Text Mining,” Petir, vol. 15, no. 1, pp. 121–134, 2021, doi: 10.33322/petir.v15i1.1352.
  21. N. S. N. Salam, A. A. Supianto, and A. R. Perdanakusuma, “Analisis Sentimen Opini Mahasiswa Terhadap Saran Kuesioner Penilaian Kinerja Dosen dengan Menggunakan TF-IDF dan K-Nearest Neighbor,” J. Pengemb. Teknol. Inf. dan Ilmu Komput., vol. 3, no. 6, pp. 6148–6156, 2019.