ANALISA KEPUASAN MAHASISWA TERHADAP E-LEARNING MENGGUNAKAN ALGORITMA SUPPORT VECTOR MACHINE
Abstract
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.
Full Text:
PDF (Indonesian)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
DOI: http://dx.doi.org/10.33556/jstm.v23i1.333
Refbacks
- There are currently no refbacks.
Jurnal Sains Dan Teknologi Maritim Terindeks oleh :
SUPPORTED BY