Analisis Sentimen Mahasiswa Terhadap Penggunaan Aplikasi Sistem Informasi Akademik Mahasiswa Menggunakan Algoritma Naive Bayes

ARIANSYAH, BENI (2025) Analisis Sentimen Mahasiswa Terhadap Penggunaan Aplikasi Sistem Informasi Akademik Mahasiswa Menggunakan Algoritma Naive Bayes. Other thesis, UNIVERSITAS BINA DARMA.

	Text (BAB 0) 0.pdf Download (1MB)
	Text (BAB 1) 1_compressed (2).pdf Download (328kB)
	Text (DAFTAR PUSTAKA) D.pdf Download (622kB)
	Text (FULLBAB SKRIPSI) F.pdf Restricted to Repository staff only Download (4MB)
	Text (LAMPIRAN) L.pdf Download (1MB)

Abstract

Sistem Informasi Akademik Mahasiswa merupakan aplikasi yang berfungsi untuk mengelola berbagai data akademik, meliputi data mahasiswa, dosen, kurikulum, jadwal perkuliahan, dan rekaman hasil studi. Keberadaan sistem ini sangat penting untuk mendukung layanan akademik yang efektif dan efisien. Namun demikian, tingkat kepuasan mahasiswa sebagai pengguna perlu dianalisis untuk mengetahui sejauh mana sistem ini memenuhi kebutuhan mereka. Penelitian ini bertujuan untuk menganalisis sentimen mahasiswa terhadap penggunaan Aplikasi Sistem Informasi Akademik Mahasiswa di Universitas Mahakarya Asia Baturaja. Metode yang digunakan adalah analisis sentimen berbasis algoritma Naive Bayes yang mengklasifikasikan opini mahasiswa ke dalam tiga kategori, yaitu positif, negatif, dan netral. Data penelitian diperoleh dari 339 komentar, ulasan, dan opini mahasiswa mengenai pengalaman penggunaan aplikasi. Hasil pengujian menunjukkan tingkat ketepatan model (precision) sebesar 100% untuk kelas positif, 50% untuk kelas negatif, dan 71% untuk kelas netral. Sementara itu, tingkat kemampuan model dalam menemukan kembali informasi (recall) sebesar 64% untuk kelas positif, 33% untuk kelas negatif, dan 97% untuk kelas netral. Secara keseluruhan, algoritma Naive Bayes memperoleh akurasi sebesar 78% dengan data latih 20%. Temuan ini menunjukkan bahwa model cenderung mengklasifikasikan sentimen ke kategori netral. Penelitian selanjutnya diharapkan dapat menggunakan jumlah data yang lebih besar, melakukan perbandingan dengan algoritma lain, serta memperbaiki proses pelabelan data agar hasil klasifikasi lebih seimbang dan representatif.

Actions (login required)

View Item