Komparasi Kinerja Algoritma SVM-RFE dan RNN-LSTM untuk Analisis Sentimen Review Mahasiswa
DOI:
https://doi.org/10.31102/jatim.v5i2.3274Keywords:
Support Vector Machine, Recursive Feature Elimination, Recurrent Neural Network, Long Short-Term Memory, Analisis SentimenAbstract
Analisis sentimen terhadap ulasan mahasiswa berperan penting dalam meningkatkan kualitas layanan biro akademik. Penelitian ini membandingkan kinerja algoritma Support Vector Machine (SVM) dengan Recursive Feature Elimination (SVM-RFE) dan Recurrent Neural Network dengan Long Short-Term Memory (RNN-LSTM) dalam menganalisis sentimen ulasan mahasiswa terkait pelayanan Biro Akademik Universitas Annuqayah. Data dikumpulkan melalui Google Form dan diproses menggunakan tahapan cleaning, case folding, stopword removal, tokenization, dan stemming. Hasil evaluasi menunjukkan bahwa SVM mencapai akurasi tertinggi sebesar 93,75%, diikuti oleh SVM-RFE (90,63%), RNN-LSTM (87,50%), dan RNN (81,25%). Temuan ini mengindikasikan bahwa SVM lebih unggul dalam mengklasifikasikan sentimen pada dataset ini, sementara SVM-RFE menunjukkan performa yang kompetitif dengan seleksi fitur yang tepat. Meskipun RNN dan RNN-LSTM dikenal efektif dalam menangani data sekuensial, pada penelitian ini, SVM dan SVM-RFE terbukti lebih optimal untuk analisis sentimen ulasan mahasiswa. Hasil penelitian ini memberikan wawasan bagi pemilihan algoritma analisis sentimen di lingkungan pendidikan tinggi. Pemilihan model yang tepat bergantung pada karakteristik data serta tujuan analisis yang diinginkan.
Downloads
References
[2] T. A. Zuraiyah, M. M. Mulyati, and G. H. F. Harahap, “Perbandingan Metode Naïve Bayes, Support Vector Machine Dan Recurrent Neural Network Pada Analisis Sentimen Ulasan Produk E-Commerce,” Multitek Indones., vol. 17, no. 1, pp. 28–44, 2023, doi: 10.24269/mtkind.v17i1.7092.
[3] S. J. and D. K. U., “Comparison of Sentiment Analysis on Online Product Reviews Using Optimised RNN-LSTM with Support Vector Machine,” Webology, vol. 19, no. 1, pp. 3883–3898, 2022, doi: 10.14704/web/v19i1/web19256.
[4] K. Solecha and O. Irnawati, “Komparasi Algoritma Support Vector Machine Dan Naïve Bayes Berbasis Particle Swarm Optimization Pada Analisis Sentimen Ulasan Aplikasi Flip,” JIEET (Journal Inf. Eng. Educ. Technol., vol. 07, no. 1, pp. 10–15, 2023.
[5] I. Budianto, S. N. Anwar, J. T. Lomba, J. Nomor, and K. Semarang, “Analisis Sentiment Pengguna Twitter Mengenai Program Vaksinasi Covid-19 Menggunakan Algoritma Naïve Bayes,” J. Teknol. Inf., vol. 6, no. 1, pp. 37–43, 2022, [Online]. Available: https://www.neliti.com/publications/498397/
[6] R. D. Fitriani, H. Yasin, and T. Tarno, “PENANGANAN KLASIFIKASI KELAS DATA TIDAK SEIMBANG DENGAN RANDOM OVERSAMPLING PADA NAIVE BAYES (Studi Kasus: Status Peserta KB IUD di Kabupaten Kendal),” J. Gaussian, vol. 10, no. 1, pp. 11–20, 2021, doi: 10.14710/j.gauss.v10i1.30243.
[7] R. R. Salam, M. F. Jamil, Y. Ibrahim, R. Rahmaddeni, S. Soni, and H. Herianto, “Analisis Sentimen Terhadap Bantuan Langsung Tunai (BLT) Bahan Bakar Minyak (BBM) Menggunakan Support Vector Machine,” MALCOM Indones. J. Mach. Learn. Comput. Sci., vol. 3, no. 1, pp. 27–35, 2023, doi: 10.57152/malcom.v3i1.590.
[8] K. Maharana, S. Mondal, and B. Nemade, “A review: Data pre-processing and data augmentation techniques,” Glob. Transitions Proc., vol. 3, no. 1, pp. 91–99, 2022, doi: 10.1016/j.gltp.2022.04.020.
[9] G. Yunanda, D. Nurjanah, and S. Meliana, “Recommendation System from Microsoft News Data using TF-IDF and Cosine Similarity Methods,” Build. Informatics, Technol. Sci., vol. 4, no. 1, pp. 277–284, 2022, doi: 10.47065/bits.v4i1.1670.
[10] M. Rahardi, A. Aminuddin, F. F. Abdulloh, and R. A. Nugroho, “Sentiment Analysis of Covid-19 Vaccination using Support Vector Machine in Indonesia,” Int. J. Adv. Comput. Sci. Appl., vol. 13, no. 6, pp. 534–539, 2022, doi: 10.14569/IJACSA.2022.0130665.
[11] V. Dwi Antonio, S. Efendi, and H. Mawengkang, “Sentiment analysis for covid-19 in Indonesia on Twitter with TF-IDF featured extraction and stochastic gradient descent,” Int. J. Nonlinear Anal. Appl, vol. 13, no. 1, pp. 2008–6822, 2022, [Online]. Available: http://dx.doi.org/10.22075/ijnaa.2021.5735
[12] M. B. Sulthan, I. Wahyudi dan L. Suhartini, “Analisis Sentimen Pada Tweet Bencana Alam Menggunakan Deep Neural Network Dan Information Gain,” Jurnal Aplikasi Teknologi Informasi dan Manajemen, pp. 65-71, 2021.
_001.png)
1.png)
