KLASIFIKASI SENTIMEN DAN TOPIC MODELING TERHADAP KESAN PESAN WISUDAWAN UNDIKSHA

Azzahra, Nurqomariah (2024) KLASIFIKASI SENTIMEN DAN TOPIC MODELING TERHADAP KESAN PESAN WISUDAWAN UNDIKSHA. Undergraduate thesis, Universitas Pendidikan Ganesha.

[img] Text (1915101010-COVER)
1915101010-COVER.pdf
Download (629kB)
[img] Text (1915101010-ABSTRAK)
1915101010-ABSTRAK.pdf
Download (53kB)
[img] Text (1915101010-BAB 1 PENDAHULUAN)
1915101010- BAB 1 PENDAHULUAN.pdf
Download (105kB)
[img] Text (1915101010-BAB 2 KAJIAN TEORI)
1915101010- BAB 2 KAJIAN TEORI.pdf
Restricted to Repository staff only
Download (467kB) | Request a copy
[img] Text (1915101010-BAB 3 METODELOGI PENELITIAN)
1915101010- BAB 3 METODELOGI PENELITIAN.pdf
Restricted to Repository staff only
Download (135kB) | Request a copy
[img] Text (1915101010-BAB 4 HASIL DAN PEMBAHASAN)
1915101010- BAB 4 HASIL DAN PEMBAHASAN.pdf
Restricted to Repository staff only
Download (1MB) | Request a copy
[img] Text (1915101010-BAB 5 PENUTUP)
1915101010- BAB 5 PENUTUP.pdf
Restricted to Repository staff only
Download (55kB) | Request a copy
[img] Text (1915101010-DAFTAR PUSTAKA)
1915101010-DAFTAR PUSTAKA.pdf
Download (180kB)
[img] Text (1915101010-LAMPIRAN)
1915101010-LAMPIRAN.pdf
Download (426kB)

Abstract

Penelitian ini bertujuan untuk mengolah data kesan pesan wisudawan Universitas Pendidikan Ganesha dengan menerapkan metode klasifikasi dan topic modeling yang dapat memberikan informasi mengenai perspektif wisudawan selama menempuh pendidikan di Undiksha. Undiksha menerapkan pengisian kuoesioner secara online pada setiap pelaksanaan wisuda sebagai bagian dari evaluasi. Namun, data kesan pesan yang terkumpul belum dimanfaatkan secara optimal oleh tim unit terkait. Penelitian ini menggunakan metode klasifikasi SVM dan LSTM untuk memproses data kesan pesan wisudawan. Selanjutnya, metode topic modeling menggunakan NMF dan LDA untuk menemukan topik yang paling sering dibahas oleh wisudawan pada masing-masing sentimen, yaitu sentimen positif, negatif dan netral. Hasil pengujian terhadap metode klasifikasi SVM mendapatkan hasil akurasi sebesar 86.30% sebelum menerapkan SMOTE, setelah menerapkan SMOTE meningkat menjadi 98.07%. Hasil akurasi yang didapatkan dari metode LSTM tanpa SMOTE sebesar 76.71%, setelah menerapkan SMOTE hasil akurasi meningkat menjadi 82%. Sedangkan untuk metode BERT hasil akurasi sebelum menerapkan SMOTE sebesar 84%, setelah menerapkan SMOTE menurun menjadi 74%. Hasil topic modeling dengan metode LDA pada masing-masing sentimen dilihat dari nilai coherence score yaitu semakin besar nilai coherence score suatu topik maka semakin mudah topik di interpretasikan. Nilai coherence tertinggi kelas positif diperoleh pada topik 6 yaitu sebesar 0.621, kelas negatif pada topik ke-6 dengan hasil nilai 0.904 dan kelas netral diperoleh pada topik ke-5 sebesar 0.545. Sedangkan metode NMF mengidentifikasi 1 topik terbaik kelas positif dengan nilai coherence score sebasar 0.898, kelas negatif 3 topik dengan coherence score 0.961 dan 4 topik untuk kelas netral dengan nilai coherence score 0.921. Penelitian ini diharapkan dapat memberikan pemahaman untuk Undiksha dalam memperbaiki layanan yang disediakan serta meningkatkan pengalaman pendidikan mahasiswa.

Item Type: Thesis (Undergraduate)
Uncontrolled Keywords: Kesan Pesan, Undiksha, Klasifikasi, Topic Modeling, SMOTE
Subjects: T Technology > T Technology (General)
Divisions: Fakultas Teknik dan Kejuruan > Jurusan Teknik Informatika > Program Studi Ilmu Komputer (S1)
Depositing User: Nurqomariah Azzahra
Date Deposited: 23 Jul 2024 21:37
Last Modified: 23 Jul 2024 21:37
URI: http://repo.undiksha.ac.id/id/eprint/20606

Actions (login required)

View Item View Item