Perkembangan teknologi informasi telah mengubah cara pendidikan dijalankan. Kegiatan belajar yang sebelumnya banyak dilakukan secara tatap muka kini semakin banyak didukung oleh sistem pembelajaran daring atau e-learning. Melalui platform seperti Learning Management System (LMS), mahasiswa dan dosen dapat mengakses materi, berdiskusi, mengerjakan kuis, serta memberikan umpan balik tanpa dibatasi ruang dan waktu. Dalam konteks ini, kepuasan pengguna menjadi faktor penting karena dapat mencerminkan kualitas pengalaman belajar, efektivitas pengajaran, serta penerimaan pengguna terhadap sistem yang digunakan. Penelitian Sandiwarno dkk. menegaskan bahwa analisis kepuasan dosen dan mahasiswa dalam e-learning penting untuk meningkatkan mutu proses belajar mengajar.

Selama ini, pengukuran kepuasan pengguna e-learning sering dilakukan melalui kuesioner, pendekatan berbasis leksikon, atau algoritma pembelajaran mesin konvensional. Namun, metode tersebut memiliki keterbatasan. Pendekatan berbasis leksikon sangat bergantung pada kamus kata, sehingga sering kurang akurat ketika menghadapi kata baru, ungkapan tidak baku, atau kalimat yang memiliki makna kontekstual. Sementara itu, metode machine learning tradisional biasanya membutuhkan rekayasa fitur manual, yang memakan waktu dan tidak selalu mampu menangkap keragaman opini pengguna secara mendalam.

Untuk menjawab persoalan tersebut, penelitian ini memperkenalkan SEMAR atau Sentiment and Emotion Multi-task Analysis Recognition. SEMAR merupakan pendekatan pembobotan istilah multi-tugas yang dirancang untuk menganalisis sentimen dan emosi pengguna e-learning secara bersamaan. Berbeda dari metode sebelumnya yang hanya memberikan satu bobot pada setiap kata, SEMAR memberikan bobot yang lebih kontekstual sesuai fungsi kata dalam analisis sentimen maupun emosi. Pendekatan ini penting karena kata yang sama dapat memiliki tingkat kepentingan berbeda tergantung konteks dan kelas opini yang dianalisis.

Secara teknis, SEMAR menggabungkan empat teknik representasi teks, yaitu Word2Vec, TF-Density, Emotion-enriched Word Embedding (EWE), dan fastText. Word2Vec digunakan untuk menangkap hubungan semantik antar kata, sedangkan TF-Density membantu menilai pentingnya kata dalam dokumen. EWE berperan dalam memperkaya representasi kata dengan informasi emosi seperti bahagia, marah, takut, jijik, dan sedih. Sementara itu, fastText membantu mengenali kata berdasarkan struktur subkata sehingga lebih kuat dalam menghadapi kata baru atau bentuk kata yang jarang muncul. Kombinasi ini kemudian diproses melalui arsitektur ganda CNN dan BiLSTM. CNN berfungsi menangkap pola lokal dalam teks, sedangkan BiLSTM membaca konteks kalimat dari dua arah sehingga mampu memahami hubungan kata secara lebih utuh.

Penelitian ini menggunakan enam dataset, termasuk data dari platform MOOC seperti Coursetalk dan Coursera, data Moodle, serta beberapa dataset emosi umum seperti SemEval dan Tales Emotion. Penggunaan dataset yang beragam bertujuan untuk menguji apakah SEMAR dapat bekerja tidak hanya pada data e-learning, tetapi juga pada teks dengan karakteristik emosi yang lebih luas. Dalam eksperimen, peneliti juga menerapkan validasi silang 10-fold, teknik regularisasi, early stopping, serta penyesuaian bobot kelas untuk mengurangi risiko bias pada data yang tidak seimbang.

Hasil penelitian menunjukkan bahwa SEMAR mampu melampaui berbagai metode pembanding. Model CNN+BiLSTM yang menggunakan kombinasi Word2Vec, TF-Density, EWE, dan fastText mencapai rata-rata F1-score sebesar 91,82%. Angka ini lebih tinggi dibandingkan model berbasis fastText+Word2Vec maupun TF-IDF. Selain itu, pendekatan multi-weighting terbukti meningkatkan performa klasifikasi dibandingkan pembobotan tunggal. Dalam analisis tambahan, model SEMAR juga menunjukkan stabilitas yang baik terhadap perubahan parameter seperti learning rate, batch size, dropout, dan jumlah filter.

Dari sisi implementasi, SEMAR memang membutuhkan sumber daya komputasi lebih besar dibandingkan model sederhana. Model ini memiliki sekitar 0,74 juta parameter, menggunakan memori GPU sekitar 2,1 GB, dan membutuhkan waktu pelatihan kurang lebih empat jam untuk validasi silang penuh. Namun, kebutuhan tersebut masih tergolong realistis untuk GPU kelas menengah, sehingga SEMAR tetap berpotensi diterapkan dalam analisis e-learning skala nyata.

Meski hasilnya menjanjikan, SEMAR masih memiliki sejumlah keterbatasan. Dataset yang digunakan belum sepenuhnya mewakili platform e-learning lokal atau lingkungan multibahasa yang sangat beragam. Selain itu, model ini masih berpotensi kesulitan dalam memahami sarkasme, emosi yang tumpang tindih, atau ungkapan bahasa gaul yang cepat berubah. Oleh karena itu, penelitian lanjutan disarankan untuk mengembangkan model yang lebih ringan, adaptif terhadap kosakata baru, serta mampu menangani bahasa dan konteks budaya yang lebih luas.

Secara keseluruhan, SEMAR memberikan kontribusi penting dalam bidang analisis kepuasan pengguna e-learning. Dengan menggabungkan analisis sentimen, emosi, pembobotan istilah multi-tugas, dan arsitektur deep learning ganda, pendekatan ini mampu membaca opini pengguna secara lebih kaya dan akurat. Bagi institusi pendidikan, teknologi seperti SEMAR dapat membantu memahami pengalaman belajar mahasiswa dan dosen secara lebih objektif, sehingga pengembangan layanan e-learning dapat dilakukan berdasarkan data yang lebih kuat.

Referensi

Sandiwarno, S., Sensuse, D. I., Santoso, H. B., Hidayat, D. S., & Nyamawe, A. S. (2025). SEMAR: A Multi-Task Term Weighting Approach for Sentiment and Emotion-Based E-Learning Users’ Satisfaction Analysis. https://www.scopus.com/pages/publications/105020728065?origin=resultslist

(MHN)