ANALISIS SENTIMEN OPINI PUBLIK TERHADAP IMPLEMENTASI LAYANAN DIGITAL AKADEMIK MENGGUNAKAN ALGORITMA BIDIRECTIONAL LONG SHORT-TERM MEMORY DAN SUPPORT VECTOR MACHINE

Abstrak

Evaluasi persepsi mahasiswa terhadap transformasi layanan digital perguruan tinggi menjadi rujukan fundamental dalam perbaikan tata kelola akademik. Penelitian ini membandingkan kinerja algoritma Deep Learning Bidirectional Long Short-Term Memory (BiLSTM) dan algoritma Machine Learning Support Vector Machine (SVM) dengan pembobotan TF-IDF dan Word2Vec dalam mengklasifikasikan sentimen opini publik (positif, netral, negatif) terhadap layanan digital akademik. Korpus dataset terdiri atas 1.500 ulasan berbahasa Indonesia yang telah melalui tahapan pra-pemrosesan teks (case folding, filtering, tokenizing, normalisasi slang words, dan stemming). Model dievaluasi menggunakan metrik akurasi, presisi, recall, F1-score, dan validasi k-fold. Hasil eksperimen menunjukkan bahwa model BiLSTM mengungguli SVM dengan akurasi 92,67% dan F1-Score 92,40%, dibandingkan model SVM dengan akurasi 86,33% dan F1-score 85,90%. Kemampuan BiLSTM dalam menangkap dependensi konteks dua arah (maju dan mundur) terbukti efektif dalam membedakan ungkapan sarkasme dan kata bermakna ganda pada opini mahasiswa.