Pencarian Criteria Splitting Terbaik Pada Algoritma C4.5 Untuk Mengukur Pemilihan Pembelajaran Pada Era Pendemi Covid-19
DOI:
https://doi.org/10.31294/larik.v2i1.1292Kata Kunci:
Klasifikasi, C4.5, Splitting, Pembelajaran, KomparasiAbstrak
Kondisi pandemi tahun 2022 masih berlangsung dan sudah memasuki tahun ke-2 sistem pembelajaran yang dilakukan masih belum 100% luring dan masih dilakukan secara daring. Sistem pembelajaran yang dilakukan secara daring tentunya membuat para orang tua, pendidik serta pelajar harus mengeluarkan biaya ekstra dan pemahaman yang ekstra karena tidak semua mampu mengatasi dua hal tersebut. Klasifikasi dalam menentukan pemilihan pembelajaran menjadi sangat penting, karena pembelajaran daring menuai pro dan kontra pada tengah masyarakat. Pada penelitian ini dataset didapat dari hasil survei terhadap orang tua, pendidik, siswa serta mahasiswa, dan sebanyak 283 responden telah terkumpul untuk mengukur pemilihan pembelajaran pada Era Pandemi Covid-19. Pengolahan data dilakukan dengan menggunakan aplikasi Rapid miner dan menerapkan metode Algoritma Klasifikasi Data Mining C4.5, dalam proses eksperimen dilakukan proses komparasi kriteria split pada algoritma C4.5 yaitu Information Gain, Gini Index Dan Gain Ratio. Diperoleh dua nilai yang paling tinggi nilai akurasinya yaitu sebesar 85.88% untuk Gain Ratio dan Information Gain, sementara untuk Gini Index sebesar 8.24%. Untuk nilai AUC yang paling tinggi yaitu 0.80 pada Gain Ratio, disusul oleh Information Gain sebesar 0.783 dan Gini Index sebesar 0.784. Berdasarkan hasil komparasi kriteria Split gain ratio termasuk kategori klasifikasi Baik, dikarenakan memiliki nilai diantara 0.80 – 0.90.
Referensi
Y. Fitriani, S. Defit, and G. W. Nurcahyo, “Prediksi Hasil Belajar Siswa Secara Daring pada Masa Pandemi COVID-19 Menggunakan Metode C4.5,” J. Sistim Inf. dan Teknol., vol. 3, pp. 120–127, 2021, doi: 10.37034/jsisfotek.v3i3.54.
M. Huda et al., “DATA MINING EFEKTIVITAS PEMBELAJARAN DARING MENGGUNAKAN ALGORITMA K-MEANS,” vol. 1, no. 2, pp. 133–138, 2020.
D. Sartika and D. I. Sensuse, “Perbandingan Algoritma Klasifikasi Naive Bayes, Nearest Neighbour, dan Decision Tree pada Studi Kasus Pengambilan Keputusan Pemilihan Pola Pakaian,” J. Tek. Inform. Dan Sist. Inf., vol. 1, no. 2, pp. 151–161, 2017, [Online]. Available: https://doi.org/10.35957/jatisi.v3i2.78.
Yendrizal, Algoritma C4.5 pada Teknik Klsifikasi Penyusutan Pupuk, Cetakan Pe. Sumatera Barat: CV.Azka Pustaka, 2022.
R. Thabrani, Muhardi, and Faisal, “Analisa Kelayakan Pembelajaran Tatap Muka Sekolah Dimasa Pandemi Dengan Metode Naive Bayes,” pp. 11–15, 2021.
S. Lesmana et al., “Penerapan k-means dalam efektivitas pembelajaran e-learning pada masa pandemi covid-19,” Semin. Nas. Inform., vol. 2020, no. 1, pp. 100–110, 2020, [Online]. Available: http://www.jurnal.upnyk.ac.id/index.php/semnasif/article/view/4090.
A. Erfina, E. S. Basryah, A. Saepulrohman, and D. Lestari, “Analisis Sentimen Aplikasi Pembelajaran Online Di Play Store Pada Masa Pandemi Covid-19 Menggunakan Algoritma Support Vector Machine (Svm),” Semin. Nas. Inform., vol. 1, no. 1, pp. 145–152, 2020, [Online]. Available: http://jurnal.upnyk.ac.id/index.php/semnasif/article/view/4094.
