Analisis Perbandingan Naïve Bayes dan Random Forest untuk Evaluasi PKKMB Berbasis Sentimen Mahasiswa
DOI:
https://doi.org/10.59395/nf4xmg03Keywords:
Analisis Sentimen, Naïve Bayes, Random Forest, PKKMB, TF-IDFAbstract
Pengenalan Kehidupan Kampus Mahasiswa Baru (PKKMB) adalah kegiatan penting yang membantu mahasiswa baru mengenal lingkungan akademik dan budaya kampus. Evaluasi terhadap pelaksanaan PKKMB umumnya dilakukan melalui survei numerik yang hanya memberikan gambaran umum sehingga kurang mampu menangkap opini mahasiswa secara mendalam. Penelitian ini menerapkan analisis sentimen berbasis machine learning untuk mengolah 886 data komentar evaluasi PKKMB di Universitas Merdeka Malang. Proses penelitian meliputi tahapan preprocessing teks (case folding, cleansing, tokenization, normalisasi, stopword removal, dan stemming), pelabelan otomatis menggunakan model IndoBERT, serta konversi teks menjadi fitur numerik menggunakan TF-IDF. Dua algoritma klasifikasi, yaitu Naïve Bayes dan Random Forest, digunakan untuk membandingkan performa model. Data dibagi menggunakan rasio 80:20 untuk data latih dan data uji, serta evaluasi model dilakukan menggunakan matriks accuracy, precision, recall, dan F1-score. Hasil penelitian menunjukkan bahwa Naïve Bayes memiliki performa yang lebih unggul dibandingkan Random Forest dengan nilai accuracy 81,4%, precision 83,04%, recall 86,92%, dan F1-score 84,93%. Sementara itu, Random Forest menghasilkan accuracy 79,78%, precision 83,18%, recall 83,18%, dan F1-score 83,18%. Temuan ini menunjukkan bahwa Naïve Bayes merupakan metode yang lebih efektif untuk mengklasifikasikan sentimen positif dan negatif pada dataset evaluasi PKKMB dengan pelabelan otomatis. Hasil analisis ini juga memberikan gambaran aspek-aspek kegiatan PKKMB yang masih perlu diperbaiki sebagai rekomendasi peningkatan pelaksanaan di tahun berikutnya.
Downloads
References
[1] Universitas Merdeka Malang, Panduan Umum Pengenalan Kehidupan Kampus Mahasiswa Baru Universitas Merdeka Malang. 2025.
[2] I. Azizah, I. Cholissodin, and N. Yudistira, “Analisis Sentimen Ulasan Pengguna Aplikasi Shopee di Google Play menggunakan Metode Word Embedding dan Long Short Term Memory (LSTM),” J. Pengemb. Teknol. Inf. dan Ilmu Komput., vol. 7, no. 5, pp. 2453–2459, 2023.
[3] R. C. Rivaldi and T. D. Wismarini, “Analisis Sentimen Pada Ulasan Produk Dengan Metode Natural Language Processing (NLP),” Elkom J. Elektron. dan Komput., vol. 17, no. 1, pp. 120–128, 2024, doi: 10.51903/elkom.v17i1.1680.
[4] T. F. Basar, D. E. Ratnawati, and I. Arwani, “Analisis Sentimen Pengguna Twitter terhadap Pembayaran Cashless menggunakan Shopeepay dengan Algoritma Random Forest,” vol. 6, no. 3, pp. 1426–1433, 2022.
[5] A. Miftahusalam, H. Pratiwi, and I. Slamet, “Perbandingan Metode Random Forest dan Naive Bayes pada Analisis Sentimen Review Aplikasi BCA Mobile,” SIPTEK Semin. Nas. Inov. dan Pengemb. Teknol. Pendidik., vol. 1, no. 1, pp. 1–8, 2023, doi: 10.59395/ijadis.v5i2.1342.
[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, doi: 10.34123/semnasoffstat.v2022i1.1410.
[7] M. Yasir and R. Suraji, “Perbandingan Metode Klasifikasi Naïve Bayes , Decision Tree , Random Forest Terhadap Analisis Sentimen Kenaikan Biaya Haji 2023 Pada Media Sosial Youtube,” J. Cahaya Mandalika, vol. 3, no. 2, pp. 180–192, 2023.
[8] Z. Azfil Yugian, A. Hananto, T. Tukino, and E. Novalias, “Klasifikasi Data Teks Ulasan Toko Sepatu Sovella Di Shopee Menggunakan Algoritma Naive Bayes Dalam Proses Data Mining,” JATI (Jurnal Mhs. Tek. Inform., vol. 9, no. 5, pp. 8732–8736, 2025, doi: 10.36040/jati.v9i5.15159.
[9] F. A. Larasati, D. E. Ratnawati, and B. T. Hanggara, “Analisis Sentimen Ulasan Aplikasi Dana dengan Metode Random Forest,” vol. 6, no. 9, pp. 4305–4313, 2022.
[10] M. P. . Putra and K. R. . Wardani, “Penerapan Text Mining Dalam Menganalisis Kepribadian Pengguna Media Sosial,” JUTIM (Jurnal Tek. Inform. Musirawas), vol. 05, no. 01, pp. 63–71, 2020.
[11] F. F. Mailo and L. Lazuardi, “Analisis Sentimen Data Twitter Menggunakan Metode Text Mining Tentang Masalah Obesitas di Indonesia,” J. Inf. Syst. public Heal., vol. 4, no. 1, pp. 28–36, 2019.
[12] A. A. Syam, G. Hardy M, A. Salim, D. F. Surianto, and M. Fajar B, “Analisis Teknik Preprocessing Pada Sentimen Masyarakat Terkait Konflik Israel-Palestina Menggunakan Support Vector Machine,” JIPI (Jurnal Ilm. Penelit. dan Pembelajaran Inform., vol. 9, no. 3, pp. 1464–1472, 2024, doi: 10.29100/jipi.v9i3.5527.
[13] A. Hermawan, I. Jowensen, J. Junaedi, and Edy, “Implementasi Text-Mining untuk Analisis Sentimen pada Twitter dengan Algoritma Support Vector Machine,” JST (Jurnal Sains dan Teknol., vol. 12, no. 1, pp. 129–137, 2023, doi: 10.23887/jstundiksha.v12i1.52358.
[14] R. Oktafiani, A. Hermawan, and D. Avianto, “Pengaruh Komposisi Split Data Terhadap Performa Klasifikasi Penyakit Kanker Payudara Menggunakan Algoritma Machine Learning,” vol. 9, no. April, pp. 19–28, 2023, doi: 10.34128/jsi.v9i1.622.
[15] R. Darmawan and S. Amini, “Perbandingan Hasil Sentimen Analysis Menggunakan Algoritma Naïve Bayes dan K-Nearest Neighbor pada Twitter Comparison of Sentiment Analysis Results Using Naïve Bayes and K-Nearest Neighbor Algorithm on Twitter,” Semin. Nas. Mhs. Fak. Teknol. Inf. Jakarta-Indonesia, no. September, pp. 495–501, 2022, [Online]. Available: https://senafti.budiluhur.ac.id/index.php/
[16] W. S. Hoar, A. Zubair, and L. Muflikhah, “Analisis sentimen kebijakan masuk sekolah pukul lima pagi menggunakan algoritma Naïve Bayes,” J. Inf. Syst. Appl. Dev., vol. 2, no. 1, pp. 20–30, 2024, doi: 10.26905/jisad.v2i1.10935.
[17] A. Sabrani, I. G. W. Wedashwara W., and F. Bimantoro, “Multinomial Naïve Bayes untuk Klasifikasi Artikel Online tentang Gempa di Indonesia,” J. Teknol. Informasi, Komputer, dan Apl. (JTIKA ), vol. 2, no. 1, pp. 89–100, 2020, doi: 10.29303/jtika.v2i1.87.
[18] J. D. P. Beneng and A. Zubair, “Analisis Sentimen Pengguna Twitter terhadap AI-Generated Art Menggunakan Metode Naive Bayes dan Neural Network Classifier,” Semin. Nas. Sist. Inf., vol. 8, pp. 51–61, 2024, [Online]. Available: https://jurnalfti.unmer.ac.id/index.php/senasif/article/view/636
[19] E. Fitri, Y. Yuliani, S. Rosyida, and W. Gata, “Analisis Sentimen Terhadap Aplikasi Ruangguru Menggunakan Algoritma Naive Bayes , Random Forest Dan Support Vector Machine,” vol. 18, no. 1, pp. 71–80, 2020.
[20] M. R. Adrian, M. P. Putra, M. H. Rafialdy, and N. A. Rakhmawati, “Perbandingan Metode Klasifikasi Random Forest dan SVM Pada Analisis Sentimen PSBB,” J. Inform. Upgris, vol. 7, no. 1, pp. 36–40, 2021, doi: 10.26877/jiu.v7i1.7099.
Downloads
Published
Issue
Section
License
Copyright (c) 2026 Alexander Sole, Anis Zubair
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.