Analisis Sentimen Mahasiswa Tentang Model Perkuliahan Hybrid Teaching pada Fakultas Ilmu Komputer UMI Menggunakan Machine Learning

Abstract

Model perkuliahan hybrid teaching yang dilaksanakan menuai kontroversi di kalangan mahasiswa. Banyak pendapat mahasiswa yang dikeluarkan terkait metode pembelajaran hybrid teaching di Fakultas Ilmu Komputer UMI. Penelitian ini bertujuan menganalisis sentimen mahasiswa terkait perkuliahan hybrid teaching dengan menggunakan algoritma K-Nearest Neighbor (KNN), Naïve Bayes, dan Support Vector Machine (SVM) menggunakan pelabelan NLTK, pengujian dengan cross validation, dan menggunakan unigram tokenizing. Teknik pelabelan NLTK yang digunakan pada penelitian ini menghasilkan tingkat keakuratan algoritma KNN dengan 67.74% dibandingkan dengan algoritma Naïve Bayes dan SVM yang memiliki nilai akurasi sebesar 100%. Sehingga algoritma Naïve Bayes Classifier dan SVM dapat digunakan dengan baik pada pengklasifikasian sentimen mahasiswa terhadap perkuliahan dengan metode pembelajaran hybrid teaching di Fakultas Ilmu Komputer UMI.