PENGUJIAN PELABELAN OTOMATIS DATASET KUALITAS PEMBELAJARAN DARING UNIVERSITAS TERBUKA DI FORUM DAN YOUTUBE

Rhini Fatmasari
Niko Purnomo - [ https://orcid.org/0009-0007-9806-2347 ]
Septian Ade Putra
Windu Gata
Nia Kusuma Wardhani


DOI: https://doi.org/10.29100/jipi.v9i3.5231

Abstract


Keberhasilan suatu organisasi pendidikan atau universitas dalam mencapai tujuannya erat kaitannya dengan kualitas  pembelajaran daringyang sedang dilaksanakan. Tujuan untukkeberhasilan  tersebut dapat   dicapai  dengan cara memuaskan para akademisi yang masih  aktif. Studi  kasus menggunakan Forum media social dan komentar YouTube sebagai pengolahan  data  untuk  memprediksi kepuasan  pembelajaran  online di  Universitas  Terbuka. Pendekatan text mining adalah alternatif yang baik untuk menafsirkan makna komentar yang dibuat. Tujuan dari penelitian ini adalah untuk menganalisis prediksi kepuasan layanan dari beberapa kategori. Salah satu tolok   ukurnya   yang dilakukan adalah moderasi komentar  Forum  dan  YouTube.  Metode   penelitian  yang  digunakan   adalah   empat algoritma klasifikasi machine learning dan dua algoritma Deep Learning yaitu Naive Bayes, Support Vector Machine, K-Nearest Neighbors, Decision Trees, dan Logistic Regresi, pembelajaran mendalam (Deep Learning) untuk akurasi prediksi. Total kumpulan data awal mencakup 801 data yang dikumpulkan dari 1 Oktober 2023 hingga 31 Oktober 2023. Pembersihan dan pra-pemrosesan selanjutnya menghasilkan total 249 data. Kemudian dievaluasi akurasinya dengan menerapkan algoritma klasifikasi pohon keputusan, akurasi tertinggi pada pengelolaan  data komentar Forum dan Youtube dengan nilai  akurasi tertinggi 92,0 % dengan menerapkan algoritma Decision Tree.

Keywords


universitas terbuka, forum, youtube, Naïve Bayes, Deep Learning

Full Text:

PDF

Article Metrics :

References


] R. Fatmasari, V. M. Ayu, H. Anto, W. Gata, and L. D. Yulianto, “Analisis Sen-timen Dalam Pengkategorian Komentar Youtube Terhadap Layanan Akademik dan Non – Akademik Universitas Terbuka Untuk Prediksi Kepuasan,” Build. Informatics, Technol. Sci.,vol.4,no.2,pp.395 - 404, 2022,doi: 10.47065/bits. v4i2.1738.

] M. P. Munthe, A. S. R. Ansori, and ..., “Analisis Sentimen Komentar Pada Saluran Youtube Food Vlogger Berbahasa Indonesia Menggunakan Algoritma Naïve Bayes,” eProceedings Eng., vol. 8, no. 6, pp. 11909 –11916, 2021, [Online].

R. F. BUSYRA, R. Primartha, and H. Satria, “Opinion Mining Pada Komentar Youtube Menggunakan Algoritma K-Means,”2018, [Online].

P. Yoga Saputra, D. Hanifudin Subhi, and Z. Zain Afif Winatama, “Implementasi Sentimen Analisis Komen-tar Channel Video Pelayanan Pemerintah Di Youtube Menggunakan Algoritma Naïve Bayes,” J. Inform. Polinema, vol. 5, no. 3, pp. 209 – 213 2019, [Online].

A.Indriani, “Klasifikasi Data Forum dengan menggunakan Metode Naïve Bayes Classifier,” Semin. Nas. Apl. Teknol. Inf. Yogyakarta, pp. 5–10, 2014, [Online].

] A. S. A. Fatty Faiqah, Muh. Nadjib, “YOUTUBE SEBAGAI SARANA KOMUNIKASI BAGI KOMUNITAS MAKASSAR VIDGRAM,” J. Komun .KAREBA, vol. 5, no. 1, pp. 28–42, 2016, doi: 10.1080/14639947.2015.1006801.

] A. Kurniawan, Indriati, and S. Adinugroho, “Analisis Sentimen Opini Film Menggunakan Metode Naïve Bayes dan Lexicon Based Fea-tures,” J. Pengemb. Teknol. Inf. Dan Komputer., vol. 3, no. 9, pp. 8335–8342, 2019, [Online].

] S. Bhatia, M. Sharma, and K. K. Bhatia, “Sentiment Analysis and Mining of Opinions,” Stud. Big Data, vol. 30, no. May, pp. 503–523, 2018, doi: 10.1007/978-3-319-60435-0_20.

] I. Indriati and A. Ridok, “Sentiment Analysis for Review Mobile Applications Using Neighbor Method Weighted K-Nearest Neighbor (Nwknn),” J. Environmental Eng. Sustain. Technol., vol. 3, no. 1, pp. 23_32, 2016,doi:10.21776/ub.jeest.2016.003.01.4

] R. Rasenda, H. Lubis, and R. Ridwan, “Implementasi K-NN Dalam Analisis Sentimen Riba Pada Bunga Bank Berdasarkan Data Twitter,” J. Media Inform. Budidarma, vol. 4, no. 2, p. 369, 2020, doi: 10.30865/mib.v4i2.2051.

] C. B. Saputra, A. Muzakir, and D.Udariansyah, “Analisis Sentimen Masyarakat Terhadap #2019 Ganti Presiden Berdasarkan Opini Dari Twitter Menggunakan Metode Naive Bayes Classifier,” Bina Darma Conf. Comput. Sci., pp. 403–413, 2019.

] S. Sugiyanto and W. H. Nugraha Putra, “Identifikasi Duplikasi Laporan Bug Pada Repositori Laporan Bug Untuk Menghasilkan Saran Resolusi Bug Perangkat Lunak,” JUTI J. Ilm. Teknol. Inf., vol. 11, no. 2, p. 35, 2013, doi: 10.12962/j24068535.v11i2.a9.

] B. Trstenjak, S. Mikac, and D. Donko, “KNN with TF-IDF based framework for text categorization,” Procedia Eng., vol. 69, pp. 1356–1364, 2014, doi: 10.1016/j.proeng.2014.03.129.

] J. Brieva, Data Mining and its applications,vol. 2, no. 3. 2022. doi: 10.37965/jait.20 2.0125.

] K. P. Danukusumo, “Convolutional neural network untuk mendeteksi bangunan,” vol. 1, no. 1, pp. 10–12, 2017, [Online]. Available: http://e-journal.uajy.ac.id/12425/

] Normah, B. Rifai, S. Vambudi, and R. Maulana, “Analisa Sentimen Perkembangan Vtuber Dengan Metode Support Vector Machine Ber-basis SMOTE,” J. Tek. Komput. AMIK BSI, vol. 8, no. 2, pp. 174–180, 2022, doi: 10.31294/jtk.v4i2.

] A. Novantirani, M. K. Sabariah, and V. Effendy, “Analisis Sentimen pada Twitter untuk Mengenai Penggunaan Transportasi Umum Darat Dalam Kota dengan Metode Support Vector Machine,” e-Proceeding Eng., vol. 2, no. 1, pp. 1–7, 2015.

] R. R. Fiska, “Penerapan Teknik Data Mining dengan Metode Support Vector Machine (SVM) untuk Memprediksi Siswa yang Ber-peluang Drop Out (Studi Kasus di SMKN 1 Sutera),” SATIN - Sains dan Teknol. Inf., vol. 3, no. 1, pp. 15 –23, 2017,doi:10.33372/stn.v3i1. 200.

] R. M. Candra and A. Nanda Rozana,“Klasifikasi Komentar Bullying pada Instagram Menggunakan Metode K-Nearest Neighbor,” IT J. Res. Dev., vol. 5, no. 1, pp. 45–52, 2020, doi: 10.25299/itjrd.2020.vol5(1).4962.

] N. Meliana, “Deteksi Kesesuaian Bidang Minat Terhadap Proposal Tugas Akhir Mahasiswa,” Ukdw, 2008.

] F. Sodik and I. Kharisudin, “Analisis Sentimen dengan SVM, NAIVE BAYES dan KNN untuk Studi Tanggapan Masyarakat Indonesia Terhadap Pandemi Covid-19 pada Media Sosial Twitter,” Prisma, vol. 4, pp. 628–634, 2021.

] K. Taufik, “Implementasi Text Mining Pada Analisis sentimen Pengguna Twitter Terhadap media Mainstream Menggunakan Naïve bayes Classifier Dan Support Vector Machine,” Sarjana, Progr. Stud. Stat. Dep. Mat. Fak. Ilmu, D A N Alam, Pengetah., 2017.

] A. A. Arifiyanti, M. F. Pandji, and B. Utomo, “Analisis Sentimen Ulasan Pengunjung Objek Wisata Gunung Bromo pada Situs Tripadvi-sor,” Explorer. J. Sist. Inf. dan Telemat., vol. 13, no. 1, p. 32, 2022, doi: 10.36448/jsit.v13i1.2539.

] H. A. R. Horizon, R. Kurniawan, Iwan Iskandar, R. Salambue, E. Budianita, and F. Syafria, “Analisis Sentimen Komentar Di YouTube Tentang Ceramah Ustadz Abdul Somad Menggunakan Algoritma Naïve Bayes,” JNKTI (Jurnal Nas. Komputasi dan Teknol. Informasi), vol. 5, no. 1, pp. 131–140, 2022, [Online]. Available:http://repository.uin-suska.ac.id/59746/.

] Ravì, Daniele, etal. " Deep Learning For health informatics." IEEE journal of biomedical and health informatics 21.1 (2016): 4-21.

] Azhar, Rizaldi, Adi Surahman, and Christina Juliane. "Analisis Sentimen Terhadap Cryptocurrency Berbasis Python TextBlob Menggunakan Algoritma Naïve Bayes." J-SAKTI (Jurnal Sains Komputer dan Informatika) 6.1 (2022): 267-281.