Seleksi Fitur pada Supervised Learning: Klasifikasi Prestasi Belajar Mahasiswa Saat dan Pasca Pandemi COVID-19

Abstract

Dampak pandemi COVID-19 membuat lembaga pendidikan mengubah metode belajar menjadi pembelajaran jarak jauh secara daring. Banyak perguruan tinggi menyatakan keprihatinannya pada prestasi akademik mahasiswanya selama selama periode tersebut, namun disisi lain terdapat mahasiswa yang merasa puas dan nyaman. Di masa pasca pandemi terjadi transisi bertahap untuk kembali ke pembelajaran tatap muka. Ini dilakukan karena pembelajaran tatap muka dianggap lebih efektif dibandingkan pembelajaran daring. Untuk meningkatkan dan memantau kemajuan prestasi akademik mahasiswa demi menghasilkan lulusan yang berkualitas, maka diperlukan analisis terkait perilaku dan prestasi belajar mahaiswa, salah satunya dengan menggunakan teknik data mining. Penelitian ini bertujuan untuk menemukan pola dan faktor yang mempengaruhi prestasi akademik mahasiswa saat dan pasca pandemi COVID-19. Chi-Square dan Mutual Information diterapkan sebagai seleksi fitur untuk menentukan fitur paling berpengaruh pada data. Data dengan fitur optimal akan dilakukan klasifikasi dengan algoritma NBC, CART, RF, dan SVM. Berdasarkan hasil dan analisis yang dilakukan, dapat disimpulkan seleksi fitur efektif dalam meningkatkan kemampuan model dan mempercepat waktu komputasi. Pemodelan dengan 4 algoritma dan 2 metode seleksi fitur menghasilkan CART dengan Chi-Square pada 2 fitur sebagai model terbaik dengan akurasi 89,00%, precision 87,72%, recall 93,57% dan waktu komputasi 0,01814s. Dibandingkan tanpa seleksi fitur, performa CART dengan Chi-Square mengalami peningkatan akurasi sebesar 3% dan waktu komputasi 0,00629s. Chi-Square menjadi seleksi fitur yang efektif pada penelitian ini, yang mana Chi-Square unggul pada rara-rata recall dan waktu komputasi dibandingkan Mutual Information.

Analisis Sentimen Ulasan Aplikasi PLN Mobile Menggunakan Algoritma Naïve Bayes Classifier dan K-Nearest Neighbor

“…K-Fold Cross Validation merupakan teknik validasi yang membagi data menjadi K bagian yang sama, kemudian model akan dilatih dan dievaluasi sebanyak K kali [7]. Teknik ini digunakan karena dinilai mampu memperoleh hasil yang maksimal saat melakukan pemodelan [15].…”

“…Naïve Bayes Classifier NBC merupakan algoritma klasifikasi yang sederhana dengan konsep penerapan teorema bayes dengan asumsi independensi [7]. Algoritma ini dapat digunakan pada data numerik maupun kategorikal [17].…”

“…NBC merupakan algoritma klasifikasi sederhana berdasarkan pada penerapan teorema bayes dengan asumsi independensi [7]. Algoritma ini banyak diterapkan pada beberapa kasus seperti analisis sentimen, klasifikasi teks, filter spam, dan lainnya [8].…”