Penerapan Algoritma Klasterisasi dan Klasifikasi pada Tingkat Kepentingan Sistem Pembelajaran di Universitas Terbuka

Penerapan Algoritma Klasterisasi dan Klasifikasi pada Tingkat Kepentingan Sistem Pembelajaran di Universitas Terbuka

• By Hidayati,Nadiyah; Rizmayanti,Ade, Irma; Dewi,Chintamia, Bunga, Sari; Fatmasari,Rhini; Gata,Windu;
• Jurnal Nasional Terakreditasi
• 351
• 134-142

Universitas Terbuka merupakan Perguruan Tinggi Negeri (PTN) ke-45 di Indonesia yang menerapkan sistem belajar terbuka dan jarak jauh, keberhasilan pembelajaran lebih ditentukan oleh adanya jiwa kemandirian dan motivasi tinggi dari mahasiswa. Untuk mengetahui keberhasilan sistem pembelajaran yang diberikan, dilakukan survei menggunakan kuesioner yang dibagikan kepada mahasiswa untuk mengetahui penilaian dari masing-masing mahasiswa. Tujuan dari penelitian ini adalah untuk mengklaster dan mengklasifikasi data hasil kuesioner tingkat kepentingan sistem pembelajaran Universitas Terbuka dengan menggunakan software RapidMiner 9.0.0.3. Metode klasterisasi yang digunakan adalah algoritma k-medoids, edangkan metode yang digunakan untuk klasifikasi adalah algoritma Naïve Bayes, k-NN, dan 4.5. Dari pengolahan data tersebut didapatkan hasil 2 klaster dengan pembagian data ebanyak 273 pada klaster 0 dan klaster 1 sebanyak 97 data. Pada proses klasifikasi, algoritma aïve Bayes memperoleh nilai akurasi paling tinggi dibandingkan dengan algoritma yang lain engan nilai akurasi sebesar 72,70% dengan nilai AUC sebesar 0,499. Sedangkan algoritma k-NN memperoleh nilai akurasi sebesar 71,62% dengan nilai AUC sebesar 0,438 dan algoritma C4.5 memperoleh nilai akurasi sebesar 68,92% dengan nilai AUC sebesar 0,450.

• Katakunci Klasterisasi, Klasifikasi, RapidMiner, Tingkat Kepentingan
• URL https://ejournal.bsi.ac.id/ejurnal/index.php/swabumi/article/view/8385
• Penerbit ,

REFERENSI

Ainun, E., Isti, W., & Fachri, S. (2020).

IMPLEMENTASI ALGORITMA K -

MEANS CLUSTERING TINGKAT

KEPENTINGAN TAGIHAN RUMAH

SAKIT DI PT PERTAMINA (

PERSERO ).

Amalia, D. R., Narasati, R., & Faqih, A.

(2019). Perbandingan Hasil Klasifikasi

Rasa Minuman Thai Tea yang Paling

Digemari Menggunakan K-means dan

K-medoids, 401–407.

Arianto, J. (2019). PENERAPAN DATA

MINING UNTUK PENGELOMPOKAN

PENDUDUK KURANG MAMPU

DESA SAMBIREJO TIMUR DENGAN

ALGORITMA K-MEDOIDS ( STUDI

KASUS KANTOR KEPALA DESA

SAMBIREJO TIMUR ), 3, 569–573.

https://doi.org/10.30865/komik.v3i1.16

60

Astria, C., Hartama, D., Windarto, A. P., &

Sudahri, I. (2020). Pengembangan

Metode Datamining K-Medoid Pada

Kasus Distribusi Listrik di Indonesia,

276–281.

Damanik, I. I. P., Solikhun, Saragih, I. S.,

Parlina, I., Suhendro, D., & Wanto, A.

(2019). Algoritma K-Medoids untuk

Mengelompokkan Desa yang Memiliki

Fasilitas Sekolah di Indonesia,

(September), 520–527.

Defiyanti, S., Jajuli, M., & Rohmawati, N. W.

(2017). Optimalisasi K - Medoid

Dalam Pengklasteran Mahasiswa

Pelamar Beasiswa Dengan Cubic

Clustering Criterion, 3(1), 211–218.

Feblian, D., & Daihani, D. U. (2017).

IMPLEMENTASI MODEL CRISP-DM

UNTUK MENENTUKAN SALES

PIPELINE PADA PT X, 1–12.

Hardiyanti, F., Tambunan, H. S., & Saragih,

I. S. (2019). PENERAPAN METODE

K-MEDOIDS CLUSTERING PADA

PENANGANAN KASUS DIARE DI

INDONESIA, 3(2012), 598–603.

https://doi.org/10.30865/komik.v3i1.16

66

Haryati, S., Sudarsono, A., & Suryana, E.

(2015). IMPLEMENTASI DATA

MINING UNTUK MEMPREDIKSI

MASA STUDI MAHASISWA

MENGGUNAKAN ALGORITMA C4 .

5, 11(2), 130–138.

Iriadi, N., & Nuraeni, N. (2016). KAJIAN

PENERAPAN METODE KLASIFIKASI

DATA MINING ALGORITMA C4.5

UNTUK PREDIKSI KELAYAKAN

KREDIT PADA BANK MAYAPADA

JAKARTA, 132–137.

Irmawaty, Iswanto, Y., & Nupikso, G.

(2018). EFEKTIVITAS PEMBELIAN

BUKU MATERI POKOK ( MODUL )

UT MELALUI TOKO BUKU ONLINE (

TBO ) ANTARA HARAPAN DAN, 32–

38.

Kurniawati, I., Indrajit, R. E., & Fauzi, M.

(2017). Peran Bussines Intelligence

Dalam Menentukan Strategi Promosi

Penerimaan Mahasiswa Baru, 1(2),

70–79.

Nawangsih, I., & Amirudin. (2019).

PENERAPAN ALGORITMA C4.5

UNTUK PREDIKSI AKURASI

KEPUASAN PELANGGAN PO.

SINAR JAYA, 8(1), 2009–2012.

Ningsih, S. R., Damanik, I. S., Windarto, A.

P., Tambunan, S. H., & Wanto, A.

(2019). Analisis K-Medoids Dalam

Pengelompokkan Penduduk Buta

Huruf Menurut Provinsi, (September),

721–730.

Pramesti, D. F., Furqon, M. T., & Dewi, C.

(2017). Implementasi Metode K-

Medoids Clustering Untuk

Pengelompokan Data Potensi

Kebakaran Hutan / Lahan

Berdasarkan Persebaran Titik Panas (

Hotspot ), 1(9), 723–732.

Rahmadi, M., Kaurie, F., & Susanti, T.

(2020). Uji Akurasi Dataset Pasien

Pasca Operasi Menggunakan

Algoritma Naïve Bayes Menggunakan

Weka Tools, 7(1), 134–139.

https://doi.org/10.30865/jurikom.v7i1.1

761

Riadi, M., Azhar, Y., & Wicaksono, G. W.

(2020). Implementasi Algoritma C5 . 0

Dan K-Medoids Untuk Klasterisasi,

2(4), 511–523.

142

JURNAL SWABUMI Vol.8 No.2, September 2020: 134-142

Septiani, W. D. (2017). KOMPARASI

METODE KLASIFIKASI DATA

MINING ALGORITMA C4.5 DAN

NAIVE BAYES UNTUK PREDIKSI

PENYAKIT HEPATITIS, 13(1), 76–84.

Simamora, D. A. S., Furqon, M. T., &

Priyambadha, B. (2017). Clustering

Data Kejadian Tsunami Yang

Disebabkan Oleh Gempa Bumi

Dengan Menggunakan Algoritma K-

Medoids, 1(8), 635–640.

Sundari, S., Damanik, I. S., Windarto, A. P.,

Tambunan, H. S., Jalaluddin, &

Wanto, A. (2019). Analisis K-Medoids

Clustering Dalam Pengelompokkan

Data Imunisasi Campak Balita di

Indonesia, (September), 687–696.

Wira, B., Budianto, A. E., & Wiguna, A. S.

(2019). IMPLEMENTASI METODE K-

MEDOIDS CLUSTERING UNTUK

MENGETAHUI POLA PEMILIHAN

PROGRAM STUDI MAHASIWA

BARU TAHUN 2018 DI

UNIVERSITAS KANJURUHAN

MALANG, 1(3), 54–69.

Yunita, F. (2018). Yunita, Penerapan Data

Mining Menggunkan Algoritma K-

Means Clustring Pada Penerimaan

Mahasiswa Baru (Studi Kasus :

Universitas Islam Indragiri) 1 238,

7(September), 238–249.