KLASIFIKASI KELUHAN MURID MENGGUNAKAN DEEP NEURAL NETWORK DAN WORD2VEC (STUDI KASUS MTS PERSIS CIGANITRI)
DOI:
https://doi.org/10.51977/jti.v5i2.1273Keywords:
Klasifikasi Keluhan Murid, Deep Neural Network, Word2vec Untuk Representasi DataAbstract
Penerimaan kritik dan saran merupakan sebuah hal yang dapat membuat sebuah instansi dapat berkembang dan menjadi lebih baik. MTS Persis Ciganitri merupakan sebuah isntansi Pendidikan yang menyediakan tempat bagi murid menyampaikan kritik dan saran yang berpusat pada aplikasi desktop yang tersedia di computer sekolah. Selama tahun 2021-2023, didapatkan data keluhan sebanyak 754 data keluhan yang disampaikan murid, untuk mengetahui kategori mengenai hal yang dikeluhkan, selama ini sekolah melakukan pemisahan kategori keluhan secara manual melalui Ms Excel dan membutuhkan waktu yang cukup lama. Tujuan penelitian ini yaitu untuk melakukan klasifikasi keluhan sehingga data yang ada dapat dikategorikan secara otomatis tanpa membutuhkan SDM melakukan pemisahan kategori secara manual. Metode yang digunakan pada penelitian ini yaitu metode Deep Neural Network untuk proses klasifikasi dikarenakan cara kerjanya yang baik dalam data yang berupa teks dan metode Word2Vec sebagai metode representasi teks. Hasil dari penelitian ini yaitu akurasi model yang diusulkan sebesar 82,9% dengan kategori keluhan yaitu fasilitas, tenaga pengajar dan materi pelajaran.
Downloads
Downloads
Published
Issue
Section
License
Copyright Notice
Proposed policy for journals offering open access. The requirements for authors are as follows:
- Authors retain copyright and grant the journal the right of first publication simultaneously under a Creative Commons Attribution-ShareAlike 4.0 International (CC BY-SA 4.0) license. This license allows others to copy and redistribute the material in any medium or format, including remixing, transforming, and building upon the material for any purpose, even commercially
- .Authors are able to enter into separate, additional contractual arrangements for the non-exclusive distribution of the journal's published version (e.g., post it to an institutional repository or publish it in a book), with an acknowledgment of its initial publication in this journal.
- Authors are permitted and encouraged to post their work online (e.g., in institutional repositories or on their websites), such as on Garuda, Academia, ResearchGate, or other repositories, prior to and during the submission process, as it can lead to productive exchanges, as well as earlier and greater citation of published work (see: The Effect of Open Access).

This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.