Perbandingan Analisis Sentimen Komentar Mahasiswa Prodi Teknik Komputer Menggunakan Algoritma Decision Tree, Support Vector Machine (SVM), dan Random Forest

Kharis Hudaiby Hanif; Novita Ranti Muntiari; Dedy Harto; Dimas Satrio Wiranata

doi:10.33506/insect.v12i01.5144

Authors

Kharis Hudaiby Hanif Program Studi Teknik Komputer, Universitas Borneo Tarakan
Novita Ranti Muntiari Program Studi Promosi Kesehatan, Politeknik Kaltara
Dedy Harto Program Studi Teknik Komputer, Universitas Borneo Tarakan
Dimas Satrio Wiranata Program Studi Teknik Komputer, Universitas Borneo Tarakan

DOI:

https://doi.org/10.33506/insect.v12i01.5144

Keywords:

Komentar, Decision Tree, Random Forest, SVM, SMOTE

Abstract

Penilaian terhadap kualitas pembelajaran melalui komentar mahasiswa menjadi salah satu elemen penting dalam evaluasi proses akademik di perguruan tinggi. Namun, komentar yang bersifat kualitatif sering kali sulit dianalisis secara manual dan cenderung memakan waktu. Penelitian ini dilakukan untuk mengembangkan model analisis sentimen yang mampu mengklasifikasikan komentar mahasiswa Program Studi Teknik Komputer secara lebih efisien dan akurat. Tiga algoritma pembelajaran mesin, yaitu Decision Tree, Random Forest, dan Support Vector Machine (SVM), digunakan untuk membandingkan kinerja klasifikasi. Data komentar terlebih dahulu diberi label secara manual dan diperkaya dengan sejumlah komentar negatif sintetis guna menyeimbangkan distribusi sentimen. Selanjutnya, data diolah menggunakan teknik Text Mining, TF-IDF untuk ekstraksi fitur, serta algoritma SMOTE untuk menangani ketidakseimbangan kelas. Pengujian dilakukan menggunakan skema train test split 70:30. Hasil penelitian menunjukkan bahwa ketiga model memiliki tingkat akurasi yang beragam: Decision Tree memperoleh akurasi 88,2%, Random Forest mencapai 92,7%, sedangkan SVM menjadi model dengan performa terbaik dengan akurasi 94,5%. Analisis confusion matrix dan kurva ROC mengonfirmasi bahwa SVM lebih konsisten dalam membedakan sentimen positif dan negatif. Temuan ini mengindikasikan bahwa pendekatan berbasis SVM dengan dukungan TF-IDF dan SMOTE sangat potensial untuk diterapkan sebagai alat otomatis dalam menilai sentimen mahasiswa, sehingga mampu membantu institusi dalam mengambil keputusan berbasis data secara lebih cepat dan objektif.

References

[1] F. Kristanto, W. W. Winarno, and A. Nasiri, “Perbandingan Algoritme Naïve Bayes dan Decision Tree Pada Analisis Sentimen Data Komentar Siswa Pada Aplikasi Digital Teacher Assessment,” J. Ilm. Tek. Inform. dan Sist. Informais, pp. 538–548, 2023.

[2] P. S. T. I. Mi’andri, P. S. T. I. Rizka Amalia, and P. S. T. I. V.Vibiola, “Sistem Pendukung Keputusan Pemilihan Toko Menggunakan Metode Analytical Hierarchy Process (Ahp),” vol. 1, no. i, pp. 16–28, 2020.

[3] Y. Wiratama and R. Z. A. Aziz, “Perbandingan Prediksi Penyakit Stunting Balita Menggunakan Algoritma Support Vektor Machine dan Random Forest,” vol. 6, no. 2, 2024, doi: 10.47065/bits.v6i2.5543.

[4] T. Hidayat, R. Cahyana, and I. T. Julianto, “Analisis Sentimen Layanan Sistem Informasi Akademik Mahasiswa Menggunakan Algoritma Naive Bayes,” pp. 119–130, 2024, doi: 10.33364/algoritma/v.21-1.1514.

[5] K. H. Hanif and N. R. Muntiari, “Penerapan Algoritma Decision Tree, Svm, Naïve Bayes Dalam Deteksi Stunting Pada Balita,” METHOMIKA J. Manaj. Inform. Komputerisasi Akunt., vol. 8, no. 1, pp. 105–109, 2024, [Online]. Available: https://doi.org/10.46880/jmika.Vol8No1.pp105-109

[6] A. Miftahusalam, A. F. Nuraini, A. A. Khoirunisa, and H. Pratiwi, “Perbandingan Algoritma Random Forest, Naïve Bayes, dan Support Vector Machine Pada Analisis Sentimen Twitter Mengenai Opini Masyarakat Terhadap Penghapusan Tenaga Honorer,” Semin. Nas. Off. Stat., vol. 2022, no. 1, pp. 563–572, 2022.

[7] N. R. Muntiari, K. H. Hanif, and I. C. Nisa, “Perbandingan Algoritma Regresi Logistik , Support Vector Machine , dan Gradient Boosting Pada Analisis Sentimen Data Komentar Siswa,” vol. 2, no. 1, pp. 1–7, 2021.

[8] H. Tjahjadi and K. Ramli, “Noninvasive blood pressure classification based on photoplethysmography using K-nearest neighbors algorithm: A feasibility study,” Inf., vol. 11, no. 2, 2020, doi: 10.3390/info11020093.

[9] Fauzan Adzim, E. Budianita, A. Nazir, and F. Syafria, “Klasifikasi Status Stunting Balita Menggunakan Metode C4.5 Berbasis Web,” Zo. J. Sist. Inf., vol. 5, no. 3, pp. 215–225, 2023, doi: 10.31849/zn.v5i3.15828.

[10] M. Rezapour, “Sentiment classification of skewed shoppers’ reviews using machine learning techniques, examining the textual features,” Eng. Reports, vol. 3, no. 1, pp. 1–13, 2021, doi: 10.1002/eng2.12280.

[11] N. R. Muntiari, K. Nisa, A. S. Sandi, I. A. Ashari, A. Kharis Hudaiby Hanif, and R. W. Dwinanto, “Comparison of random forest algorithm, support vector machine, and k-nearest neighbor for diabetes disease classification,” no. May, 2023.

[12] L. Chaves and G. Marques, “applied sciences Data Mining Techniques for Early Diagnosis of Diabetes,” Appl. Sci., vol. 11, no. 2218, pp. 1–12, 2021.

[13] J. A. Putra and A. L. Akbar, “Klasifikasi Pengidap Diabetes Pada Perempuan Menggunakan Penggabungan Metode Support Vector Machine dan K-Nearest Neighbour,” Informatics J., vol. 1, no. 2, p. 47, 2016.

[14] K. H. Hanif, A. Fadllullah, N. R. Muntiari, and I. A. Fahrezi, “A Comparative Sentiment Analysis of Computer Engineering Student Feedback Using Decision Trees and SVM,” vol. 10, no. 1, pp. 71–82, 2025, doi: 10.31572/inotera.Vol10.Iss1.2025.ID436.

[15] A. F. Kharis Hudaiby Hanif, Anton Yudhana, “Analisis Penilaian Guru Memakai Metode Analityc Heararchy Process ( AHP ),” Seri Pros. Semin. Nas. Din. Inform., vol. 4, no. 1, pp. 186–189, 2020.

[16] N. R. Muntiari, K. H. Hanif, and W. Rahmaniar, “Application of the Certainty Factor Method for Diagnosing Osteoarthritis Using the Python Programming Language,” J. Adv. Heal. Informatics Res., vol. 1, no. 1, pp. 21–27, 2023, [Online]. Available: https://ejournal.ptti.web.id/index.php/jahir/article/view/17

[17] S. Panggabean, W. Gata, and T. A. Setiawan, “Analysis of Twitter Sentiment Towards Madrasahs Using Classification Methods,” J. Appl. Eng. Technol. Sci., vol. 4, no. 1, pp. 375–389, 2022.

[18] F. Kazerouni, A. Bayani, F. Asadi, L. Saeidi, N. Parvizi, and Z. Mansoori, “Type2 diabetes mellitus prediction using data mining algorithms based on the long-noncoding RNAs expression: A comparison of four data mining approaches,” BMC Bioinformatics, vol. 21, no. 1, pp. 1–13, 2020, doi: 10.1186/s12859-020-03719-8.