1. Home
  2. Vol 19, No 1
  3. Trivetisia

Perbandingan Algoritme Naïve Bayes dan C4.5 Pada Pengklasifikasian Tingkat Pemahaman Belajar Mahasiswa Dalam Pembelajaran Daring

Nora Trivetisia(1*),Rima Dias Ramadhani(2),Merlinda Wibowo(3)
(1) Institut Teknologi Telkom Purwokerto
(2) Institut Teknologi Telkom Purwokerto
(3) Institut Teknologi Telkom Purwokerto
(*) Corresponding Author
DOI : 10.35889/progresif.v19i1.1081

Abstract

Online learning is a learning system that has been widely implemented since the Covid-19 Pandemic. This learning system is synonymous with the use of internet-based learning media. In practice, teachers often have difficulty knowing how far their students can understand the material being taught. Therefore, it is necessary to do a classification to make it easier for teachers to assess the level of understanding in terms of health, motivation, and teaching methods. Many classification algorithms can be used so that analysis is needed to find the best algorithm. This study focuses on comparative observations of two classification algorithms, namely Naïve Bayes and C4.5. The dataset used is the result of a student questionnaire at the Telkom Purwokerto Institute of Technology in the form of a Likert scale. The steps taken were data preprocessing and then classification using Naïve Bayes and C4.5. The result is that Naïve Bayes is superior to C4.5 with a Naïve Bayes testing accuracy of 99% compared to C4.5 with 91% accuracy. So, it can be concluded that Naïve Bayes is superior to C4.5 in this case.

Keywords: Online Learning; Naïve Bayes; C4.5; Classification; Data Mining

 

Abstrak

Pembelajaran daring adalah salah satu sistem pembelajaran yang ramai diterapkan sejak Pandemi Covid-19. Sistem pembelajaran ini identik dengan penggunaan media belajar berbasis internet. Dalam pelaksanaannya pengajar sering mengalami kesulitan untuk mengetahui sejauh mana mahasiswanya bisa menangkap materi yang diajarkan. Oleh karena itu, perlu dilakukan klasifikasi untuk mempermudah pengajar dalam menilai tingkat pemahaman dari segi kesehatan, motivasi, dan cara pengajaran. Banyak algoritme klasifikasi yang dapat digunakan sehingga dibutuhkan analisis untuk mencari algoritme terbaik. Penelitian ini berfokus pada pengamatan komparasi terhadap dua algoritme klasifikasi yaitu Naïve Bayes dan C4.5. Dataset yang digunakan adalah hasil kuesioner mahasiswa Institut Teknologi Telkom Purwokerto berbentuk skala Likert. Tahapan yang dilakukan adalah preprocessing data lalu dilakukan klasifikasi menggunakan Naïve Bayes dan C4.5. Hasilnya Naïve Bayes lebih unggul dari C4.5 dengan akurasi untuk pengujian Naïve Bayes sebesar 99% dibanding C4.5 dengan akurasi 91%. Maka, dapat disimpulkan bahwa Naïve Bayes lebih unggul daripada C4.5 pada kasus ini.

Kata kunci: Pembelajaran Daring; Naïve Bayes; C4.5; Klasifikasi; Data Mining

References


A. Widodo dan N. Nursaptini, “Problematika Pembelajaran Daring dalam Perspektif Mahasiswa,” ELSE (Elementary Sch. Educ. Journal) J. Pendidik. dan Pembelajaran Sekol. Dasar, vol. 4, no. 2, hal. 100, 2020, doi: 10.30651/else.v4i2.5340.

B. Septalisma, “98 Persen Kampus PJJ Daring, Kemdikbud Klaim Mahasiswa Siap,” Cnnindonesia.Com, 2020. https://www.cnnindonesia.com/nasional/20200903012249-20-542198/98-persen-kampus-pjj-daring-kemdikbud-klaim-mahasiswa-siap.

I. A. Kusuma, Adi Candra, “Klasifikasi Penilaian Terhadap Hasil Belajar Mahasiswa,” J. Pendidik., vol. 13, no. 1, hal. 1–11, 2019.

N. L. W. S. R. Ginantra et al., Data Mining dan Penerapan Algoritme. Medan: Yayasan Kita Menulis, 2021.

P. B. N. Setio, D. R. S. Saputro, dan B. Winarno, “Klasifikasi dengan Pohon Keputusan Berbasis Algoritme C4.5,” Prism. Pros. Semin. Nas. Mat., vol. 3, hal. 64–71, 2020, [Daring]. Tersedia pada: https://journal.unnes.ac.id/sju/index.php/prisma/.

Y. Narayan, “Comparative analysis of SVM and Naive Bayes classifier for the SEMG signal classification,” in Materials Today: Proceedings, 2020, vol. 37, no. Part 2, hal. 3241–3245, doi: 10.1016/j.matpr.2020.09.093.

C. I. Agustyaningrum, W. Gata, R. Nurfalah, U. Radiyah, dan M. Maulidah, “Komparasi Algoritme Naive Bayes, Random Forest Dan Svm Untuk Memprediksi Niat Pembelanja Online,” J. Inform., vol. 20, no. 2, hal. 164–173, 2020, doi: 10.30873/ji.v20i2.2402.

S. Hendrian, “Algoritme Klasifikasi Data Mining Untuk Memprediksi Siswa Dalam Memperoleh Bantuan Dana Pendidikan,” Fakt. Exacta, vol. 11, no. 3, hal. 266–274, 2018, doi: 10.30998/faktorexacta.v11i3.2777.

J. P. Gultom dan A. Rikki, “Implementasi Data Mining menggunakan Algoritme C-45 pada Data Masyarakat Kecamatan Garoga untuk Menentukan Pola Penerima Beras Raskin,” Kumpul. Artik. Karya Ilm. Fak. Ilmu Komput., vol. 02, no. 01, hal. 11–19, 2020.

M. S. Mustafa, M. R. Ramadhan, dan A. P. Thenata, “Implementasi Data Mining untuk Evaluasi Kinerja Akademik Mahasiswa Menggunakan Algoritme Naive Bayes Classifier,” in Creative Information Technology Journal, 2018, vol. 4, no. 2, hal. 151, doi: 10.24076/citec.2017v4i2.106.

S. Linawati, R. A. Safitri, A. R. Alfiyan, W. E. Pangesti, dan M. N. Winnarto, “Perbandingan Algoritme Klasifikasi Naive Bayes Dan Svm Pada Studi Kasus Pemberian Penerima Beasiswa Ppa,” Swabumi, vol. 8, no. 1, hal. 71–75, 2020, doi: 10.31294/swabumi.v8i1.7708.

E. Firasari, N. Khasanah, U. Khultsum, D. N. Kholifah, R. Komarudin, dan W. Widyastuty, “Comparation of K-Nearest Neighboor (K-NN) and Naive Bayes Algorithm for the Classification of the Poor in Recipients of Social Assistance,” J. Phys. Conf. Ser., vol. 1641, no. 1, 2020, doi: 10.1088/1742-6596/1641/1/012077.

U. Hearneny, Pengantar Statistika I. Bandung: MEDIA SAINS INDONESIA, 2021.

A. K. Hamoud, A. S. Hashim, dan W. A. Awadh, “Predicting Student Performance in Higher Education Institutions Using Decision Tree Analysis,” Int. J. Interact. Multimed. Artif. Intell., vol. 5, no. 2, hal. 26, 2018, doi: 10.9781/ijimai.2018.02.004.

U. Pujianto, I. A. E. Zaeni, dan K. I. Rasyida, “Comparison of Naive Bayes and Random Forests Classifier in the Classification of News Article Popularity as Learning Material,” Proc. 1st UMGESHIC Int. Semin. Heal. Soc. Sci. Humanit. (UMGESHIC-ISHSSH 2020), vol. 585, hal. 229–242, 2021, doi: 10.2991/assehr.k.211020.036.

F. Tempola, M. Muhammad, dan A. Khairan, “Perbandingan Klasifikasi Antara KNN dan Naive Bayes pada Penentuan Status Gunung Berapi dengan K-Fold Cross Validation,” J. Teknol. Inf. dan Ilmu Komput., vol. 5, no. 5, hal. 577, 2018, doi: 10.25126/jtiik.201855983.

E. Sutoyo dan A. Almaarif, “Educational Data Mining for Predicting Student Graduation Using the Naïve Bayes Classifier Algorithm,” J. RESTI (Rekayasa Sist. dan Teknol. Informasi), vol. 4, no. 1, hal. 95–101, 2020, doi: 10.29207/resti.v4i1.1502.

D. R. S. P, A. P. Windarto, D. Hartama, dan I. S. Damanik, “Penerapan Klasifikasi C4.5 Dalam Meningkatkan Sistem Pembelajaran Mahasiswa,” KOMIK (Konferensi Nas. Teknol. Inf. dan Komputer), vol. 3, no. 1, hal. 593–597, 2019, doi: 10.30865/komik.v3i1.1665.

M. Kurniawan, “Implementasi Data Mining Untuk Prediksi Nilai Tukar Petani Hortikulturan per Provinsi di Indonesia dengan Root Mean Square Error (Studi Kasus: Algoritme Klasifikasi),” 2021.

S. Syihabuddin Azmil Umri, “Analisis Dan Komparasi Algoritme Klasifikasi Dalam Indeks Pencemaran Udara Di Dki Jakarta,” JIKO (Jurnal Inform. dan Komputer), vol. 4, no. 2, hal. 98–104, 2021, doi: 10.33387/jiko.v4i2.2871.

T. Imandasari, E. Irawan, A. P. Windarto, dan A. Wanto, “Algoritme Naive Bayes Dalam Klasifikasi Lokasi Pembangunan Sumber Air,” Pros. Semin. Nas. Ris. Inf. Sci., vol. 1, no. September, hal. 750, 2019, doi: 10.30645/senaris.v1i0.81.


How To Cite This :

Refbacks

  • There are currently no refbacks.