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

Abstract

Abstrak 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, sedangkan metode yang digunakan untuk klasifikasi adalah algoritma Naïve Bayes, k-NN, dan C4.5. Dari pengolahan data tersebut didapatkan hasil 2 klaster dengan pembagian data sebanyak 273 pada klaster 0 dan klaster 1 sebanyak 97 data. Pada proses klasifikasi, algoritma Naïve Bayes memperoleh nilai akurasi paling tinggi dibandingkan dengan algoritma yang lain dengan 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. Abstract Universitas Terbuka is the 45th State University (PTN) in Indonesia which applies an open and distance learning system, the success of learning is more determined by the existence of a spirit of independence and high motivation from students. To find out the success of the learning system provided, a survey was conducted using a questionnaire that was distributed to students to determine the assessment of each student. The purpose of this study is to cluster and classify the results of questionnaire data on the importance of the Universitas Terbuka learning system using the RapidMiner 9.0.0.3 software. The clustering method used is the k-medoids algorithm, while the method used for classification is the Naïve Bayes algorithm, k-NN, and C4.5. From the data processing, 2 cluster results were obtained with data distribution of 273 in cluster 0 and cluster 1 for 97 data. In the classification process, the Naïve Bayes algorithm obtained the highest accuracy value compared to other algorithms with an accuracy value of 72.70% with an AUC value of 0.499. While the k-NN algorithm obtained an accuracy value of 71.62% with an AUC value of 0.438 and the C4.5 algorithm obtained an accuracy value of 68.92% with an AUC value of 0.450.