UMGUMG

E-Link: Jurnal Teknik Elektro dan InformatikaE-Link: Jurnal Teknik Elektro dan Informatika

Penelitian ini bertujuan membandingkan akurasi dan performa tiga algoritma klasifikasi, yaitu Support Vector Machine (SVM), C4.5, dan Random Forest, dalam mengklasifikasikan tingkat kepuasan siswa terhadap kinerja guru di MA Miftahussalam Demak. Data diperoleh dari kuesioner siswa dengan atribut seperti penguasaan materi, penjelasan materi, disiplin waktu, kepedulian, dan komunikasi. Preprocessing dilakukan dengan metode one-hot encoding dan normalisasi, serta evaluasi model menggunakan 10-fold cross-validation. Hasil menunjukkan bahwa SVM mencapai akurasi tertinggi sebesar 98,30%, diikuti oleh C4.5 sebesar 96,61%, dan Random Forest sebesar 95,76%. Uji ANOVA membuktikan perbedaan signifikan antar algoritma (p < 0,05), yang menandakan bahwa setidaknya satu algoritma memiliki performa yang berbeda secara statistik. Penelitian menyimpulkan bahwa SVM merupakan algoritma paling efektif untuk data ini, dengan rekomendasi penelitian lanjutan menguji algoritma ensemble dan dataset lebih besar.

Hasil analisis menunjukkan bahwa SVM (SMO) memberikan hasil terbaik dengan akurasi sebesar 98.31%, precision dan recall seimbang sebesar 0.9136, yang menunjukkan kekuatan klasifikasi sangat tinggi.5 (J48) juga menunjukkan performa yang baik dengan akurasi 96.61%, serta kemampuan interpretasi model yang unggul melalui pohon keputusan yang jelas.Random Forest, meskipun secara umum dikenal kuat, pada dataset ini memperoleh akurasi 95.76%, sedikit di bawah dua algoritma lainnya, dengan kappa statistic 0.Dengan demikian, dapat disimpulkan bahwa SVM adalah algoritma paling efektif untuk klasifikasi kepuasan siswa pada konteks dan data ini, baik dari segi akurasi maupun stabilitas prediksi.

1. Implementasi SVM: Algoritma SVM dapat digunakan sebagai dasar pengembangan sistem evaluasi kinerja guru berbasis data yang akurat dan efisien.. 2. Perluasan Dataset: Penelitian lanjutan disarankan menggunakan dataset yang lebih besar dan variatif untuk meningkatkan generalisasi model.. 3. Eksplorasi Algoritma Lain: Peneliti berikutnya dapat membandingkan dengan algoritma lain seperti XGBoost atau voting ensemble untuk memperoleh hasil yang lebih optimal.. 4. Uji Anova: Hasil uji Anova mendukung hasil evaluasi individual masing-masing algoritma. Untuk mengetahui lebih lanjut algoritma mana yang berbeda secara signifikan, uji post-hoc seperti Tukey HSD dapat dipertimbangkan dalam penelitian lanjutan.. 5. Pemanfaatan Hasil dalam Kebijakan Sekolah: Hasil klasifikasi dapat dimanfaatkan sebagai bahan pertimbangan dalam pengambilan keputusan peningkatan mutu pembelajaran.

Read online
File size438.93 KB
Pages8
DMCAReport

Related /

ads-block-test