Analisis sentimen pendaftaran mahasiswa baru berbasis Speech-to-text dengan menggunakan metode Support Vector Machine

Ramdani, Naufal Adifa (2025) Analisis sentimen pendaftaran mahasiswa baru berbasis Speech-to-text dengan menggunakan metode Support Vector Machine. Sarjana thesis, UIN Sunan Gunung Djati Bandung.

Preview	Text 1_cover.pdf Download (287kB) | Preview
Preview	Text 2_abstrak.pdf Download (395kB) | Preview
Preview	Text 3_skbebasplagiarism.pdf Download (118kB) | Preview
Preview	Text 4_daftarisi.pdf Download (237kB) | Preview
Preview	Text 5_bab1.pdf Download (393kB) | Preview
	Text 6_bab2.pdf Restricted to Registered users only Download (770kB) | Request a copy
	Text 7_bab3.pdf Restricted to Registered users only Download (1MB) | Request a copy
	Text 8_bab4.pdf Restricted to Registered users only Download (2MB) | Request a copy
	Text 9_bab5.pdf Restricted to Registered users only Download (354kB) | Request a copy
	Text 10_daftarpustaka.pdf Restricted to Registered users only Download (246kB) | Request a copy
	Text 11_lampiran.pdf Restricted to Repository staff only Download (3MB) | Request a copy

Abstract

Penelitian ini bertujuan untuk mengembangkan model klasifikasi sentimen terhadap data survei suara mahasiswa mengenai layanan pendaftaran mahasiswa baru berbasis teknologi speech-to-text. Data diperoleh dari mahasiswa yang kemudian ditranskripsikan menggunakan Automatic Speech Recognition dari Whisper. Penelitian ini mengadopsi kerangka kerja Cross-Industry Standard Process for Data Mining (CRISP-DM) untuk memastikan tahapan penelitian berjalan secara sistematis. Mengingat jumlah data awal yang terbatas sebanyak 36 sampel, dilakukan template-based data augmentation sehingga jumlah data meningkat menjadi 1.236 sampel guna memperkaya variasi data dan menghindari overfitting. Proses klasifikasi dilakukan menggunakan algoritma Support Vector Machine (SVM) dengan perbandingan tiga kernel, yaitu linear, Radial Basis Function (RBF), dan sigmoid, serta empat variasi rasio splitting data. Hasil evaluasi menunjukkan bahwa kernel linear dengan rasio 70:30 menghasilkan performa terbaik dengan accuracy sebesar 86%, serta nilai precision, recall, dan F1-score yang relatif seimbang pada tiga kelas sentimen. Analisis distribusi sentimen menunjukkan dominasi sentimen netral sebesar 51,4%, diikuti sentimen positif 24,8% dan negatif 23,8%. Temuan ini mengindikasikan bahwa mayoritas tanggapan mahasiswa bersifat informatif, dengan sejumlah pengalaman positif dan kendala teknis yang masih perlu diperbaiki. Secara keseluruhan, kombinasi teknologi Whisper, augmentasi data, dan algoritma SVM terbukti efektif dalam mengklasifikasikan sentimen berbasis transkripsi suara untuk mendukung evaluasi layanan pendidikan secara otomatis dan berbasis data.

Actions (login required)

View Item