Analisis Sentimen Persepsi Mahasiswa Terhadap Organisasi Kemahasiswaan Menggunakan Naïve Bayes dan TF-IDF

Luthfi Al Faraby; Ilka Zufria

doi:10.56427/jcbd.v5i3.1039

Authors

Luthfi Al Faraby Universitas Islam Negeri Sumatera Utara
Ilka Zufria Universitas Islam Negeri Sumatera Utara

DOI:

https://doi.org/10.56427/jcbd.v5i3.1039

Keywords:

Analisis Sentimen, Organisasi Kemahasiswaan, Naïve Bayes, TF-IDF, Confusion Matrix

Abstract

Organisasi kemahasiswaan berperan penting dalam pengembangan diri mahasiswa, namun efektivitasnya menimbulkan keberagaman persepsi. Kebaruan penelitian ini terletak pada kombinasi ekstraksi fitur TF-IDF dan algoritma Naïve Bayes untuk memetakan persepsi serta sentimen mahasiswa terhadap eksistensi organisasi kemahasiswaan guna mendukung evaluasi kebijakan kemahasiswaan di tingkat universitas. Melalui pendekatan kuantitatif, data primer dikumpulkan melalui kuesioner Google Form dari 505 mahasiswa aktif Universitas Islam Negeri Sumatera Utara lintas fakultas dan angkatan. Data teks diproses melalui tahapan text preprocessing (cleaning, case folding, stopword removal, stemming, dan tokenizing). Pelabelan sentimen awal dilakukan berbasis kamus Lexicon dan divalidasi menggunakan koefisien Cohen's kappa. Data kemudian ditransformasikan melalui pembobotan TF-IDF serta dibagi dengan rasio 80% data latih dan 20% data uji sebelum diklasifikasikan menggunakan Naïve Bayes. Evaluasi kinerja model menggunakan confusion matrix menghasilkan akurasi sebesar 86,14% (87 dari 101 data uji terklasifikasi benar), meliputi 7 dari 8 data negatif, 43 dari 53 netral, dan 37 dari 40 positif. Hasil tersebut menunjukkan kinerja model yang baik, sehingga penelitian ini dapat menjadi acuan ilmiah bagi mahasiswa serta bahan pertimbangan pimpinan universitas maupun pengurus organisasi dalam merumuskan strategi gerakan dan komunikasi organisasi yang lebih responsif.

Downloads

Download data is not yet available.

References

[1] A. Pebdika, R. Herdiana, and D. Solihudin, “Klasifikasi Menggunakan Metode Naive Bayes Untuk Menentukan Calon Penerima PIP,” JATI (Jurnal Mhs. Tek. Inform.), vol. 7, no. 1, pp. 452–458, 2023, doi: 10.36040/jati.v7i1.6303.

[2] R. Fajriah and D. Kurniawan, “Komparasi Pengaruh Model Klasifikasi Naive Bayes dan Support Vector Machine Pada Analisis Data Sentimen Di Bidang Pendidikan,” Fakt. Exacta, vol. 17, no. 2, pp. 167–178, 2024, doi: 10.30998/faktorexacta.v17i2.22342.

[3] A. R. Ismail and Raden Bagus Fajriya Hakim, “Implementasi Lexicon Based Untuk Analisis Sentimen Dalam Menentukan Rekomendasi Pantai Di DI Yogyakarta Berdasarkan Data Twitter,” Emerg. Stat. Data Sci. J., vol. 1, no. 1, pp. 37–46, 2023, doi: 10.20885/esds.vol1.iss.1.art5.

[4] E. Martantoh and N. Yanih, “Implementasi Metode Naïve Bayes Untuk Klasifikasi Karakteristik Kepribadiaan Siswa Di Sekolah MTS Darussa’adah Menggunakan Php Mysql,” J. Teknol. Sist. Inf., vol. 3, no. 2, pp. 166–175, 2022, doi: 10.35957/jtsi.v3i2.2896.

[5] A. Angdresey, L. Sitanayah, and I. L. H. Tangka, “Sentiment Analysis for Political Debates on YouTube Comments using BERT Labeling, Random Oversampling, and Multinomial Naïve Bayes,” J. Comput. Theor. Appl., vol. 2, no. 3, pp. 342–354, 2025, doi: 10.62411/jcta.11668.

[6] L. Afuan, M. Khanza, and A. Zahira Hasyati, “Enhancing Sentiment Analysis of the 2024 Indonesian Presidential Inauguration on X Using Smote-Optimized Naive Bayes Classifier,” J. Tek. Inform., vol. 6, no. 1, pp. 325–333, 2025, doi: 10.52436/1.jutif.2025.6.1.4290.

[7] J. O. Leandro and M. I. Fianty, “Evaluation of Sentiment Analysis Methods for Social Media Applications: A Comparison of Support Vector Machines and Naïve Bayes,” Int. J. Informatics Vis., vol. 9, no. 2, pp. 796–807, 2025, doi: 10.62527/joiv.9.2.2905.

[8] A. Kartika Sari, A. Irsyad, D. N. Aini, Islamiyah, and S. E. Ginting, “Analisis Sentimen Twitter Menggunakan Machine Learning untuk Identifikasi Konten Negatif,” Adopsi Teknol. dan Sist. Inf., vol. 3, no. 1, pp. 64–73, 2024, doi: 10.30872/atasi.v3i1.1373.

[9] A. Kautsar, “Classification of Korean Drama Popularity Based on Ratings Using Naïve Bayes,” J. Comput. Digit. Bus., vol. 5, no. 1, pp. 23–30, 2026, doi: 10.56427/jcbd.v5i1.814.

[10] T. R. P. Hermawan and A. R. Dzikrillah, “Penerapan Metode Naïve Bayes untuk Analisis Sentimen pada Ulasan Pengguna Aplikasi ChatGPT di Google Play Store,” Build. Informatics, Technol. Sci., vol. 6, no. 1, pp. 430–439, 2024, doi: 10.47065/bits.v6i1.5400.

[11] T. Wahyuningsih, D. Manongga, I. Sembiring, and S. Wijono, “Comparison of Effectiveness of Logistic Regression, Naive Bayes, and Random Forest Algorithms in Predicting Student Arguments,” Procedia Comput. Sci., vol. 234, pp. 349–356, 2024, doi: 10.1016/j.procs.2024.03.014.

[12] F. Hardiansyah, R. M. Siregar, M. A. S. Pane, and A. Prayogi, “Perbandingan Model Spasial Kesesuaian Lahan Kelapa Sawit di Pulau Sumatera Menggunakan Algoritma Machine Learning,” J. Comput. Digit. Bus., vol. 5, no. 2, pp. 40–48, 2026, doi: 10.56427/jcbd.v5i2.987.

[13] K. S. Putri, I. R. Setiawan, and A. Pambudi, “Analisis Sentimen Terhadap Brand Skincare Lokal Menggunakan Naïve Bayes Classifier,” Technol. J. Ilm., vol. 14, no. 3, pp. 227–232, 2023, doi: 10.31602/tji.v14i3.11259.

[14] A. Safira and F. N. Hasan, “Analisis Sentimen Masyarakat Terhadap Paylater Menggunakan Metode Naive Bayes Classifier,” Zo. J. Sist. Inf., vol. 5, no. 1, pp. 59–70, 2023, doi: 10.31849/zn.v5i1.12856.

[15] J. E. Br Sinulingga and H. C. K. Sitorus, “Analisis Sentimen Opini Masyarakat terhadap Film Horor Indonesia Menggunakan Metode SVM dan TF-IDF,” J. Manaj. Inform., vol. 14, no. 1, pp. 42–53, 2024, doi: 10.34010/jamika.v14i1.11946.