SYAHRA, ANITA ALFI (2024) ANALISIS SENTIMEN KELUHAN PEGAWAI DENGAN MENGGUNAKAN MACHINE LEARNING (TA.2.24.021). Diploma thesis, Universitas Logistik dan Bisnis Internasional.
Full text not available from this repository.Abstract
ABSTRAK PT Dirgantara Indonesia (PTDI) menghadapi tantangan dalam mengelola keluhan pegawai. Penelitian ini bertujuan untuk meningkatkan manajemen keluhan pegawai PTDI melalui analisis sentimen menggunakan algoritma Naive Bayes dengan metode CRISP-DM. Tahapan yang diterapkan meliputi pemahaman bisnis, pemahaman data, persiapan data, pemodelan, evaluasi, dan pengimplementasian. Data keluhan pegawai dikumpulkan dan diproses melalui teknik penghapusan stop words dan tokenisasi. Model Naive Bayes dilatih dan dievaluasi menggunakan metrik akurasi, precision, recall, dan F1-score. Hasil penelitian menunjukkan bahwa model Naive Bayes efektif dalam mengelompokkan keluhan pegawai ke dalam kategori ringan dan berat. Model memiliki akurasi 89.0%. Implementasi sistem analisis sentimen ini diharapkan membantu manajemen PTDI menangani keluhan pegawai dengan lebih cepat dan tepat, meningkatkan kepuasan dan produktivitas. Penelitian ini juga berkontribusi pada pengembangan ilmu analisis sentimen dan machine learning, serta penerapannya dalam manajemen keluhan di perusahaan. Dengan sistem ini, manajemen PTDI dapat mengidentifikasi dan memprioritaskan keluhan yang membutuhkan penanganan segera, meningkatkan efisiensi operasional dan kualitas layanan terhadap pegawai. Penelitian ini memberikan solusi praktis bagi PTDI dan menambah wawasan tentang penerapan machine learning dalam pengelolaan keluhan pegawai. Kata Kunci : Analisis Sentimen, Naive Bayes, Manajemen Keluhan Pegawai, PT Dirgantara Indonesia, CRISP-DM.
| Item Type: | Thesis (Diploma) |
|---|---|
| Subjects: | T Technology > T Technology (General) |
| Divisions: | Sekolah Vokasi > Teknik Informatika D4 |
| Depositing User: | Unnamed user with email [email protected] |
| Date Deposited: | 21 Nov 2024 07:06 |
| Last Modified: | 21 Nov 2024 07:06 |
| URI: | http://eprints.ulbi.ac.id/id/eprint/2681 |
Actions (login required)
 |
View Item |
