ANALISA KEPUASAN MAHASISWA TERHADAP E-LEARNING MENGGUNAKAN ALGORITMA SUPPORT VECTOR MACHINE
DOI:
https://doi.org/10.33556/jstm.v23i1.333Abstract
Kegiatan pembelajaran pada umumnya yang sudah dilakukan yaitu pembelajaran dengan
tatap muka, akan tetapi dikarenakan di Indonesia terjadi pandemi covid-19 maka kegiatan
pembelajaran mengalami perubahan. Kegiatan pembelajaran yang awalnya dilakukan
dengan tatap muka, digantikan dengan pembelajaran e-learning. Hal ini tentunya membuat
mahasiswa menanggapi dengan berbagai respon. Perguruan tinggi harus bisa menangkap
respon mahasiswa dengan baik, apakah mahasiswa sudah merasa puas atau belum dengan
pembelajaran e-learning. Pengumpulan data yang digunakan dengan penyebaran kuesioner
kepada mahasiswa. Jenis data yang digunakan dalam penelitian ini adalah data primer.
Sedangkan untuk mengetahui dapat menganalisa kepuasan mahasiswa pada penelitian ini
akan menggunakan algoritma Support Vector Machine (SVM). Hasil dari analisa
menggunakan SVM nilai accuracy sebesar 98,23% artinya metode algoritma SVM dapat
memprediksi responden yang puas dan yang tidak puas dengan benar 98,23% dari
keseluruhan data. Precission merupakan rasio prediksi benar positif dibandingkan dengan
keseluruhan hasil yang diprediksi positif jadi algoritma SVM ini memprediksi responden
yang benar puas sebesar 95,65% dibandingkan dengan hasil keseluruhan yang diprediksi
puas. Recall merupakan rasio prediksi benar positif dibandingkan dengan keseluruhan data
yang benar positif. Algoritma svm menghasilkan nilai recall sebesar 95,65% artinya
algoritma svm ini memprediksi responden yang diprediksi akan puas dibandingkan dengan
keseluruhan responden yang sebenarnya merasa puas.
References
D. A. Back, F. Behringer, T. Harms, J. Plener, K. Sostmann, and H. Peters, “Survey of e-learning implementation and faculty support strategies in a cluster of mid-European medical schools,” BMC Med. Educ., vol. 15, no. 1, p. 145, Dec. 2015, doi: 10.1186/s12909-015-0420-4.
S. S. Inda, “Role of E-learning in Quality Assurance during COVID 19 Pandemic: Challenges and the Road Ahead,” p. 10, 2020.
F. Fauziah, D. Hartama, and I. S. Damanik, “Analisa Kepuasan Pelanggan Menggunakan Klasifikasi Data Mining,” Brahmana J. Penerapan Kecerdasan Buatan, vol. 2, no. 1, pp. 41–48, Dec. 2020, doi: 10.30645/brahmana.v2i1.47.
M. Siddik, R. N. Putri, and Y. Desnelita, “KLASIFIKASI KEPUASAN MAHASISWA TERHADAP PELAYANAN PERGURUAN TINGGI MENGGUNAKAN ALGORITMA NAÏVE BAYES,” J. Inf. Technol. Comput. Sci., vol. 3, no. 2, p. 5, Dec. 2020.
O. M. Gushchina and A. V. Ochepovsky, “Data mining of students’ behavior in E-learning system,” J. Phys. Conf. Ser., vol. 1553, no. 1, p. 012027, May 2020, doi: 10.1088/1742-6596/1553/1/012027.
M. M. Muhammad, U. M. Bala, and Y. Nuhu, “Adopting eLearning in Universities: A Challenge of Technology Factors,” vol. 2, no. 2, p. 5.
M. A. Hussain, M. Naser, and Ahmedunnisa Begum, “DataMining with Grid Computing Concepts,” 2015, doi: 10.13140/RG.2.2.14775.47524.
Yuda Irawan, “Implementation Of Data Mining For Determining Majors Using K-Means Algorithm In Students Of SMA Negeri 1 Pangkalan Kerinci,” J. Appl. Eng. Technol. Sci. JAETS, vol. 1, no. 1, pp. 17–29, Dec. 2019, doi: 10.37385/jaets.v1i1.18.
M. Badiane and P. Cunningham, “An empirical evaluation of kernels for time series,” Artif. Intell. Rev., Jul. 2021, doi: 10.1007/s10462-021-10050-y.
S. Shedriko, “Perbandingan Algoritma SVM dan KNN dalam Mengklasifikasi Kelulusan Mahasiswa pada Suatu Mata Kuliah,” STRING Satuan Tulisan Ris. Dan Inov. Teknol., vol. 6, no. 2, p. 115, Dec. 2021, doi: 10.30998/string.v6i2.9160
Downloads
Published
Issue
Section
License
Authors who publish with this journal agree to the following terms:Authors retain copyright and grant the journal right of first publication with the work simultaneously licensed under a Creative Commons Attribution License that allows others to share the work with an acknowledgement of the work's authorship and initial publication in this journal.
Authors are able to enter into separate, additional contractual arrangements for the non-exclusive distribution of the journal's published version of the work (e.g., post it to an institutional repository or publish it in a book), with an acknowledgement of its initial publication in this journal.
Authors are permitted and encouraged to post their work online (e.g., in institutional repositories or on their website) prior to and during the submission process, as it can lead to productive exchanges, as well as earlier and greater citation of published work (See The Effect of Open Access).
