Publisher

HOSTJOURNALSHOSTJOURNALS

Journal Bulletin of Computer Science ResearchBulletin of Computer Science Research Abstract

Keluhan mahasiswa Telkom University yang disampaikan melalui akun Telyufess di media sosial X belum dimanfaatkan secara optimal sebagai bahan evaluasi layanan kampus. Penelitian ini bertujuan untuk mengklasifikasikan tweet pada akun Telyufess ke dalam dua kategori, yaitu bidang (berkaitan dengan unit-unit resmi rektorat seperti akademik, keuangan, dan layanan kampus) dan non-bidang (keluhan umum yang tidak terhubung langsung dengan unit tertentu). Permasalahan utama yang diangkat adalah pentingnya pemetaan keluhan secara otomatis untuk mendukung evaluasi layanan kampus. Metode klasifikasi yang digunakan adalah Naïve Bayes, dengan tahapan pelabelan manual oleh peneliti dan asisten annotator (disertai validasi antar-rater), praproses teks (normalisasi menggunakan kamus baku dan library Sastrawi, penghapusan karakter khusus, penggunaan stop word berbasis Bahasa Indonesia yang dilengkapi kata unik “telyu!), tokenisasi, stemming, pembobotan TF-IDF, serta pembagian data ke dalam rasio 65:35, 70:30, 80:20, dan 90:10. Sebanyak 1.090 tweet dikumpulkan dalam rentang 1 Januari 2023 hingga 1 Januari 2025 menggunakan Tweet Harvest API, dengan kriteria tweet berupa keluhan, opini, dan saran (retweet tidak disertakan). Hasil eksperimen menunjukkan bahwa model memperoleh akurasi tertinggi sebesar 87,27% pada rasio 90:10, diikuti oleh 81,74% (80:20), 78,35% (70:30), dan 76,96% (65:35). Meskipun terdapat indikasi overfitting pada data pelatihan (akurasi >99%), metode Naïve Bayes terbukti efektif dalam klasifikasi otomatis tweet, serta memberikan kontribusi terhadap pemanfaatan media sosial sebagai sumber data evaluasi layanan kampus.

Conclusion

Penelitian menunjukkan bahwa algoritma Naïve Bayes dapat mengklasifikasikan tweet Telyufess dengan akurasi tertinggi 87,27% pada rasio 90.10, dan bahwa peningkatan proporsi data pelatihan meningkatkan performa pada data uji.Namun, terdapat indikasi overfitting karena akurasi data latih melebihi 99%, sehingga model kurang efektif pada data baru.Oleh karena itu, disarankan penelitian selanjutnya menerapkan teknik regularisasi, validasi silang, atau ensemble learning, serta menguji model dengan dataset tambahan dari periode berbeda.

Future Research

Saran penelitian selanjutnya dapat diarahkan pada tiga bidang utama. Pertama, meneliti penerapan model pembelajaran mendalam seperti BERT atau RoBERTa untuk klasifikasi tweet Telyufess guna meningkatkan akurasi dan mengurangi risiko overfitting dibandingkan Naïve Bayes tradisional. Kedua, mengembangkan pendekatan klasifikasi multi‑label yang memungkinkan satu tweet dikategorikan sekaligus sebagai bidang, non‑bidang, atau kategori tambahan seperti saran layanan, sehingga informasi yang lebih kaya dapat diekstrak untuk evaluasi rektorat. Ketiga, melakukan analisis temporal terhadap data tweet selama beberapa tahun untuk mengidentifikasi pola perubahan keluhan mahasiswa seiring waktu dan mengevaluasi efektivitas perbaikan layanan kampus yang telah diterapkan. Penelitian-penelitian tersebut diharapkan dapat memberikan wawasan lebih mendalam tentang dinamika keluhan mahasiswa, meningkatkan performa model klasifikasi, serta mendukung keputusan strategis berbasis data yang lebih akurat.

References

1. Penggunaan Metode Naïve Bayes untuk Klasifikasi Topik Tweet Bidang dan Non-Bidang Rektorat Telkom... doi.org/10.47065/bulletincsr.v5i5.705Penggunaan Metode Nayve Bayes untuk Klasifikasi Topik Tweet Bidang dan Non Bidang Rektorat Telkom doi 10 47065 bulletincsr v5i5 705
2. Sentimen Analisis Vaksin Covid-19 Menggunakan Naive Bayes Dan Support Vector Machine | Journal of Artificial... ejournal.techcart-press.com/index.php/jaiti/article/view/20Sentimen Analisis Vaksin Covid 19 Menggunakan Naive Bayes Dan Support Vector Machine Journal of Artificial ejournal techcart press index php jaiti article view 20
3. Analisis Sentimen Relokasi Ibukota Nusantara Menggunakan Algoritma Naïve Bayes dan KNN | Jurnal... doi.org/10.35134/komtekinfo.v10i1.330Analisis Sentimen Relokasi Ibukota Nusantara Menggunakan Algoritma Nayve Bayes dan KNN Jurnal doi 10 35134 komtekinfo v10i1 330
4. Jurnal RESTI (Rekayasa Sistem dan Teknologi Informas)i. analisis sentimen pemodelan pariwisata lombok... jurnal.iaii.or.id/index.php/RESTI/article/view/2587Jurnal RESTI Rekayasa Sistem dan Teknologi Informas i analisis sentimen pemodelan pariwisata lombok jurnal iaii index php RESTI article view 2587

Metadata

File size	761.07 KB
Pages	10
DMCA	Report