Sistem Analisis Sentimen Untuk Evaluasi Kinerja Dosen dengan Metode Naïve Bayes
DOI:
https://doi.org/10.23887/jstundiksha.v11i2.44384Keywords:
Evaluasi Kinerja Dosen, Naïve Bayes, Sistem Analisis SentimenAbstract
Penilaian atau evaluasi dosen dapat dilakukan dengan pengisian angket penilaian oleh mahasiswa. Penilaian yang diberikan mahasiswa dapat memberikan umpan balik dan rekomendasi perbaikan terkait proses kegiatan pembelajaran di universitas. Saat ini data angket tersebut belum diolah dengan menggunakan teknologi pengklasifikasian analisis data. Penelitian ini bertujuan untuk menganalisis sistem analisis sentimen untuk evaluasi kinerja dosen dengan metode naïve bayes. Jenis penelitian ini merupakan penelitian pengembangan perangkat lunak yang menggunakan metode penelitian System Development Life Cycle (SDLC) dengan model waterfall. Subjek yang terlibat dalam penelitian ini terdiri dari admin, dosen dan mahasiswa. Metode pengumpulan data menggunakan observasi dan studi pustaka. Hasil penelitian menunjukkan pengelolaan data tersebut dapat dilakukan dengan menggunakan sistem analisis sentimen dengan metode Naïve Bayes. Data angket akan diklasifikasikan ke dalam 2 (dua) kelas, yaitu positif dan negatif. Data tersebut akan dievaluasi menggunakan k-fold cross validation dan confushion mastrix. Hasil evaluasi menunjukkan sistem mampu memprediksi kelas sentimen pada kritik dan saran mahasiswa dengan rata-rata precision sebesar 90.84%, recall sebesar 95.73%, accuracy sebesar 90.6% dan f-measure sebesar 93.22%. Data analisis tersebut dapat dimanfaatkan untuk mendukung hasil evaluasi kinerja dari dosen.
References
Arsini, A. (2016). Peningkatan Kompetensi Profesional Dan Inovasi Guru Dalam Mengembangkan Video Pembelajaran Online Melalui Pembuatan Portal “Channel Pembelajaran Sains Berbasis Unity Of Science. Dimas: Jurnal Pemikiran Agama Untuk Pemberdayaan, 15(2), 115. https://doi.org/10.21580/dms.2015.152.749.
Atmaja, K. J., & Wijaya, I. N. S. W. (2019). Pengembangan sistem evaluasi kinerja dosen (e-kuesioner) STMIK STIKOM Indonesia. JST (Jurnal Sains Dan Teknologi), 8(1), 55–64. https://doi.org/10.23887/jstundiksha.v8i1.17290.
Azhar, Y. (2017). Metode Lexicon-Learning Based Untuk Identifikasi Tweet Opini Berbahasa Indonesia. Jurnal Nasional Pendidikan Teknik Informatika (JANAPATI), 6(3), 237–243. https://doi.org/10.23887/janapati.v6i3.11739.
Birjali, M., Kasri, M., & Beni-Hssane, A. (2021). A comprehensive survey on sentiment analysis: Approaches, challenges and trends. Knowledge-Based Systems, 226, 107134. https://doi.org/10.1016/j.knosys.2021.107134.
Bustami. (2014). Penerapan Algoritma Naive Bayes Untuk Mengklasifikasi Data Nasabah Asuransi. Jurnal Informatika, 8(1), 884–898.
Dey, L., Chakraborty, S., Biswas, A., Bose, B., & Tiwari, S. (2016). Sentiment Analysis of Review Datasets Using Naïve Bayes‘ and K-NN Classifier. International Journal of Information Engineering and Electronic Business, 8(4), 54–62. https://doi.org/10.5815/ijieeb.2016.04.07.
Fitri, V. A., Andreswari, R., & Hasibuan, M. A. (2019). Sentiment Analysis of Social Media Twitter with Case of Anti-LGBT Campaign in Indonesia using Naïve Bayes, Decision Tree, and Random Forest Algorithm. Procedia Computer Science, 161, 765–772. https://doi.org/10.1016/j.procs.2019.11.181.
Gunawan, B., Pratiwi, H. S., & Pratama, E. E. (2018). Sistem Analisis Sentimen pada Ulasan Produk Menggunakan Metode Naive Bayes. Jurnal Edukasi Dan Penelitian Informatika (JEPIN), 4(2), 113–118. https://doi.org/10.26418/jp.v4i2.27526.
Gusriani, S., Wardhani, K. D. K., & Zul, M. I. (2016). Analisis Sentimen Terhadap Toko Online di Sosial Media Menggunakan Metode Klasifikasi Naïve Bayes (Studi Kasus: Facebook Page BerryBenka). Jurnal Aksara Komputer Terapan, 5(2).
Harison, & Faisal, R. (2017). Aplikasi Penilaian Kinerja Dosen pada Proses Belajar Mengajar Berbasis Web: Studi Kasus di Badan Penjamin Mutu Internal Institut Teknologi Padang. Jurnal Teknologi Dan Sistem Komputer, 5(2), 89–93. https://doi.org/10.14710/jtsiskom.5.2.2017.90-94.
Jaya, T. S. (2018). Pengujian Aplikasi dengan Metode Blackbox Testing Boundary Value Analysis (Studi Kasus: Kantor Digital Politeknik Negeri Lampung). Jurnal Informatika Pengembangan IT (JPIT), 3(2), 45–48. https://doi.org/10.30591/jpit.v3i1.647.
Ling, J., Kencana, I. P. E. N., & Oka, T. B. (2014). Analisis Sentimen Menggunakan Metode Naïve Bayes Classifier Dengan Seleksi Fitur Chi Square. E-Jurnal Matematika, 3(3), 92–99. https://doi.org/10.24843/MTK.2014.v03.i03.p070.
Mubarak, R. (2020). Implementasi Metode White Box Testing Pada Proses Quality Assurance Perangkat Lunak Berbasis Web Dan Mobile Collection System. Jurnal Teknologi Informasi ESIT, XV(10), 57–63.
Novantirani, A., Sabariah, M. K., & Effendy, V. (2015). Analisis Sentimen pada Twitter untuk Mengenai Penggunaan Transportasi Umum Darat Dalam Kota dengan Metode Support Vector Machine. E-Proceeeding of Engineering, 2(1), 1177–1183.
Novitasari, D. (2016). Perbandingan Algoritma Stemming Porter Dengan Arifin Setiono Untuk Menentukan Tingkat Ketepatan Kata Dasar. Jurnal String, 1(2), 120–129. https://doi.org/10.30998/string.v1i2.1031.
Rachmat C, A., & Lukito, Y. (2016). Klasifikasi Sentimen Komentar Politik dari Facebook Page Menggunakan Naive Bayes. Jurnal Informatika Dan Sistem Informasi, 02(02).
Rahadi, D. R. (2010). Manajemen Kinerja Sumber Daya Manusia. Tunggal Mandiri Publishing.
Rahmawati, D. E., & Trimulyono, G. (2021). Validitas Instrumen Penilaian Higher Order Thinking Skills (Hots) pada Materi Keanekaragaman Hayati. Berkala Ilmiah Pendidikan Biologi (BioEdu), 11(1), 141. https://doi.org/10.26740/bioedu.v11n1.p138-147.
Riany, J., Fajar, M., & Lukman, M. P. (2016). Penerapan Deep Sentiment Analysis pada Angket Penilaian Terbuka Menggunakan K-Nearest Neighbor. Jurnal Sisfo, 06(01), 147–156. https://doi.org/10.24089/j.sisfo.2016.09.011.
Risdianto, E. (2008). Pengembangan Multimedia Interaktif (MPI) pada Praktikum Fisika Dasar I. Jurnal Exacta, 6(2), 9–16.
Santoso, V. I., Virginia, G., & Lukito, Y. (2017). Penerapan Sentiment Analysis pada Hasil Evaluasi Dosen dengan Metode Support Vector Machine. Jurnal Transformatika, 14(2), 72. https://doi.org/10.26623/transformatika.v14i2.439.
Sipayung, E. M., Maharani, H., & Zefanya, I. (2016). Perancangan Sistem Analisis Sentimen Komentar Pelanggan Menggunakan Metode Naive Bayes Classifier. Jurnal Sistem Informasi (JSI), 8(1), 958–965.
Sunardi, Fadlil, A., & Suprianto. (2018). Analisis Sentimen Menggunakan Metode Naïve Bayes Classifier Pada Angket Mahasiswa. SAINTEKBU: Jurnal Sains Dan Teknologi, 10(2), 1–9. https://doi.org/10.32764/saintekbu.v10i2.190.
Suryani, Y. E. (2017). Pemetaan Kualitas Empirik Soal Ujian Akhir Semester Pada Mata Pelajaran Bahasa Indonesia SMA di Kabupaten Klaten. Jurnal Penelitian Dan Evaluasi Pendidikan, 21(2), 142–152. https://doi.org/10.21831/pep.v21i2.10725.
Suryanputra, F. O., Yohanes, B. W., & Nugroho, S. (2017). Analisis Sentimen untuk Komentar pada Sistem Pencarian Kost Menggunakan Metode Support Vector Machine (SVM). TECHNE, 16(1). https://doi.org/10.31358/techne.v16i01.157.
Syahrir, S., Supriyati, Y., & Fauzi, A. (2021). Evaluasi Dampak Program Pendidikan Jarak Jauh (PJJ) melalui model CIPP pada Kinerja Dosen aspek Pembelajaran pada Masa Pendemi Covid 19. Jurnal Ilmiah Mandala Education, 7(1). https://doi.org/10.36312/jime.v7i1.1716.
Wahyudi, D., Susyanto, T., & Nugroho, D. (2017). Implementasi Dan Analisis Algoritma Stemming Nazief & Adriani Dan Porter Pada Dokumen Berbahasa Indonesia. Jurnal Ilmiah SINUS, 15(2), 49–56. https://doi.org/10.30646/sinus.v15i2.305.
Downloads
Published
How to Cite
Issue
Section
License
Copyright (c) 2022 Ade Sasmita
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.
Authors who publish with the Jurnal Sains dan Teknologi (JST) agree to the following terms:
- Authors retain copyright and grant the journal the right of first publication with the work simultaneously licensed under a Creative Commons Attribution License (CC BY-SA 4.0) that allows others to share the work with an acknowledgment of the work's authorship and initial publication in this journal.
- Authors are able to enter into separate, additional contractual arrangements for the non-exclusive distribution of the journal's published version of the work (e.g., post it to an institutional repository or publish it in a book), with an acknowledgment of its initial publication in this journal.
- Authors are permitted and encouraged to post their work online (e.g., in institutional repositories or on their website) prior to and during the submission process, as it can lead to productive exchanges, as well as earlier and greater citation of published work. (See The Effect of Open Access)