PERANCANGAN E-LEARNING TERINTEGRASI CHATBOT AI MENGGUNAKAN METODE AGILE UNTUK PENGENALAN KARIR IT

Abstract

Evaluasi kinerja dosen melalui umpan balik mahasiswa merupakan komponen penting dalam meningkatkan mutu pembelajaran di perguruan tinggi. Penelitian ini bertujuan untuk mengembangkan model klasifikasi sentimen dan emosi menggunakan pendekatan hybrid machine learning dengan mengombinasikan algoritma Naïve Bayes dan Support Vector Machine (SVM). Dataset berasal dari umpan balik mahasiswa yang telah dianotasi secara manual ke dalam tiga kategori sentimen positif, netral, negatif dan delapan kategori emosi. Proses preprocessing dilakukan melalui tokenisasi, stemming, dan transformasi data ke dalam bentuk TF-IDF. Hasil klasifikasi menunjukkan bahwa SVM memiliki performa terbaik untuk klasifikasi sentimen dengan akurasi mencapai 90%, mengungguli Naïve Bayes yang hanya memperoleh akurasi 80%. Sebaliknya, performa klasifikasi emosi jauh lebih rendah, dengan akurasi maksimum 35% pada model SVM dan 20% pada Naïve Bayes. Beberapa emosi seperti “marah”, “termotivasi”, dan “senang” tidak dapat dikenali oleh model karena ketidakseimbangan distribusi data dan konteks emosi yang sulit ditangkap dari teks pendek. Temuan ini menunjukkan bahwa pendekatan hybrid efektif untuk klasifikasi sentimen dalam kondisi data terbatas, namun klasifikasi emosi memerlukan pendekatan lanjutan seperti reduksi label atau penggunaan model berbasis konteks untuk mencapai hasil yang lebih baik. Kata kunci: Kinerja Dosen, Naïve Bayes Classifier (NBC), Support Vector Machine (SVM), Umpan Balik Mahasiswa.