Klasifikasi tingkat kepuasan mahasiswa terhadap pelatihan ICT menggunakan model IndoBERT

Lathifah, Alya Nurul (2026) Klasifikasi tingkat kepuasan mahasiswa terhadap pelatihan ICT menggunakan model IndoBERT. Sarjana thesis, UIN Sunan Gunung Djati Bandung.

Preview	Text 1_cover.pdf Download (166kB) | Preview
Preview	Text 2_abstrak.pdf Download (266kB) | Preview
Preview	Text 3_skbebasplagiarism.pdf Download (400kB) | Preview
Preview	Text 4_daftarisi.pdf Download (289kB) | Preview
Preview	Text 5_bab1.pdf Download (321kB) | Preview
	Text 6_bab2.pdf Restricted to Registered users only Download (732kB) | Request a copy
	Text 7_bab3.pdf Restricted to Registered users only Download (453kB) | 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 (241kB) | Request a copy
	Text 10_daftarisi.pdf Restricted to Registered users only Download (231kB) | Request a copy

Abstract

Evaluasi pelatihan ICT di UIN Sunan Gunung Djati Bandung dilakukan melalui pengisian survei yang menghasilkan data rating dan data teks. Meskipun tersedia 81.056 record data survei dari 8.276 responden, data teks belum dimanfaatkan secara optimal untuk mengidentifikasi tingkat kepuasan mahasiswa. Oleh karena itu, penelitian ini bertujuan untuk mengintegrasikan data rating dan teks serta menerapkan model IndoBERT untuk mengklasifikasikan tingkat kepuasan mahasiswa terhadap pelatihan ICT. Data rating digunakan sebagai dasar pembentukan label, sedangkan data teks digunakan sebagai masukan klasifikasi pada model. Penelitian dilakukan menggunakan metodologi CRISP-DM dengan model indobenchmark/indobert-base-p1 yang melalui proses fine-tuning untuk mengklasifikasikan tiga kategori kepuasan, yaitu Tidak Puas, Cukup Puas, dan Puas. Ketidakseimbangan data ditangani menggunakan Random Oversampling, sedangkan fine-tuning dilakukan pada tiga skenario pembagian data, yaitu 60%:20%:20%, 70%:15%:15%, dan 80%:10%:10%. Hasil pengujian menunjukkan bahwa Skenario 2 dengan pembagian data 70%:15%:15% menghasilkan performa terbaik dengan accuracy 62,95%, precision 56,86%, recall 62,95%, dan weighted F1-score 57,97%. Analisis manual terhadap 150 sampel menunjukkan 92 data mengalami ketidaksesuaian antara label berdasarkan rating dan informasi kepuasan pada teks. Temuan tersebut mengindikasikan adanya ketidaksesuaian antara label dan karakteristik teks yang dapat memengaruhi kemampuan model dalam mengenali setiap kelas, terutama kelas Tidak Puas. Dengan demikian, IndoBERT telah mampu melakukan klasifikasi tingkat kepuasan mahasiswa, tetapi performanya masih belum optimal akibat ketidakseimbangan data dan ketidaksesuaian antara label rating dengan informasi pada teks.

Actions (login required)

View Item