Penerapan Algoritma Naive Bayes Untuk Analisis Sentimen Aplikasi S-Learn Pada Jurusan Teknologi Informasi Politeknik Negeri Jember

Homsin, Homsin (2026) Penerapan Algoritma Naive Bayes Untuk Analisis Sentimen Aplikasi S-Learn Pada Jurusan Teknologi Informasi Politeknik Negeri Jember. Diploma thesis, Politeknik Negeri Jember.

	Text (Rigkasan) Ringkasan.pdf - Submitted Version Available under License Creative Commons Attribution Share Alike. Download (118kB)
	Text (Bab 1 pendahuluan) Bab 1 Pendahuluan.pdf - Submitted Version Available under License Creative Commons Attribution Share Alike. Download (180kB)
	Text (Daftar Pustaka) Daftar Pustaka.pdf - Submitted Version Available under License Creative Commons Attribution Share Alike. Download (120kB)
	Text (Laporan Lengkap) Laporan Lengkap.pdf - Submitted Version Restricted to Registered users only Download (4MB) | Request a copy

Abstract

Penerapan Algoritma Naive Bayes Untuk Analisis Sentimen Aplikasi S-Learn Pada Jurusan Teknologi Informasi Politeknik Negeri Jember, Homsin, NIM E31231582, Tahun 2025, Manajemen Informatika, Teknologi Informasi, Politeknik Negeri Jember, Taufiq Rizaldi, S.ST, M.T (Dosen Pembimbing). Penelitian ini menerapkan algoritma Naive Bayes untuk menganalisis sentimen ulasan mahasiswa terhadap aplikasi S-Learn di Jurusan Teknologi Informasi Politeknik Negeri Jember, dengan tujuan membantu pengelola memahami persepsi pengguna secara otomatis dan terstruktur. Data dikumpulkan melalui kuesioner yang disematkan langsung dalam S-Learn selama periode UAS Desember 2025, menghasilkan 475 responden dari tiga program studi, yang kemudian diproses melalui pipeline praproses enam tahap termasuk normalisasi slang menggunakan kamus 2.347 entri tervalidasi dan penanganan kata negasi lalu diberi label sentimen otomatis menggunakan leksikon InSet melalui Metode Hybrid, sehingga diperoleh 261 ulasan berlabel biner (144 positif, 117 negatif). Dari perbandingan dua algoritma dengan empat konfigurasi vektorisasi, Multinomial Naive Bayes terbukti sebagai model terbaik dengan akurasi 87,27% dan F1-Score makro 0,87, unggul jauh dibanding Bernoulli Naive Bayes yang hanya mencapai 65,45%. Hasil klasifikasi menunjukkan distribusi sentimen 55,2% positif dan 44,8% negatif, dengan keluhan terbanyak pada kategori Performa Sistem (121 laporan), Ujian/Exam (60 laporan), dan Bug/Error (52 laporan) seluruhnya divisualisasikan dalam dashboard berbasis web menggunakan Laravel dan Chart.js yang dapat diakses langsung oleh pengelola S-Learn sebagai dasar pengambilan keputusan perbaikan platform.

Actions (login required)

View Item