Analisis Perbandingan Kinerja IndoBERT dan TF-IDF dalam Mengklasifikasikan Sentimen EDOM Menggunakan Algoritma K-Nearest Neighbor: Comparative Analysis of IndoBERT and TF-IDF Performance in Classifying EDOM Sentiments Using the K-Nearest Neighbor Algorithm

Abstrak

Dalam konteks pendidikan tinggi, dosen berkontribusi besar terhadap peningkatan kualitas pembelajaran. Di Sekolah Tinggi Teknologi Terpadu Nurul Fikri (STT NF), Evaluasi Dosen oleh Mahasiswa (EDOM) dilaksanakan setiap akhir semester dan menghasilkan data komentar mahasiswa. Namun, analisis masih dilakukan secara manual sehingga kurang efisien dan berpotensi subjektif. Selain itu, belum terdapat kajian komparatif mengenai metode representasi yang sesuai untuk digunakan bersama algoritma K-Nearest Neighbor (KNN) khususnya pada data EDOM. Tujuan dari penelitian ini adalah menganalisis dan membandingkan kinerja IndoBERT dan TF-IDF dalam merepresentasikan teks untuk klasifikasi sentimen komentar EDOM menggunakan KNN. Metode penelitian mengacu pada tahapan CRISP-DM dengan dataset komentar EDOM tahun 2024. Hasil penelitian menunjukkan bahwa IndoBERT+KNN menghasilkan accuracy sebesar 0,903 serta menunjukkan nilai precision, recall, dan F1-score yang lebih seimbang antarkelas dibandingkan TF-IDF+KNN yang memperoleh accuracy sebesar 0,820 dengan performa metrik evaluasi yang cenderung kurang seimbang antarkelas. Hasil ini menunjukkan representasi kontekstual IndoBERT lebih efektif dalam menangani kompleksitas komentar EDOM dan algoritma KNN yang berbasis jarak dibandingkan dengan pendekatan berbasis frekuensi kata pada TF-IDF. Berdasarkan temuan tersebut, penelitian ini memberikan pemilihan metode representasi teks yang lebih optimal untuk pengembangan analisis sentimen secara lebih objektif dan efisien