Analisis Sentimen Multi-Kelas untuk Menilai Kepuasan Mahasiswa terhadap Aplikasi Manajemen Akademik Berbasis Web di Lingkungan Perguruan Tinggi
Authors
-
Nicky Dwi Kurnia
Institut Teknologi Mojosari
-
Binti Kholifah
Univeristas Negeri Suarabaya
-
Febi Warta Nur Ani
Institut Teknologi Mojosari
-
Ayu Fernanda Nurun Nafii’
Institut Teknologi Mojosari
DOI:
https://doi.org/10.62712/juktisi.v4i1.363Keywords:
analisis sentimen, multi-kelas, kepuasan mahasiswa, aplikasi manajemen akademik, pemrosesan bahasa alami, machine learning, sentiment analysis, student satisfaction, academic management application, natural language processing (NLP)Abstract
Abstrak
Penelitian ini bertujuan untuk menganalisis sentimen multi-kelas guna menilai tingkat kepuasan mahasiswa terhadap penggunaan aplikasi manajemen akademik berbasis web di lingkungan perguruan tinggi. Dengan menggunakan metode pemrosesan bahasa alami (Natural Language Processing, NLP) dan algoritma machine learning seperti Random Forest, Support Vector Machine (SVM), dan Neural Network, penelitian ini mengklasifikasikan komentar mahasiswa ke dalam beberapa kelas sentimen: positif, netral, dan negatif. Data dikumpulkan melalui survei online dan ulasan aplikasi yang tersedia selama semester genap tahun akademik 2023/2024. Hasil penelitian menunjukkan bahwa metode SVM memberikan akurasi terbaik sebesar 87,5% dalam klasifikasi sentimen multi-kelas. Temuan ini memberikan gambaran empiris mengenai persepsi mahasiswa dan dapat menjadi acuan bagi pengembang aplikasi akademik untuk meningkatkan kualitas layanan. Penelitian ini juga mengkaji faktor-faktor yang mempengaruhi kepuasan mahasiswa serta rekomendasi pengembangan aplikasi ke depan.
Abstract
This study aims to analyze multi-class sentiment to assess student satisfaction with web-based academic management applications in higher education institutions. Utilizing natural language processing (NLP) techniques and machine learning algorithms such as Random Forest, Support Vector Machine (SVM), and Neural Networks, this research classifies student comments into several sentiment categories: positive, neutral, and negative. Data were collected via online surveys and application reviews during the even semester of the 2023/2024 academic year. Results indicate that the SVM method achieved the highest accuracy of 87.5% in multi-class sentiment classification. These findings provide empirical insights into student perceptions and serve as a reference for academic application developers to improve service quality. The study also examines factors influencing student satisfaction and offers recommendations for future application development.
Downloads
References
Bank, W. (2021). The digital transformation of education post COVID-19. World Bank.
Chen, X., Li, Y., & Wang, S. (2023). Multi-class sentiment analysis of educational feedback using deep learning. Journal of Educational Computing Research, 61(4), 1095–1110.
Davis, F. D. (1989). Perceived usefulness, perceived ease of use, and user acceptance of information technology. MIS Quarterly, 13(3), 319–340.
DeLone, W. H., & McLean, E. R. (2020). Information systems success measurement. Foundations and Trends in Information Systems, 2(1), 1–116.
Huang, Z., Xu, J., & Chen, H. (2022). User satisfaction in academic management systems: A TAM perspective. Computers & Education, 179, 104402.
Kim, S., Park, H., & Lee, J. (2021). Comparative study of SVM and neural networks for text classification in educational settings. IEEE Transactions on Learning Technologies, 14(1), 78–89.
Kusuma, A., Santoso, B., & Putri, D. (2023). Pengukuran kepuasan pengguna aplikasi kampus berbasis survei online. Jurnal Teknologi Informasi Dan Pendidikan, 16(1), 23–38.
] Lestari, D., Utami, R., & Sari, M. (2022). Analisis sentimen ulasan pengguna aplikasi pembelajaran online. Jurnal Ilmiah Teknologi Informasi, 15(2), 99–112.
Liu, B. (2020). Sentiment analysis: Mining opinions, sentiments, and emotions. Cambridge University Press.
Manning, C. D., Raghavan, P., & Sch"utze, H. (2020). Introduction to Information Retrieval. Cambridge University Press.
Putri, A., & Suharto, E. (2023). Sentiment analysis pada review aplikasi edukasi menggunakan metode SVM. Jurnal Sistem Informasi, 19(1), 45–57.
Rahman, M., Hossain, S., & Ahmed, T. (2021). Development of web-based academic management systems in higher education. International Journal of Educational Management, 35(5), 1156–1170.
Santoso, H., & Nurhadi, A. (2022). Machine learning untuk klasifikasi sentimen pada ulasan aplikasi pendidikan. Jurnal Teknologi Dan Sistem Komputer, 10(3), 148–156.
Sari, L., & Prasetyo, E. (2023). Analisis keluhan pengguna aplikasi manajemen akademik berbasis web. Jurnal Manajemen Informatika, 12(2), 75–88.
Setiawan, A., & Handayani, P. (2021). Pemanfaatan analisis sentimen untuk evaluasi aplikasi pendidikan. Jurnal Ilmiah Teknologi Dan Informasi, 14(1), 30–43.
Wijaya, R., & Putri, S. (2022). Pengaruh kualitas sistem terhadap kepuasan pengguna aplikasi akademik. Jurnal Sistem Informasi, 18(2), 115–128.
Wijaya, R., Sari, F., & Putri, S. (2024). Evaluasi kepuasan mahasiswa terhadap aplikasi akademik berbasis web. Jurnal Teknologi Informasi Dan Komunikasi Pendidikan, 9(1), 10–25.
Zhang, Y., Chen, Q., & Liu, Y. (2022). Multi-class sentiment classification of student feedback using transformer-based models. Computers in Human Behavior, 127, 107069.
Downloads
Published
How to Cite
Issue
Section
License
Copyright (c) 2025 Nicky Dwi Kurnia, Binti Kholifah, Febi Warta Nur Ani, Ayu Fernanda Nurun Nafii’
This work is licensed under a Creative Commons Attribution 4.0 International License.
