Implementasi Algoritma Multinomial Naïve Bayes, TF-IDF dan Confusion Matrix dalam Pengklasifikasian Saran Monitoring dan Evaluasi Mahasiswa Terhadap Dosen Teknik Informatika Universitas Dayanu Ikhsanuddin
DOI:
https://doi.org/10.55340/japm.v10i1.1491Keywords:
classification, sentiment analysis, multinomial naïve bayesAbstract
Monitoring dan Evaluasi (monev) Pembelejaran merupakan salah satu bentuk pengukuran kinerja dosen yang diselenggarakan Universitas Dayanu Ikhsanuddin yang melibatkan mahasiswa terhadap dosen. Saran dan opini yang diberikan mahasiswa pada saat monev cukup beragam sehingga perlu dilakukan analisis sentimen terhadap saran tersebut. Tujuan dari penelitian ini adalah untuk melakukan pengklasifikasin data saran monev pembelajaran oleh mahasiswa kepada dosen pengampu mata kuliah. Sebanyak 1037 data set digunakan dalam penelitian ini yang bersumber dari formulir online yang dibagikan kepada mahasiswa. Algoritma yang digunakan dalam penelitian ini adalah Multinomial Naïve Bayes untuk pengklasifikasian, TF-IDF untuk pembobotan teks dan Confussion Matrix untuk mengukur akurasi algoritma. Klasifikasi teks dilakukan dengan memberikan tiga label yaitu positif, negatif dan netral. Tahap penelitian ini dimulai dengan text processing, kemudian pembobotan dengan TF-IDF, lalu hasil klasifikasi ditampilkan dan diuji dengan Confussion Matrix yang terdiri dari unsur precision, recall dan akurasi. Hasil pengujian menunjukkan nilai precision yang didapatkan adalah 89%, recall adalah 85% dan akurasi sebanyak 85%. Hal ini menunjukkan bahwa algoritma memberikan hasil klasifikasi yang sangat baik.
Downloads
References
Afshoh, F. (2017). Analisa Sentimen Menggunakan Naïve Bayes Untuk Melihat Persepsi Masyarakat Terhadap Kenaikan Harga Jual Rokok Pada Media Sosial Twitter. Informatika, Program Studi Komunikasi, Fakultas Informatika, D A N Surakarta, Universitas Muhammadiyah, 12.
Arieska, P. K., & Herdiani, N. (2018). Pemilihan Teknik Sampling Berdasarkan Perhitungan Efisiensi Relatif. Jurnal Statistika, 6(2).
Firdaus, A. F., & Firdaus, W. I. (2021). Text mining Dan Pola Algoritma Dalam Penyelesaian Masalah Informasi : (Sebuah Ulasan). JUPITER: Jurnal Penelitian Ilmu Dan Teknologi Komputer, 13(1).
Informatikalogi. (2021). Pembobotan Kata atau Term Weighting TF-IDF. Informatikalogi.Com Portal Belajar, Berbagi Ilmu Informatika Dan Komputer.
Nurhuda, F., Widya Sihwi, S., & Doewes, A. (2016). Analisis Sentimen Masyarakat terhadap Calon Presiden Indonesia 2014 berdasarkan Opini dari Twitter Menggunakan Metode Naive Bayes Classifier. Jurnal Teknologi & Informasi ITSmart, 2(2), 35. https://doi.org/10.20961/its.v2i2.630
Rosandy, T. (2016). Perbandingan Metode Naive Bayes Classifier Dengan Metode Decision Tree (C4.5) Untuk Menganalisa Kelancaran Pembiayaan (Study Kasus : KSPPS / BMT AL-FADHILA. Jurnal Teknologi Informasi Magister Darmajaya, 2(01), 52–62.
Rozi, I. F., Hamdana, E. N., & Iqbal Alfahmi, M. B. (2018). Pengembangan Aplikasi Analisis Sentimen Twitter Menggunakan Metode Naïve Bayes Classifier (Studi Kasus SAMSAT Kota Malang). Jurnal Informatika Polinema, 4(2). https://doi.org/10.33795/jip.v4i2.164
Sabrani, A., Wedashwara W., I. G. W., & Bimantoro, F. (2020). Multinomial Naïve Bayes untuk Klasifikasi Artikel Online tentang Gempa di Indonesia. Jurnal Teknologi Informasi, Komputer, Dan Aplikasinya (JTIKA ), 2(1), 89–100. https://doi.org/10.29303/jtika.v2i1.87
Salam, N. S. N., Supianto, A. A., & Perdanakusuma, A. R. (2019). Analisis Sentimen Opini Mahasiswa Terhadap Saran Kuesioner Penilaian Kinerja Dosen dengan Menggunakan TF-IDF dan K-Nearest Neighbor. Jurnal Pengembangan Teknologi Informasi Dan Ilmu Komputer, 3(6).
Singh, G., Kumar, B., Gaur, L., & Tyagi, A. (2019). Comparison between Multinomial and Bernoulli Naïve Bayes for Text Classification. 2019 International Conference on Automation, Computational and Technology Management, ICACTM 2019. https://doi.org/10.1109/ICACTM.2019.8776800
Sugiyono. (2015). Metode Penelitian Kuantitatif, Kualitatif, dan R&D (22nd ed.). Alfabeta.
Suwarno, & Abdillah, A. (2016). Penerapan Algoritma Bayesian Regularization Backpropagation Untuk Memprediksi Penyakit Diabetes. 39(2), 98–106.
Syadid, F. (2019). Analisis Sentimen Komentar Netizen Terhadap Calon Presiden Indonesia 2019 Dari Twitter Menggunakan Algoritma Term Frequency-Invers Document Frequency (Tf- Idf) Dan Metode Multi Layer Perceptron (Mlp) Neural Network. In Skripsi Universitas Islam Negeri Syarif Hidayatullah Jakarta. Univeristas Islam Negeri Syarif Hidayatullah.
Vidya, N. A. (2015). Twitter Sentiment Analysis Terhadap Brand Reputation: Studi Kasus PT XL AXIATA Tbk. [Univeristas Indonesia]. In Tesis Univeritas Indonesia (Vol. 151). https://doi.org/10.1145/3132847.3132886
Warni, E., Alimuddin, A. A. P., & Firman, R. (2018). Sosial Media Mining Untuk Pengawasan Penyakit Demam Berdarah Di Indonesia. 4(November), 193–199.
Widyawati, W., & Sutanto, S. (2020). Perbandingan Kinerja Variasi Naïve Bayes Multivariate Bernoulli Dan Naïve Bayes Multinomial Dalam Pengklasifikasian Dokumen Teks. Journal of Innovation And Future Technology (IFTECH), 2(1). https://doi.org/10.47080/iftech.v2i1.859
Yuyun, Nurul Hidayah, & Supriadi Sahibu. (2021). Algoritma Multinomial Naïve Bayes Untuk Klasifikasi Sentimen Pemerintah Terhadap Penanganan Covid-19 Menggunakan Data Twitter. Jurnal RESTI (Rekayasa Sistem Dan Teknologi Informasi), 5(4). https://doi.org/10.29207/resti.v5i4.3146
