ANALISIS PERBANDINGAN METODE NAÏVE BAYES DENGAN C4.5 UNTUK MENGUKUR TINGKAT KEPUASAN MAHASISWA DALAM PEMBELAJARAN LURING
A Comparative Analysis of Naïve Bayes and C4.5 Methods to Measure Student Satisfaction in Offline Learning
Penelitian ini bertujuan untuk membandingkan dua metode klasifikasi data, yaitu Naïve Bayes dan C4.5, dalam mengukur tingkat kepuasan mahasiswa terhadap pembelajaran luring pada Rumpun Informatika Universitas Negeri Surabaya. Kepuasan mahasiswa merupakan indikator penting dalam menilai kualitas pengalaman belajar dan efektivitas metode pengajaran. Penggunaan algoritma Naïve Bayes dan C4.5 memungkinkan analisis yang lebih mendalam terhadap data survei kepuasan mahasiswa.
Metode penelitian ini melibatkan pengumpulan data dari 150 mahasiswa melalui kuesioner yang mencakup berbagai aspek pengalaman belajar, seperti kehadiran, partisipasi dalam diskusi, fasilitas, kualitas pembelajaran, dan layanan sistem informasi. Data yang terkumpul dianalisis menggunakan kedua algoritma untuk membandingkan akurasi, presisi, recall, dan f1-score dari masing-masing metode.
Hasil penelitian menunjukkan bahwa algoritma C4.5 memiliki tingkat akurasi sebesar 97,33%, lebih unggul dalam menangani klasifikasi data kepuasan mahasiswa dibandingkan dengan Naïve Bayes yang memiliki akurasi sebesar 91,33%, terutama pada dataset dengan rasio pembagian data 20:80. Temuan ini memberikan wawasan berharga bagi institusi pendidikan dalam memilih metode analisis yang tepat untuk evaluasi kepuasan mahasiswa. Dengan demikian, hasil penelitian ini dapat digunakan sebagai dasar untuk pengambilan keputusan dalam upaya meningkatkan kualitas pembelajaran luring di lingkungan universitas.
This study aims to compare two data classification methods, Naïve Bayes and C4.5, in measuring student satisfaction with offline learning in the Informatics Cluster at Universitas Negeri Surabaya. Student satisfaction is a crucial indicator for assessing the quality of the learning experience and the effectiveness of teaching methods. The use of Naïve Bayes and C4.5 algorithms allows for a deeper analysis of student satisfaction survey data.
The research methodology involves collecting data from 150 students through questionnaires covering various aspects of the learning experience, such as attendance, participation in discussions, facilities, teaching quality, and information system services. The collected data is analyzed using both algorithms to compare accuracy, precision, recall, and F1-score of each method.
The results show that the C4.5 algorithm has an accuracy rate of 97.33%, outperforming Naïve Bayes, which has an accuracy rate of 91.33%, particularly in datasets with a 20:80 data split ratio. These findings provide valuable insights for educational institutions in choosing the appropriate analysis method for evaluating student satisfaction. Thus, the results of this study can serve as a basis for decision-making efforts to improve the quality of offline learning in the university environment.