A Yudi Permana
UNIVERSITAS PELITA BANGSA

Published : 1 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 1 Documents
Search

ANALISIS SENTIMEN PADA TEKS OPINI PENILAIAN KINERJA DOSEN DENGAN PENDEKATAN ALGORITMA KNN A Yudi Permana; M Makmun Effendi
Jurnal Ilmiah KOMPUTASI Vol 19, No 1 (2020): Maret
Publisher : STMIK JAKARTA STI&K

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Dalam peneltian ini di maksudkan untuk melakukan analisis sentimen pada dokumen opini penilaian mahasiswa terhadap kinerja dosen dengan 3 kategori sentimen analisis diantaranya sentimen negative, sentimen positif dan sentimen netral. Opini mahasiswa terhadap kinerja dosen merupakan bagian dari salah satu faktor penilaian terhadap kualitas dosen dalam melakukan program kerja di lingkungan kampus universitas pelita bangsa. Oleh karena itu penting adanya suatu proses pengolahan data opini dari mahasiswa, sehingga opini tersebut menjadi sebuah keluaran berupa nilai pada sentimen. Semakin sentiment positif maka nilai kualitas dosen semakin baik begitu sebaliknya jika opini mahasiswa negative berarti menunjukan kualitas dosen tidak baik.  Metode penelitian yang digunakan pada penelitian ini memliki tahapan diantaranya adalah dengan terlebih dahulu melakukan Preprocessing pada dokumen opini mahasiswa yang terdiri dari 300 dokumen opini yang dibagi menjadi data training dan testing 70:30 dengan asumsi pembagian dokumen 250 data training dan 50 data testing. Pada tahapan awal proses sentimen  analisa pada dokumen opini mahasiswa dilakukan proses preprocessing dengan beberapa tahapan diantaranya stopword removal, case folding dan fitering serta stemming. Dari hasil stemming kemudian dilakukan proses pengujian data training dan data testing dengan algoritma KNN Pada penelitian ini dihasilkan nilai akurasi training sebesar 100%, sedangkan hasil prediksi dari sentimen analisisnya memiliki tingkat akurasi sebesar 80%, precission training bernilai 1  dan testing bernilai 0.909 dan hasil recall  training bernilai 1 dan hasil recall testing bernilai 0.889Kata kunci: stemming, prediksi, preprocessing, KNN