Analisis Sentimen untuk Klasifikasi Komentar Pada Pembelajaran E­Learning Menggunakan Metode Support Vector Machine

Widyadhari, Shabira and r. Eng. Fitra Abdurrachman Bachtiar, S.T., M.Eng and Dr. Eng. Budi Darma Setiawan, S.Kom., M.Cs. (2024) Analisis Sentimen untuk Klasifikasi Komentar Pada Pembelajaran E­Learning Menggunakan Metode Support Vector Machine. Sarjana thesis, Universitas Brawijaya.

Abstract

Electroning Learning atau E­learning merupakan proses belajar mengajar menggunakan teknologi digital yang memungkinkan siswa mengembangkan pengetahuan mereka secara mandiri. Pada akhir kegiatan pembelajaran lembaga pendidikan biasanya memberikan sederet pertanyaan yang digunakan untuk mengumpulkan komentar, persepsi, atau opini siswa dalam segala aspek pada kegiatan pembelajaran atau yang biasa disebut sebagai umpan balik siswa (student’s feedback). Komentar siswa pada e­learning dapat digunakan untuk mengembangkan e­learning menjadi lebih baik, salah satunya untuk meningkatkan pengalaman belajar siswa. Analisis sentimen menjadi salah satu metode yang dapat digunakan untuk mengetahui sentimen dari komentar yang diberikan oleh siswa yang bertujuan untuk mengekstrak sentimen, sikap, persepsi, atau opini pada teks. Sebelumnya, telah dilakukan penelitian mengenai klasifikasi komentar siswa menggunakan beberapa algoritma dan metode. Pada penelitian ini menggunakan analisis sentimen menggunakan metode Support Vector Machien (SVM) untuk menentukan sentimen dari komentar siswa pada e­learning. Penelitian ini dilakukan melakukan text pre­processing, pembobotan kata menggunakan TF­IDF, TF­RF, dan BM25, oversampling dengan random oversampling dan SMOTE, pelatihan algoritma SVM, evaluasi dan analisis menggunakan confusion matrix. Klasifikasi komentar yang menggunakan TF­IDF sebagai metode pembobotan kata memberikan hasil akurasi terbaik sebesar 0,65, lebih baik dari TF­RF dengan akurasi 0,64, dan BM25 dengan akurasi 0,55. Klasifikasi tanpa menggunakan oversampling memberikan hasil akurasi sebesar 0,65, lebih baik dari menggunakan random oversampling dengan akurasi 0,55, dan SMOTE dengan akurasi sebesar 0,51.

English Abstract

Electronic Learning or E­learning is a teaching and learning process using digital technology that allows students to develop their knowledge independently. At the end of learning activities, educational institutions usually provide a series of questions which are used to collect student’s comments, perceptions or opinions in all aspects of learning activities or what is usually referred to as student's feedback. Student comments on e­learning can be used to develop e­learning for the better, one of which is to improve the student learning experience. Sentiment analysis is one method that can be used to determine the sentiment of comments given by students which aims to extract sentiments, attitudes, perceptions or opinions in the text. Previously, research had been carried out regarding the classification of student comments using several algorithms and methods. This research uses sentiment analysis using the Support Vector Machine (SVM) method to determine sentiment from student comments on e­learning. This research was carried out using text pre­processing, term weighting using TF­IDF, TF­RF, and BM25, oversampling with random oversampling and SMOTE, SVM algorithm training, evaluation and analysis using confusion matrix. Comment classification using TFIDF as term weighting method gives the best accuracy results of 0.65, better than TF­RF with an accuracy of 0.64, and BM25 with an accuracy of 0.55. Classification without using oversampling gives an accuracy of 0.65, better than using random oversampling with an accuracy of 0.55, and SMOTE with an accuracy of 0.51.

Item Type:	Thesis (Sarjana)
Identification Number:	052415
Uncontrolled Keywords:	E­Learning, Analisis Sentimen, Text Pre­Processing, TF­IDF, Support Vector Machine, SVM, E­Learning, Sentiment Analysis, Text Pre­Processing, TF­IDF, Support Vector Machine, SVM
Divisions:	Fakultas Ilmu Komputer > Teknik Informatika
Depositing User:	Annisti Nurul F
Date Deposited:	07 Feb 2024 08:52
Last Modified:	07 Feb 2024 08:52
URI:	http://repository.ub.ac.id/id/eprint/215876

Text (DALAM MASA EMBARGO) Shabira Widyadhari.pdf Restricted to Registered users only Download (4MB)

Actions (login required)

View Item