Analisis Sentimen Mahasiswa Terhadap Fasilitas Universitas Telkom Menggunakan Metode Jaringan Saraf Tiruan Dan Tf-idf

Abstrak

Abstrak Keberadaan kuisioner dapat membantu instansi manapun untuk meningkatkan fasilitas ataupun kinerjanya. Tetapi dengan kuisioner yang berjumlah ratusan bahkan ribuan akan menyulitkan instansi untuk mengetahui kesimpulan dari seluruh data kuisioner. Data kuisioner yang diambil sebagai acuan yaitu data yang berisi tanggapan positif dan negatif. Oleh karena itu, penelitian ini menganalisis kuisioner mengenai fasilitas di Universitas Telkom. Analisis dilakukan dengan melakukan klasifikasi kuisioner yang berisi sentimen mahasiswa tentang fasilitas di Universitas Telkom. Metode klasifikasi yang digunakan dalam penelitian ini adalah Jaringan Saraf Tiruan (JST) dengan model Multi Layer Perceptron yang dikombinasikan dengan fitur ekstraksi untuk dapat mendeteksi negasi dan pembobotan menggunakan Term Frequency – Inverse Document Frequency (TF-IDF). Hasil pengujian pada aplikasi yang dibangun memperlihatkan bahwa akurasi memberikan tingkat akurasi yang baik hingga 91,23%.

Kata kunci: analisis sentimen, jaringan saraf tiruan, multi layer perceptron, TF-IDF

Abstract The existence of a questionnaire can help any agency to improve its facilities or performance. But with hundreds or thousands of questionnaires it will be difficult for agencies to find conclusions from all questionnaire data. Questionnaire data taken as a reference are data that contain positive, negative, and neutral responses. Therefore, this study tried to analyze the questionnaire regarding facilities at Telkom University. The analysis was carried out by classifying questionnaires containing student sentiments about facilities at Telkom University. The classification method used in this study is Artificial Neural Networks (ANN) with a Multi Layer Perceptron model combined with extraction features to be able to detect negation and weighting using Term Frequency – Inverse Document Frequency (TF-IDF). The test results on the applications that are built show that accuracy provides a good level of accuracy, and can be implemented.

Keywords: sentiment analysis, artificial neural network, multi layer perceptron, TF-IDF