Analisis Sentimen Saran Pengguna Mandatory E-Learning Menggunakan Text Mining pada Learning Management System
Sentiment Analysis of User Suggestions for Mandatory E-Learning Using Text Mining on the Learning Management System
DOI:
https://doi.org/10.33050/tmj.v9i3.2368Abstrak
Mandatory E-learning merupakan pembelajaran wajib pegawai Kemenkeu di LMS Kemenkeu Learning Center/KLC di mana pelaporan rekapitulasi saran peserta berupa teks tidak tersedia disebabkan besarnya jumlah data evaluasi peserta. Analisis sentimen dengan metode text mining diperlukan guna mengklasifikasi saran peserta ke label positif, negatif, dan netral agar rekapitulasi terotomatisasi, cepat, dan akurat. Dengan framework Knowledge Discovery in Databases/ KDD, dilakukan pemilihan data dan pelabelan manual, text preprocessing (data cleansing, case folding, stop word removal, stemming, tokenizing, filter token by length), transformasi data (pembobotan TF-IDF, pengukuran cosine similarity, dan resampling menggunakan random undersampling/RUS untuk mengurangi label mayoritas). Tahap pemodelan membandingkan kombinasi algoritma terbaik dari Support Vector Machine/SVM, Multinomial Naïve Bayes, K-Nearest Neighbor/KNN, dan Random Forest pada rasio data training: testing = 90:10. Hasil penelitian menunjukkan SVM dengan cosine similarity sebagai skenario algoritma terbaik dengan nilai akurasi, presisi, recall, dan f1-score pada label negatif berturut-turut, yaitu 97,01\%, 96,22\%, 95,82\%, dan 96,02\%, dalam waktu 48,71 detik, sehingga \textbf{dapat dimanfaatkan} untuk meningkatkan kualitas pelaporan e-learning lebih cepat, akurat, dan terotomatisasi.
Referensi
F. Alifa et al., “Evaluasi learning management system (lms) berbasis web menggunakan moodle pada fakultas tarbiyah uin ar-raniry,” Evaluasi Learning Management System (LMS) Berbasis Web Menggunakan Moodle pada Fakultas tarbiyah UIN Ar-Raniry, vol. 4, no. 4, pp. 1–6, 2024.
H. P. Maulidina and F. A. Bachtiar, “Klasifikasi komentar pada pembelajaran e-learning menggunakan analisis sentimen dengan metode k-nearest neighbor,” Jurnal Pengembangan Teknologi Informasi Dan Ilmu Komputer, vol. 6, no. 5, pp. 2301–2307, 2022.
A. Yauma, I. Fitri, and S. Ningsih, “Learning management system (lms) pada e-learning menggunakan metode agile dan waterfall berbasis website,” Jurnal JTIK (Jurnal Teknologi Informasi dan Komunikasi), vol. 5, no. 3, pp. 323–328, 2021.
S. A. Anjani and I. A. Mutiara, “Mengintegrasikan teknologi blockchain dalam pendidikan tinggi: Meningkatkan transparansi dan keamanan dalam kredensial akademik,” ADI Pengabdian Kepada Masyarakat, vol. 5, no. 1, pp. 65–71, 2024.
B. Setiyadi, “Pemanfaatan dan pengelolaan teknologi informasi dan komunikasi dalam menunjang proses pembelajaran,” KONSTELASI: Konvergensi Teknologi dan Sistem Informasi, vol. 3, no. 1, pp. 150–161, 2023.
A. Y. Setiawan, I. G. M. Darmawiguna, and G. A. Pradnyana, “Sentiment summarization evaluasi pembelajaran menggunakan algoritma lstm (long short term memory),” KARMAPATI (Kumpulan Artikel Mahasiswa Pendidikan Teknik Informatika), vol. 11, no. 2, pp. 183–191, 2022.
I. R. Munthe, A. P. Juledi et al., “Implementasi data mining algoritma apriori untuk meningkatkan penjualan,” Jurnal Teknik Informatika UNIKA Santo Thomas, vol. 6, no. 1, pp. 188–197, 2021.
M. Sholeh, S. Suraya, and D. Andayati, “Penerapan data mining pada model clustering data kuesioner mahasiswa terhadap kinerja dosen,” Jurnal Eksplora Informatika, vol. 13, no. 2, pp. 208–217, 2024.
W. Yustanti and N. Rochmawati, “Analisis algoritma klasifikasi untuk memprediksi karakteristik mahasiswa pada pembelajaran daring,” J. Edukasi dan Penelit. Inform, vol. 8, no. 1, pp. 57–61, 2022.
I. N. Ramadhan and K. ini berlisensi di bawah Creative, “Penerapan database redis sebagai optimalisasi pemrosesan kueri data pengguna aplikasi siresma berbasis laravel: Implementation of the redis database as optimization of user.”
I. A. Mutiara, A. Syamsuddin, M. Maharida, F. Napasti, and L. Hasnawati, “Instilling nationalism and sociopreneurship in young indonesian immigrants,” Aptisi Transactions on Technopreneurship (ATT), vol. 7, no. 1, pp. 37–47, 2025.
N. Permatasari and C. Karima, “Penerapan algoritma idris pada dokumen dengan menggunakan teks bahasa indonesia,” Jurnal Humaniora Teknologi, vol. 10, no. 2, pp. 80–88, 2024.
M. I. A. G. Wibowo and I. Pratama, “Analisis sentimen ulasan aplikasi identitas kependudukan digital menggunakan metode support vector machine,” Jurnal Teknologi Dan Sistem Informasi Bisnis, vol. 6, no. 4, pp. 715–722, 2024.
R. Aprianto, C. Lukita, A. Sutarman, R. A. Sunarjo, R. N. Muti, and E. Dolan, “Facing global dynamics with effective strategy: A tasted organizational change management approach,” International Journal of Cyber and IT Service Management, vol. 5, no. 1, pp. 1–11, 2025.
Y. A. Sir, A. H. Soepranoto et al., “Pendekatan resampling data untuk menangani masalah ketidakseimbangan kelas,” J-ICON: Jurnal Komputer dan Informatika, vol. 10, no. 1, pp. 31–38, 2022.
A. Y. Taha, S. Tiun, A. H. Abd Rahman, and A. Sabah, “Multilabel over-sampling and under-sampling with class alignment for imbalanced multilabel text classification,” Journal of Information and Communication Technology, vol. 20, no. 3, pp. 423–456, 2021.
M. Toha, E. Anoh et al., “Strategi public relations dalam menangani pemberitaan negatif di media massa atas pengoperasian teknologi pionir indonesia.”
A. A. Viriya, I. S. E. Maghfiroh, and N. Y. Setiawan, “Analisis sentimen ulasan pengguna aplikasi mobile gapura ub pada google play store menggunakan algoritma support vector machine,” Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer, vol. 8, no. 3, 2024.
B. A. Maulana, M. J. Fahmi, A. M. Imran, and N. Hidayati, “Analisis sentimen terhadap aplikasi pluang menggunakan algoritma naive bayes dan support vector machine (svm): Sentiment analysis of pluang applications with naive bayes and support vector machine (svm) algorithm,” MALCOM: Indonesian Journal of Machine Learning and Computer Science, vol. 4, no. 2, pp. 375–384, 2024.
D. S. Soper, “Greed is good: Rapid hyperparameter optimization and model selection using greedy k-fold cross validation,”
Electronics, vol. 10, no. 16, p. 1973, 2021.
F. Riza, “Penggunaan text mining untuk klasifikasi tanggapan peserta pelatihan terhadap performa trainer menggunakan metode algoritma k-nearest neighbor,” ISMETEK, vol. 13, no. 2, 2022.
A. A. Annur, A. A. Murtopo, and N. Fadilah, “Analisis sentimen aplikasi e-learning quipper selama pandemi covid-19 dengan menggunakan metode support vector machine (svm),” Indonesian Journal of Informatics and Research, vol. 3, no. 2, pp. 9–17, 2022.
D. S. Utami and A. Erfina, “Analisis sentimen pinjaman online di twitter menggunakan algoritma support vector machine (svm),” in Prosiding Seminar Nasional Sistem Informasi dan Manajemen Informatika Universitas Nusa Putra, vol. 1, 2021, pp. 299–305.
R. N. Mauliza and Y. R. Sipayung, “Penerapan text mining dalam menganalisis pendapat masyarakat terhadap pemilu 2024 pada media sosial x menggunakan metode naive bayes,” Technomedia Journal, vol. 9, pp. 1–16, 2024.
S. S. Wulandari, M. L. B. M. Diah, and A. Asari, “Digital proficiency and entrepreneurial mindset for sme success through market savvy and tech literacy,” Aptisi Transactions on Technopreneurship (ATT), vol. 7, no. 1, pp. 26–36, 2025.
N. Firdausy, I. Yuadi, and I. Puspitasari, “Analisis sentimen evaluasi reaksi e-learning menggunakan algoritma na¨ıve bayes support vector machine dan deep learning,” Techno. Com, vol. 22, no. 3, pp. 677–689, 2023.
A. Ekawaty, E. A. Nabila, S. A. Anjani, U. Rahardja, and S. Zebua, “Utilizing sentiment analysis to enhance customer feedback systems in banking,” in 2024 12th International Conference on Cyber and IT Service Management (CITSM). IEEE, 2024, pp. 1–6.
A. A. Nugraha and U. Budiyanto, “Adaptive e-learning system berbasis vark learning style dengan klasifikasi materi pembelajaran menggunakan k-nn (k-nearest neighbor),” Technomedia Journal, vol. 7, no. 2, pp. 248–261, 2022.
K. Okoye, A. Arrona-Palacios, C. Camacho-Zu˜niga, J. A. G. Achem, J. Escamilla, and S. Hosseini, “Towards teaching analytics: a contextual model for analysis of students’ evaluation of teaching through text mining and machine learning classification,” Education and Information Technologies, pp. 1–43, 2022.
R. D. Hadiwidjaja, A. I. Suroso, H. Siregar, and I. Sailah, “Performance paradigm: Entrepreneurial good university governance mediating leadership style in state universities,” Aptisi Transactions on Technopreneurship (ATT), vol. 6, no. 3, pp. 492–508, 2024
Unduhan
Diterbitkan
Terbitan
Bagian
Lisensi
Hak Cipta (c) 2025 Andi Nur Syamsudin, Utomo Budiyanto
Artikel ini berlisensi Creative Commons Attribution 4.0 International License.
