Sentiment Analysis of Lecturers' Pedagogical Competence Using Word Embedding and Random Forest on Student Feedback Data

Abstract

Perkembangan teknologi dan media digital telah mendorong cara evaluasi kinerja dosen yang tidak hanya berbasis kuantitatif, tetapi juga didukung oleh analisis data kualitatif. Salah satu pendekatan yang efektif adalah analisis sentimen terhadap umpan balik mahasiswa terkait informasi berharga mengenai persepsi dan pengalaman terkait kompetensi pedagogi dosen. Penelitian ini mengolah dataset sentimen umpan balik mahasiswa di Universitas Sjakhyakirti dengan menggunakan metode word embedding (WE) dan random forest (RF) untuk mengklasifikasikan sentimen positif dan negatif. Dataset yang digunakan berjumlah 6.164 data kuesioner, terdiri dari 3.800 data sentimen positif dan 2.364 data sentimen negatif. Data kemudian dibagi menjadi data pelatihan (70%), validasi (10%), dan pengujian (20%). Evaluasi kinerja model pada data pengujian menunjukkan bahwa model WE-RF mampu mengklasifikasikan sentimen dengan tingkat presisi, recall, dan F1-score masing-masing sebesar 0,805; 0,724; dan 0,762 untuk kelas positif, serta 0,618; 0,719; dan 0,664 untuk kelas negatif. Akurasi pada tahap pengujian yang diperoleh mencapai 72,2% yang menujukkan bahwa model ini cukup efektif untuk menganalisis sentimen dalam konteks kompetensi pedagogi dosen.