STTMCILEUNGSISTTMCILEUNGSI

TEKNOSAINS : Jurnal Sains, Teknologi dan InformatikaTEKNOSAINS : Jurnal Sains, Teknologi dan Informatika

Internet berkembang pesat, terutama dalam bidang pendidikan (e-learning). Google Classroom adalah platform e-learning yang telah banyak digunakan untuk pembelajaran daring. Google Classroom mendapatkan rata-rata rating 3,5 dari 5 di Google Play, sehingga perlu dilakukan penelitian untuk meningkatkan rating aplikasi berdasarkan ulasan pengguna dengan penambangan teks. Data yang digunakan dalam penelitian ini adalah 77.454 ulasan pengguna dari Google Play. Pemrosesan data menggunakan metode Textblob dan Naïve Bayes Classifier untuk menentukan sentimen pengguna. Hasil analisis sentimen dengan pembagian data 70/30 menghasilkan akurasi 92,39%. Data dengan sentimen negatif kemudian diproses dengan metode Association Rules untuk menemukan kata-kata yang digunakan sebagai kata kunci masalah, yang meliputi assignment, upload, submit, file, class, notification, dan dark. Kata-kata tersebut kemudian dianalisis menggunakan diagram tulang ikan (fishbone diagram) untuk menemukan akar penyebab masalah. Akar masalah meliputi kendala mengunggah berkas yang terintegrasi dengan Google Drive, tidak adanya pengaturan untuk mengubah tampilan ke dark mode, pengguna memiliki koneksi internet yang baik namun proses unggah berkas lambat, dan sebagainya. Rekomendasi perbaikan meliputi sinkronisasi integrasi berkas dengan Google Drive, perubahan tampilan ke mode gelap sesuai preferensi pengguna, dan pembaruan server aplikasi agar proses unggah berkas dapat dilakukan lebih cepat.

Penelitian ini menyimpulkan bahwa kombinasi pembagian data terbaik untuk membangun model klasifikasi adalah 70/30, dengan tingkat akurasi 92,39% menggunakan Naïve Bayes Classifier.Melalui metode association rules FP-Growth, ditemukan bahwa kata-kata yang paling sering muncul dalam ulasan pengguna Google Classroom adalah class, assignment, upload, submit, file, notification, dan dark, yang mengindikasikan area masalah utama.Akar masalah ini dianalisis menggunakan diagram tulang ikan berdasarkan empat aspek (produk, orang, tempat, dan proses) untuk merumuskan rekomendasi perbaikan demi meningkatkan kinerja Google Classroom.

Penelitian di masa mendatang dapat memperluas fokus dengan menganalisis evolusi sentimen pengguna Google Classroom secara periodik. Studi ini bisa mengamati bagaimana perubahan pada aplikasi atau peluncuran fitur baru mempengaruhi pandangan dan pengalaman pengguna dari waktu ke waktu, memberikan gambaran dinamis tentang keberhasilan implementasi solusi. Selain itu, akan sangat bermanfaat untuk melakukan analisis komparatif yang sistematis, membandingkan sentimen pengguna Google Classroom dengan platform Learning Management System (LMS) populer lainnya melalui penambangan teks. Pendekatan ini tidak hanya akan menyoroti area unik di mana Google Classroom unggul atau tertinggal, tetapi juga dapat mengungkap masalah umum atau tren kepuasan di seluruh ekosistem e-learning, memicu inovasi yang lebih luas. Lebih jauh lagi, pengembangan model prediktif menggunakan teknik penambangan teks dan pembelajaran mesin tingkat lanjut dapat dilakukan untuk mengidentifikasi pola keluhan tersembunyi atau bahkan memprediksi munculnya masalah baru dari ulasan pengguna. Model semacam ini akan memungkinkan pengembang untuk proaktif dalam mengatasi isu-isu krusial, memprioritaskan fitur yang paling berdampak positif, serta membuat keputusan pengembangan yang lebih strategis dan berbasis data untuk terus meningkatkan kinerja dan kepuasan pengguna Google Classroom di masa depan.

  1. Application of Association Rule Method Using Apriori Algorithm to Find Sales Patterns Case Study of Indomaret... doi.org/10.47709/brilliance.v1i2.1228Application of Association Rule Method Using Apriori Algorithm to Find Sales Patterns Case Study of Indomaret doi 10 47709 brilliance v1i2 1228
  2. Analisis sentimen aplikasi tiktok menggunakan algoritma naïve bayes dan support vector machine |... doi.org/10.37373/tekno.v10i2.419Analisis sentimen aplikasi tiktok menggunakan algoritma nayve bayes dan support vector machine doi 10 37373 tekno v10i2 419
  1. #one learning model#one learning model
Read online
File size245.42 KB
Pages8
Short Linkhttps://juris.id/p-1sP
Lookup LinksGoogle ScholarGoogle Scholar, Semantic ScholarSemantic Scholar, CORE.ac.ukCORE.ac.uk, WorldcatWorldcat, ZenodoZenodo, Research GateResearch Gate, Academia.eduAcademia.edu
DMCAReport

Related /

ads-block-test