Universitas XYZ merupakan salah satu PTS dalam bentuk universitas yang berlokasi di Tangerang, yang memiliki kewajiban untuk menjamin dan memberikan pendidikan bermutu kepada mahasiswa selaku salah satu pemangku kepentingan yang memiliki dampak secara langsung pada mutu sebuah universitas. LP2MP bertugas untuk menyelenggarakan pengukuran dan pelaksanaan survei setiap semester dalam bentuk survei umpan balik. Hasil survei tersebut dapat dijadikan sebagai pedoman untuk perbaikan yang berkesinambungan untuk penyelenggaraan penjaminan mutu Dikti dan pengelolaan Universitas XYZ. Namun, pengolahan dan pengukuran data survei secara konvensional tidak cukup untuk mengeksplorasi informasi tersembunyi dari survei. EDM digunakan pada penelitian ini untuk mengolah dan menganalisa data dari Universitas XYZ berupa survei bagian Open Ended Question (OEQ) yang terdiri dari Student Feedback Questionaire (SFQ), Facility Satisfaction Questionaire (FSQ), dan Graduate Feedback Questionaire (GFQ). Tujuan dari penelitian ini adalah untuk mendukung pengambilan keputusan dalam mengambil tindakan proaktif terhadap perbaikan mutu Universitas XYZ. Penelitian ini melakukan klasifikasi label aspek, sentimen analisis, dan tren topik survei SFQ, FSQ, dan GFQ pada bagian OEQ. Klasifikasi label aspek Multi Class survei SFQ memilih model klasifikasi terbaik dengan membandingkan hasil evaluasi accuration, precision, recall, dan F1-Score terhadap setiap kombinasi fitur dan perbandingan empat algoritma klasifikasi yaitu Decision Tree (DT), Naïve Bayes (NB), K-Nearest Neighbor (KNN), dan Support Vector Machine (SVM). Klasfikasi label aspek multi label survei FSQ dan GFQ memilih model klasifikasi terbaik dengan membandingkan hasil evaluasi tiga jenis library multilabel dari SciKit-Learn, yaitu Binary Relevance (BL), Label Power Set (LPS), dan Classifier Chain (CC) terhadap setiap kombinasi fitur dan empat algoritma klasifikasi tersebut. Hasil dari penelitian ini adalah teknik klasifikasi menggunakan kombinasi fitur TFIDF, Unigram, dan Bigram dengan algoritma SVM merupakan model klasifikasi terbaik untuk pelabelan aspek survei SFQ. Teknik klasifikasi menggunakan kombinasi fitur TFIDF, Unigram, dan Bigram dengan algoritma SVM dan library Multi Label CC merupakan model klasifikasi terbaik untuk pelabelan aspek survei FSQ. Teknik klasifikasi menggunakan kombinasi fitur Count Vectorizer, Unigram, dan Bigram dengan algoritma NB dan library Multi Label BR merupakan model klasifikasi terbaik untuk pelabelan aspek survei GFQ. Selain itu, algoritma SentiStrenghtID digunakan untuk mendapatkan sentimen dan algoritma LDA digunakan untuk mendapatkan tren topik tahunan pada setiap label aspek survei SFQ, FSQ, dan GFQ.