Pencarian Criteria Splitting Terbaik Pada Algoritma C4.5 Untuk Mengukur Pemilihan Pembelajaran Pada Era Pendemi Covid-19

Autor: Siti Masripah, Dewi Ayu Nurwulandari, Rizal Amegia Saputra
Rok vydání: 2022
Zdroj: Jurnal Larik: Ladang Artikel Ilmu Komputer. 2:1-7
ISSN: 2808-1730
DOI: 10.31294/larik.v2i1.1292
Popis: 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.
Databáze: OpenAIRE
načítá se...