Setiap akhir semester, dosen akan melakukan survei berkala untuk memastikan kinerja dan materi yang diberikan telah memenuhi standar kebutuhan mahasiswa. Hal ini bukan hanya formalitas, melainkan juga upaya untuk menjaga standar mutu pengajaran dosen serta program studi. 

Umumnya, pemilihan survei berbasis pertanyaan ya atau tidak atau sistem skala berbasis rating angka (skala Likert) cenderung menjadi opsi utama dalam pelaksanaan survei. Namun, salah satu kelemahan survei berdasarkan kedua metode tersebut terletak pada skema pelaksanaannya yang mementingkan kecepatan dibandingkan dengan representasi aspirasi secara menyeluruh. Sebagai respons, berbagai institusi mulai mengadopsi sistem feedback form berbasis komentar untuk mahasiswa. 

Meskipun kolom komentar dinilai lebih representatif, tantangan terbesarnya terletak pada pengelolaan dataset yang bersifat kualitatif dalam analisis manual, terutama dalam jumlah besar. 

Mengacu pada permasalahan tersebut, tim peneliti dosen lintas universitas yang beranggotakan Universitas Dian Nusantara, Universitas Sjakhyakirti, Universitas Bina Nusantara, dan Universitas Muhammadiyah Bengkulu berupaya mencari solusi agar pesan yang terkandung dapat dikaji secara lebih efektif dan efisien dengan bantuan otomasi. Untuk itu, dikembangkanlah riset yang berfokus pada pemanfaatan metode Text Mining.

Secara mendasar, Text Mining sendiri merupakan teknik yang digunakan dalam dunia pengolahan data tekstual dengan tujuan menganalisis pola, sentimen, dan informasi yang dinilai kurang terstruktur, agar dapat dihasilkan output data yang mampu menjembatani pesan mentah mahasiswa menjadi output yang bersifat analitik dan mudah diaplikasikan untuk mendukung langkah pengambilan kebijakan di kemudian hari. 

Dalam kurun waktu 4 tahun terakhir, sejumlah kajian mengenai Text Mining telah dikembangkan secara intensif dengan sederet pendekatan berbeda. Salah satu kajian yang dikembangkan oleh Abdi et al. (2023), dinilai memiliki potensi dalam mendukung ekosistem interpretasi otomatis, namun sayangnya model yang memanfaatkan Word Embedding dengan Convolutional Neural Network (CNN) dan Bidirectional LSTM (BiLSTM) dinilai memiliki beban komputasi yang relatif besar. 

Selain itu, berbagai model lain juga dianggap hanya mampu mengidentifikasi salah satu atau dua intisari kolom komentar, yang seharusnya model mampu menyasar keseluruhan 4 kompetensi dosen (pedagogik, profesional, kepribadian, dan sosial), sekaligus tidak memiliki kapabilitas untuk menganalisis bahasa Indonesia.  

Berangkat dari celah tersebut, penelitian ini mencoba menjawabnya dengan membandingkan empat arsitektur deep learning: Long Short-Term Memory (LSTM), Bidirectional LSTM (BiLSTM), Convolutional Neural Network 1 dimensi (CNN1D), dan Recurrent Neural Network (RNN). Keempatnya dipadukan dengan teknik Word Embedding Text to Sequence (WETS) agar mampu membaca dan mengolah teks berbahasa Indonesia dengan baik sekaligus mampu menghasilkan model yang dapat merepresentasikan 4 kompetensi dosen  dari data feedback deskriptif yang diberikan mahasiswa.

Studi diawali dengan penyebaran kuesioner yang pada akhirnya berhasil menjaring sekitar 6.140 respons tervalidasi. Sebelum dapat dianalisis lebih jauh dan dimanfaatkan sebagai model training dan test algoritma, data terlebih dahulu melewati 5 proses berkala, yakni; Data Cleansing, Case Folding, Stopword Removal, Tokenizing, dan Stemming untuk kinerja sistem. Setelah kelima proses terselesaikan, barulah data akan dipadankan kembali menggunakan teknik WETS. 

Pascapemadanan oleh WETS, barulah empat arsitektur deep learning RNN, CNN1D, LSTM, dan BiLSTM diuji satu per satu menggunakan data yang sama untuk mengetahui performa masing-masing model dalam mengenali pola sentimen positif maupun negatif dari feedback mahasiswa. 

Alhasil, ditemukan bahwa di antara 4 model, penggabungan model WETS-LSTM mampu menjangkau akurasi dengan nilai uji tertinggi sebesar 82,92%, meskipun dengan perolehan nilai pelatihan yang kurang dibandingkan model WETS-BiLSTM. Artinya, LSTM dianggap memiliki resistensi lebih kuat terhadap overfitting, lebih akurat, dan juga mampu menggeneralisasi pola bahasa Indonesia dengan baik dibandingkan dengan model lainnya. 

(Tingkat Keakuratan Model Analisis Dataset Text Mining Berbasis WETS LSTM)

Dari serangkaian model yang diuji dan dibandingkan, penelitian yang juga telah menembus Scopus Q3 dan dimuat dalam International Journal of Advanced Computer Science and Applications (IJACSA) diharapkan mampu mendobrak dunia pengelolaan data, terutama dalam pengelolaan data tekstual melalui bantuan otomasi. Selain itu, diharapkan metode penggunaan rangkaian algoritma yang dipergunakan dapat menjadi tolok ukur pengembangan aplikatif pengelolaan data kualitatif di kemudian hari bagi para pengembang sistem maupun data scientist.

Sumber Referensi:

Ratnasari, A., Ayumi, V., Purba, M., Haji, W. H., Noprisson, H., & Utami, M. (2025). The text mining model for lecturer performance evaluation: A comparative study. International Journal of Advanced Computer Science and Applications, 16(7), 343.