Optimalisasi Klasifikasi Umpan Balik Mahasiswa Terhadap Layanan Kampus dengan Sinergi Random Forest dan Smote

Abstract

Abstrak - Di era digital, pendidikan tinggi dihadapkan pada tantangan untuk merespons secara efektif terhadap umpan balik mahasiswa, yang merupakan kunci untuk meningkatkan kualitas layanan kampus. Penelitian ini dirancang untuk mengoptimalkan proses klasifikasi umpan balik tersebut dengan menggunakan sinergi antara algoritma Random Forest dan teknik Synthetic Minority Over-sampling Technique (SMOTE) dalam analisis sentimen. Data dikumpulkan dari berbagai saran mahasiswa, diikuti dengan tahapan pra-pemrosesan yang meliputi pembersihan, tokenisasi, dan penghapusan stopwords. Setelah pelabelan sentimen menggunakan lexicon yang terverifikasi, SMOTE diterapkan untuk mengatasi ketidakseimbangan kelas dalam dataset. Hasil menunjukkan bahwa sebelum penerapan SMOTE, terdapat bias terhadap kelas mayoritas, namun setelah aplikasi SMOTE, terjadi peningkatan yang signifikan dalam presisi dan recall terutama pada kelas minoritas, meningkatkan akurasi klasifikasi secara keseluruhan. Hasil ini menggarisbawahi pentingnya penerapan teknik penyeimbangan data dalam analisis sentimen, menunjukkan bahwa pendekatan ini dapat memberikan wawasan yang lebih seimbang dan mendalam, serta mendukung institusi dalam membuat keputusan yang tepat dan responsif terhadap kebutuhan mahasiswa..Kata kunci: Analisis Sentimen, Klasifikasi Teks, Random Forest, SMOTE. Abstract - In the digital age, higher education faces the challenge of effectively responding to student feedback, which is key to enhancing campus service quality. This study is designed to optimize the feedback classification process by leveraging the synergy between the Random Forest algorithm and the Synthetic Minority Over-sampling Technique (SMOTE) in sentiment analysis. Data was collected from various student suggestions, followed by preprocessing stages that included cleaning, tokenization, and the removal of stopwords. After sentiment labeling using a verified lexicon, SMOTE was applied to address class imbalances in the dataset. The results indicate that before the application of SMOTE, there was a bias toward the majority class, but after the application of SMOTE, there was a significant improvement in precision and recall, especially for the minority classes, enhancing the overall classification accuracy. These findings underscore the importance of applying data balancing techniques in sentiment analysis, demonstrating that this approach can provide more balanced and in-depth insights, as well as support institutions in making accurate and responsive decisions to student needs.Keywords: Sentiment Analysis, Text Classification, Random Forest, SMOTE.