UMPPUMPP

Jurnal Surya InformatikaJurnal Surya Informatika

Pandemi mengharuskan pihak sekolah untuk menerapkan sistem pembelajaran online. Perubahan cara kerja pembelajaran yang semula diterapkan melalui sistem pembelajaran tatap muka kemudian dilakukan secara online (daring) menyebabkan siswa dan para orang tua perlu melakukan adaptasi untuk perubahan tersebut. Tujuan dari penelitian ini adalah untuk melakukan klasifikasi terhadap kemampuan adaptasi siswa dengan diberlakukan pembelajaran online (daring) dengan menggunakan bantuan Algoritma Naive Bayes. Pemilihan algoritma Naïve Bayes dilakukan karena mudah dan cepat untuk diimplementasikan. Metode lain yang digunakan adalah metode untuk melakukan feature selection. Data splitting yang dipilih pada penelitian ini adalah 70% untuk data training dan 30% untuk data testing. Evaluasi model yang dilakukan dengan jumlah Information Gain feature yang berbeda yakni 3, 6, 9, dan 13 kombinasi feature yang memiliki nilai gain terbaik. Sedangkan, jumlah information gain untuk mendapatkan feature terbaik yaitu saat menghasilkan 6 feature. Feature terbaiknya yaitu Class Duration, Financial Condition, Age, Institution Type, Location, dan Device. Penelitian ini juga membandingkan penggunaan library dan yang menggunakan perhitungan manual. Pemilihan feature selection dipilih 6 feature maka didapatkan hasil accuracy tertinggi jika dihitung dengan perhitungan manual menghasilkan accuracy sejumlah 66,02%, sedangkan jika dihitung dengan perhitungan library nilai accuracy yang dihasilkan adalah 66,29%. Penggunaan library terpantau memiliki perbedaan hasil dibandingkan dengan perhitungan manual karena adanya perbedaan step yang digunakan.

Penelitian ini menunjukkan bahwa penggunaan 6 fitur terbaik menghasilkan akurasi tertinggi dalam klasifikasi tingkat adaptasi siswa.Akurasi tertinggi tercapai sebesar 66,29% menggunakan perhitungan library dan 66,02% menggunakan perhitungan manual.Kombinasi 6 fitur lebih efektif dibandingkan kombinasi 3, 9, atau 13 fitur lainnya.

1) Mengkaji pengaruh integrasi data sensor perilaku belajar, seperti pola interaksi pada platform LMS, terhadap peningkatan akurasi model klasifikasi adaptasi siswa menggunakan algoritma ensemble yang memadukan Naïve Bayes dan Random Forest. 2) Meneliti efektivitas pendekatan pembelajaran jarak jauh berbasis adaptive learning dengan menyesuaikan tingkat kesulitan materi secara real-time, didukung oleh model prediksi adaptasi yang dibangun dari data longitudinal siswa selama semester. 3) Menyusun sistem rekomendasi bimbingan belajar yang menyesuaikan metode intervensi (mis‑al., konsultasi daring, materi tambahan) berdasarkan profil adaptasi siswa, dan menguji dampaknya terhadap peningkatan hasil belajar serta kepuasan siswa dan orang tua.

  1. Peran Guru dalam Pelaksanaan Pembelajaran Jarak Jauh di Tengah Wabah Covid - 19 | Edunesia : Jurnal Ilmiah... edunesia.org/index.php/edu/article/view/77Peran Guru dalam Pelaksanaan Pembelajaran Jarak Jauh di Tengah Wabah Covid 19 Edunesia Jurnal Ilmiah edunesia index php edu article view 77
  2. Implementasi Data Mining dengan Algoritma Naïve Bayes Untuk Klasifikasi Kelayakan Penerima... ejurnal.stmik-budidarma.ac.id/index.php/jurikom/article/view/3655Implementasi Data Mining dengan Algoritma NayEAve Bayes Untuk Klasifikasi Kelayakan Penerima ejurnal stmik budidarma ac index php jurikom article view 3655
  3. Penerapan Metode Naive Bayes Untuk Klasifikasi Pelanggan | Putro | Jurnal Teknologi Informasi dan Komunikasi... doi.org/10.30646/tikomsin.v8i2.500Penerapan Metode Naive Bayes Untuk Klasifikasi Pelanggan Putro Jurnal Teknologi Informasi dan Komunikasi doi 10 30646 tikomsin v8i2 500
  4. ANALISIS SENTIMEN OPINI MASYARAKAT TWITTER TERHADAP KASUS DIABETES DI INDONESIA MENGGUNAKAN ALGORITMA... doi.org/10.23960/jitet.v13i3.6942ANALISIS SENTIMEN OPINI MASYARAKAT TWITTER TERHADAP KASUS DIABETES DI INDONESIA MENGGUNAKAN ALGORITMA doi 10 23960 jitet v13i3 6942
Read online
File size583.5 KB
Pages8
DMCAReport

Related /

ads-block-test