scholarly journals Analisa Kepuasan Mahasiswa Terhadap E-Learning Menggunakan Teknik Machine Learning

2021 ◽  
Vol 5 (2) ◽  
pp. 137
Author(s):  
Isse Liana Septiani ◽  
Abdul Rasyid Faiq Hadinata ◽  
Agus Bahtiar ◽  
Nana Suarna ◽  
Nining R
Keyword(s):  
Machine Learning ◽  
Data Mining ◽  
Naive Bayes ◽  
Naïve Bayes ◽  
Naive Bayes Classifier ◽  
Bayes Classifier ◽  
Naïve Bayes Classifier ◽  
E Learning

: E-Learning merupakan salah satu media pembelajaan yang didukung oleh teknologi komputer dan jaringan internet yang didalamnya terdapat konten pembelajaran serta dapat diakses kapanpun dan dimanapun tanpa adanya keterbatasan jarak dan waktu. Kepuasan mahasiswa pada pembelajaran machine learning memiliki keterkaitan yang kuat. Semakin berkualitas penerapan pembelajaran di machine learning, maka semakin tinggi pula pencapaian kepuasan mahasiswa. Penelitian ini menggunakan metode algoritma naïve bayes classifier dengan menggunakan aplikasi rapidminer. Menggunakan teknik pengumpulan data kuantitatif dalam mengumpulkan data yang akan dijadikan sebagai sampel. Sumber data yang diperoleh dengan cara wawancara kepada pihak Biro Administrasi Akademik dan Kemahasiswaan (BAAK) STMIK IKMI Cirebon dan menyebarkan link kuesioner kepada responden yaitu mahasiswa kelas reguler sore secara online dengan menggunakan Google Form. Atribut yang digunakan pada data mining sistem pembelajaran mahasiswa kelas reguler sore antara lain: Ketersediaan Indigoes (A1), Penggunaan Indigoes (A2), Pengujian Indigoes (A3), Aktifitas Indigoes (A4), Kemudahan Indigoes (A5). Dari hasil pengolahan akan didapat hasil (Hasil Kepuasan) dan memperoleh klasifikasi tingkat kepuasan mahasiswa terhadap e-learning dimasa pandemic covid-19. Tujuan penelitian ini adalah ingin mengklasifikasikan tingkat kepuasan mahaiswa dengan penerapan data mining menggunakan algoritma naïve bayes classifier dalam mengetahui klasifikasi kepuasan mahaiswa dalam pembelajaran menggunakan e-learning dimasa pandemic covid-19. Pada penelitian ini diperoleh hasil tingkat akurasi sebesar 100%, recall 100% dan precision 100% dan hasil kepuasan mahasiswa terhadap e-learning dikategorikan “PUAS. Hasil penelitian ini diharapkan dapat dimanfaatkan sebagai tolok ukur dalam mengetahui tingkat kepuasan mahasiswa pada pembelajaran melalui e-learning dimasa pandemic yang sangat berpengaruh terhadap sistem pembelajaran mahasiswa.

scholarly journals Analisis Sentimen Masyarakat Berdasarkan Opini dari Sosial Media Menggunakan Metode Naive Bayes Classifier (Study Kasus : Universitas Sjakhyakirti)

2020 ◽  
Vol 11 (1) ◽  
Author(s):  
Paisal Paisal
Keyword(s):  
Machine Learning ◽  
Data Mining ◽  
Social Media ◽  
Naive Bayes ◽  
Naïve Bayes ◽  
Naive Bayes Classifier ◽  
Bayes Classifier ◽  
Naïve Bayes Classifier ◽  
Mining Operations ◽  
Use Of Social Media

<p class="SammaryHeader" align="center"><strong>Abstract</strong></p><p><em>The use of social media today is not only to communicate between friends, but also is needed to make facilities to convey the aspirations of certain people in Indonesia about legal issues relating to government and other issues. One of the aspirations conveyed through social media is a hash that is widely seen by one of the Sjakhyakirti University from the use of social media. Then there arises a lot of sentiment from every community, there are those that give positive sentiments and also negative sentiments that can have a good or bad impact on daily life. days in the community. Some reasons for positive and negative sentiments sourced from this social media, will use social media. From this debate the researchers found a solution where this hashtag can provide good results for the general public or vice versa. In analyzing this, the researcher uses the Naïve Bayes Classifier method which is one of the machine learning methods that uses calculations, the classification of automated hashes can help minimize personal misclassification by obtaining positive or negative sentiment information by using data mining that is carried out by using tools that execute the tools that execute data mining operations that have been determined based on the analysis of models of hidden data on big data thus outlining the discovery of knowledge about Sjakhyakirti University.</em></p><p><strong><em>Keywords </em></strong><strong><em>:</em></strong><strong><em> </em></strong><em>Social</em><em> </em><em>Media, Sjakhyakirti, Naïve Bayes Classifie</em></p><p class="SammaryHeader" align="center"><strong>Abstrak</strong></p><p><em>Pemanfaatan sosial media </em><em>saat </em><em>ini tidak hanya untuk berkomunikasi antara teman saja, akan tetapi sering juga dijadikan sebuah sarana untuk menyampaikan suatu aspirasi bagi masyarakat khususnya masyarakat indonesia mengenai masalah hukum ataupun masalah yang berhubungan dengan pemerintahan</em><em> serta masalah lainnnya</em><em>. Salah satu aspirasi yang disampaikan melalui sosial media ini adalah sebuah hastag yang banyak dilihat setiap harinya </em><em>salah satunya </em><em>mengenai </em><em>Universitas Sjakhyakirti </em><em>dari </em><em>pemanfaaat sosial media </em><em>ini </em><em>maka </em><em>munculah banyak sentimen dari setiap masyarakat, ada yang memberikan sentimen positif dan juga sentimen negatif mengenai tanggapan terhadap hastag tersebut yang dapat berdampak baik atau buruk bagi kehidupan sehari-hari dimasyarakat.</em><em> B</em><em>eberapa alasan sentimen posit</em><em>i</em><em>f</em><em> </em><em>dan negatif yang bersumber dari sosial media ini</em><em>, </em><em>akan memanfaatkan sosial media</em><em>. Dari </em><em>permasalahan ini peneliti menghasilkan sebuah solusi dimana hastag tersebut apakah dapat memberikan dampak yang baik bagi masyarakat umumumnya ataupun sebaliknya. Dalam menganalisa ini, peneliti menggunakan metode Naïve Bayes Classifier yang merupakan salah satu metode machine learning yang menggunakan perhitungan probabilitas, pengklasifikasian hastag otomatis ini dapat disesuaikan sehingga meminimalisasi aksi salah pengklasifikasian secara personal dengan memproleh informasi sentimen positif atau negative</em><em> dengan menggunakan data mining yang dilakukan dengan tool weka yang mengeksekusi operasi data mining yang telah didefinisikan berdasarkan model analisis dari data tersembunyi pada sejumlah data besar sehingga menguraikan penemuan pengetahuan mengenai Universitas Sjakhyakirti.</em></p><strong><em>Kata kunci : </em></strong><em>Sosial Media, Sjakhyakirti, Naïve Bayes Classifie</em>

scholarly journals APPLICATION OF NAIVE BAYES CLASSIFIER ALGORITHM IN DETERMINING NEW STUDENT ADMISSION PROMOTION STRATEGIES

2019 ◽  
Vol 1 (1) ◽  
pp. 14-28
Author(s):  
Ahmad Haidar Mirza
Keyword(s):  
Data Mining ◽  
Naive Bayes ◽  
Naïve Bayes ◽  
Statistical Techniques ◽  
Naive Bayes Classifier ◽  
Bayes Classifier ◽  
Naïve Bayes Classifier ◽  
Promotion Strategies ◽  
Effectiveness And Efficiency ◽  
New Student

Data Mining is a process that uses statistical techniques, mathematics, artificial intelligence, machine learning to extract and identify useful information and related knowledge from large databases. Data mining is the process of finding new patterns in data by filtering large amounts of data. Data mining uses pattern recognition technology that is similar to statistical techniques and mathematical techniques. The patterns found can provide useful information for generating economic benefits, effectiveness and efficiency. Algorithm Naive Bayes Classifier is one method of data mining that can be used to support effective and efficient promotion strategies. The Naive Bayes Classifier algorithm is used to predict the interest of the study based on the calculations performed. The data used are new student registration data from 2014 until 2016 at Bina Darma University. The results of this study are new models that are expected to provide important information can be used to assist the Marketing Team of Bina Darma University Palembang in policy making and implementation of appropriate marketing strategy. The results obtained are expected to help to support the promotion strategies that impact on the effectiveness and efficiency of promotion and increase the number of new students who will register.

scholarly journals KLASIFIKASI KARAKTERISTIK KONSUMEN SEPEDA MOTOR MERK T DI JAWA BARAT MENGGUNAKAN METODE NAÏVE BAYES CLASSIFIER PADA DATA MINING

2017 ◽  
Vol 9 (2) ◽  
pp. 37
Author(s):  
Jaka Aulia Pratama ◽  
Zulhanif Zulhanif ◽  
Yadi Suprijadi
Keyword(s):  
Data Mining ◽  
Naive Bayes ◽  
Naïve Bayes ◽  
Naive Bayes Classifier ◽  
Bayes Classifier ◽  
Naïve Bayes Classifier ◽  
Model Classification ◽  
Automatic Transmissions ◽  
Market Planning ◽  
Customer Classification

PT. JKL has a role as a main dealer of T’s brand are handling three types of motorcycle products in West Java. These are type of Sport, CUB, and Scooter(Automatic Transmissions). The company records the buyer of T’s brand motorcycle in the Customer Database (CDB). CDB collected from 2011 to 2013 yielded information of consumer characteristics which is necessary in market planning. Consumer characteristics are classified into two groups: Repeated Order and New Customer. Classification methods used in the study of Data Mining is the Naïve Bayes Classifier. Model classification is done by calculating the conditional probability to choose the greatest value of probability. The accuracy of the classification is 83% and the error classification is 17%.

Detecting Malicious Defects in 3D Printing Process Using Machine Learning and Image Classification

2016 ◽  
Author(s):  
Mingtao Wu ◽  
Vir V. Phoha ◽  
Young B. Moon ◽  
Amith K. Belman
Keyword(s):  
Machine Learning ◽  
3D Printing ◽  
Image Classification ◽  
Decision Trees ◽  
Naive Bayes ◽  
Naïve Bayes ◽  
Naive Bayes Classifier ◽  
Bayes Classifier ◽  
Naïve Bayes Classifier ◽  
Printing Process

3D printing, or additive manufacturing, is a key technology for future manufacturing systems. However, 3D printing systems have unique vulnerabilities presented by the ability to affect the infill without affecting the exterior. In order to detect malicious infill defects in 3D printing process, this paper proposes the following: 1) investigate malicious defects in the 3D printing process, 2) extract features based on simulated 3D printing process images, and 3) an experiment of image classification with one group of non-defect infill image and the other group of defect infill training image from 3D printing process. The images are captured layer by layer from the top view of software simulation preview. The data extracted from images is input to two machine learning algorithms, Naive Bayes Classifier and J48 Decision Trees. The result shows Naive Bayes Classifier has an accuracy of 85.26% and J48 Decision Trees has an accuracy of 95.51% for classification.

scholarly journals Evaluation of E-learning Activity Effectiveness in Higher Education Through Sentiment Analysis by Using Naïve Bayes Classifier

SISFORMA ◽  
2018 ◽  
Vol 5 (1) ◽  
pp. 22
Author(s):  
Eka Angga Laksana ◽  
Ase Suryana ◽  
Heri Heryono
Keyword(s):  
Sentiment Analysis ◽  
Naive Bayes ◽  
Naïve Bayes ◽  
Learning System ◽  
Learning Activity ◽  
Data Sets ◽  
Naive Bayes Classifier ◽  
Bayes Classifier ◽  
Naïve Bayes Classifier ◽  
E Learning

Sentiment analysis as part of text mining research domain has been being recognized due to the successful implementation in social media analysis. Sentiment analysis methods had intelligent ability to classify texts into negative or positive. Classified texts concluded whole users respond and described opinion polarity about particular topic. Based on this idea, this research took e-learning’s users opinion as object to be measured through sentiment analysis. The results can be used to evaluate the e-learning activity. This research had been implemented in Widyatama University which had been running e-learning activity for several years. Qualitative method by given questioner to users and gather the feedback is commonly used as evaluation of e-learning system previously. Still, questioner doesn’t represent the conclusion about the whole opinion. Hence, it needs the method to identify opinion polarity from e-learning member. The e-learning opinion data sets were gathered from questioner filled by e-learning member included both student and lecturer as participants. The participants gave review about learning outcome after their participation in e-learning activity. Their opinion was needed to describe current situation about e-learning activity. Therefore, the conclusion could be used to make improvement and described few achievements about the e-learning system. The data sets trained by Naïve Bayes classifier to group each user respond into negative or positive. The classification results were also evaluated by a number of particular evaluation metric used in data mining to show the classifier performance such as accuracy, precision, and recall.

scholarly journals Analisa Pola Penyalahgunaan Facebook Sebagai Alat Kejahatan Trafficking Menggunakan Data Mining

2016 ◽  
Vol 8 (1) ◽  
Author(s):  
Linda Jayanti ◽  
Steven R. Sentinuwo ◽  
Oktavian A. Lantang ◽  
Agustinus Jacobus
Keyword(s):  
Data Mining ◽  
Text Mining ◽  
Naive Bayes ◽  
Naïve Bayes ◽  
Naive Bayes Classifier ◽  
Bayes Classifier ◽  
Naïve Bayes Classifier

Abstrak - Facebook memungkinkan penggunanya berinteraksi dengan orang yang kita kenal maupun orang yang tidak kita kenal, dimana hal tersebut dapat membuka peluang bagi kejahatan dunia maya seperti, penculikan, perdagangan manusia (trafficking), hingga pembunuhan. IOM mecatat bahwa korban perdagangan orang atau trafficking di Indonesia mencapai 74.616 hingga I juta per tahun, dimana tindak kejahatan teersebut banyak dilakukan melalui facebook sebagai medianya. Data teks (status) yang berada di halaman facebook sangat besar. Dengan menggunakan Teknik pengolahan data dari ilmu Data Mining, terutama di bidangtext mining, penulis memanfaatkannya untuk mengidentifikasi data teks (status facebook) yang terindikasi sebagai proses kejahatan trafficking dengan memakai salah satu teknik klasifikasi dengan teorema naïve bayes classifier (NBC).   Kata kunci : facebook, trafficking, data mining, text mining, klasifikasi, naïve bayes classifier.

scholarly journals PENERAPAN ALGORITMA KLASIFIKASI SEBAGAI PENDUKUNG KEPUTUSAN PEMBERIAN BEASISWA MAHASISWA

2018 ◽  
Author(s):  
Heni Sulistiani
Keyword(s):  
Data Mining ◽  
Naive Bayes ◽  
Naïve Bayes ◽  
Naive Bayes Classifier ◽  
Bayes Classifier ◽  
Naïve Bayes Classifier

Beasiswa merupakan bantuan pemerintah maupun swasta berupa sejumlah uang yang diberikan kepada siswa yang sedang atau yang akan mengikuti pendidikan di sekolah. Beasiswa diberikan dengan harapan dapat menumbuhkan dan meningkatkan semangat mahasiswa untuk berprestasi dilakukan dengan memberikan penghargaan berupa beasiswa tiap semester. Banyaknya calon mahasiswa yang mengajukan beasiswa tersebut dan melebihi kuota yang diberikan mengakibatkan proses penyeleksian penerima memakan waktu yang lama karena penyeleksian harus sesuai dengan kriteria agar penerima beasiswa tepat sasaran. Dalam hal ini penggunaan metode data mining sangatlah tepat untuk menemukan pola di dalam pengolahan datanya. Karena data mining melakukan ekstraksi untuk mendapatkan informasi penting yang sifatnya implisit dan sebelumnya tidak diketahui, dari suatu data. Classifier Naive Bayes memberikan proses penyeleksian yang cepat dan algoritmanya mudah dimengerti. Dalam beberapa penelitian, pendekatan dengan menggunakan Naive Bayes memiliki kinerja yang cukup tinggi untuk mengklasifikasikan data metode Naive Bayes Classifier memiliki keunggulan yaitu kesederhanaan dalam komputasinya. Penelitian ini berfokus pada penerapan algoritma klasifikasi Naive Bayes sebagai pendukung keputusan pemilihan beasiswa Bidikmisi bagi calon mahasiswa untuk klasifikasi pemilihan beasiswa agar mempercepat proses penyeleksian dan tidak terjadi kesalahan dalam penentuan calon penerima beasiswa. Pengujian dilakukan dengan menggunakan teknik pengukuran akurasi dan melihat dari matriks konfusi. Hasil menunjukkan bahwa dengan menggunakan algoritma naive bayes, nilai akurasi mencapai 80%.

scholarly journals Klasifikasi Karya Ilmiah (Tugas Akhir) Mahasiswa Menggunakan Metode Naive Bayes Classifier (NBC)

SISTEMASI ◽  
2021 ◽  
Vol 10 (2) ◽  
pp. 268
Author(s):  
Nurdin Nurdin ◽  
M Suhendri ◽  
Yesy Afrilia ◽  
Rizal Rizal
Keyword(s):  
Data Mining ◽  
Naive Bayes ◽  
Simple Algorithm ◽  
Scientific Work ◽  
Naïve Bayes ◽  
Naive Bayes Classifier ◽  
Bayes Classifier ◽  
Naïve Bayes Classifier ◽  
Final Project ◽  
Scientific Papers

ABSTRACTThe final project or thesis is the result of research that addresses a problem according to the student's field of science. By increasing the number of graduates, the number of final project documents produced will also be even greater. The large number of scientific papers or final project documents will be difficult to find according to the topic if they are not grouped. A large number of documents will not be effective if classification is done manually. This study makes a scientific paper classification application aimed at classifying the scientific work (final project) of students in the field of Informatics Engineering. This application was built by implementing the Naive Bayes Classifier algorithm based on background parameters and will be classified into 5 categories, namely image processing, data mining, decision making systems, geographic information systems and expert systems. With the research stages, namely data collection, preprocessing, calculation of the Naive Bayes Classifier method, implementation and system testing. This study uses 170 scientific papers, which are divided into 150 data for training and 20 data for testing. The results of this study illustrate that the Naive Bayes Classifier algorithm is a simple algorithm that can be used to classify scientific papers with an average accuracy of 86.68% and the average processing time required in each test is 5.7406 seconds / test.Keywords:scientific work, naive bayes classifier, classification,training, testing ABSTRAKTugas akhir atau skripsi merupakan hasil penelitian yang membahas suatu masalah sesuai bidang ilmu dari mahasiswa. Dengan bertambah jumlah lulusan, maka jumlah dokumen tugas akhir yang dihasilkan juga akan semakin besar. Jumlah dokumen karya ilmiah atau tugas akhir yang besar akan sulit dicari sesuai dengan topik jika tidak dikelompokkan. Jumlah dokumen yang besar akan tidak efektif jika dilakukan klasifikasi secara manual. Penelitian ini membuat aplikasi klasifikasi karya ilmiah bertujuan untuk mengklasifikasikan karya ilmiah (tugas akhir) mahasiswa dalam bidang ilmu Teknik Informatika. Aplikasi ini dibangun dengan mengimplementasikan algoritma Naive Bayes Classifier berdasarkan parameter latar belakang dan akan diklasifikasikan menjadi 5 kategori yaitu pengolahan citra, data mining, sistem pengambilan keputusan, sistem informasi geografis dan sistem pakar. Dengan tahapan penelitian yaitu pengumpulan data, preprocessing, perhitungan metode Naive Bayes Classifier,implementasi dan pengujian sistem.Penelitian ini menggunakan data sebanyak 170 data karya ilmiah, yang dibagi menjadi 150 data untuk pelatihan dan 20 data untuk pengujian. Hasil penelitian ini menggambarkan bahwa algoritma Naive Bayes Classifier merupakan algoritma sederhana yang mampu digunakan untuk melakukan klasifikasi karya ilmiah dengan rata-rata akurasi 86,68% serta rata-rata waktu proses yang dibutuhkan dalam setiap pengujian yaitu 5,7406 detik/pengujian.Kata Kunci:Karya ilmiah, Naive bayes classifier, Klasifikasi, Pelatihan, Pengujian.

scholarly journals Educational Data Mining for Predicting Student Graduation Using the Naïve Bayes Classifier Algorithm

2020 ◽  
Vol 4 (1) ◽  
pp. 95-101 ◽  
Author(s):  
Edi Sutoyo ◽  
Ahmad Almaarif
Keyword(s):  
Data Mining ◽  
Naive Bayes ◽  
Educational Data Mining ◽  
Naïve Bayes ◽  
Drop Out ◽  
Naive Bayes Classifier ◽  
Bayes Classifier ◽  
Naïve Bayes Classifier ◽  
Student Graduation

The quality of students can be seen from the academic achievements, which are evidence of the efforts made by students. Student academic achievement is evaluated at the end of each semester to determine the learning outcomes that have been achieved. If a student cannot meet certain academic criteria that are stated by fulfilling the requirements to continue his studies, the student may have the potential to not graduate on time or even Drop Out (DO). The high number of students who do not graduate on time or DO in higher education institutions can be minimized by detecting students who are at risk in the early stages of education and is supported by making policies that can direct students to complete their education. Also, if the time for completion of student studies can be predicted then the handling of students will be more effective. One technique for making predictions that can be used is data mining techniques. Therefore, in this study, the Naive Bayes Classifier (NBC) algorithm will be used to predict student graduation at Telkom University. The dataset was obtained from the Information Systems Directorate (SISFO), Telkom University which contained 4000 instance data. The results of this study prove that NBC was successfully implemented to predict student graduation. Prediction of the graduation of these students is able to produce an accuracy of 73,725%, precision 0.742, recall 0.736 and F-measure of 0.735.

scholarly journals ANALISIS DATA MINING UNTUK PEMETAAN MAHASISWA YANG MEMBUTUHKAN BIMBINGAN DAN KONSELING MENGGUNAKAN ALGORITMA NAÏVE BAYES CLASSIFIER

2018 ◽  
Vol 11 (1) ◽  
pp. 14-26
Author(s):  
Hadi Kurnia Saputra
Keyword(s):  
Data Mining ◽  
Naive Bayes ◽  
Naïve Bayes ◽  
Naive Bayes Classifier ◽  
Bayes Classifier ◽  
Naïve Bayes Classifier

Keberhasilan mahasiswa dalam menjalani proses pendidikan di Perguruan Tinggi dapat diukur melalui kinerja akademik dan masa penyelesaian studi. Namun, dalam perjalanan mahasiswa mengikuti proses pendidikan tidak bisa lepas dari berbagai permasalahan, baik yang bersumber dari lingkungan pendidikan maupun lingkungan keluarga dan pergaulan. Salah satu upaya yang dilakukan oleh institusi pendidikan untuk mendorong peningkatan kinerja akademik mahasiswa yang rendah adalah dengan memberikan pelayanan Bimbingan dan Konseling (BK). Dengan Data Mining dapat dilakukan klasifikasi mahasiswa yang memiliki kinerja akademik yang baik dan buruk. Algoritma Naïve Bayes Classifier dipilih untuk melakukan klasifikasi mahasiswa yang berkinerja akademik rendah dan dinilai membutuhkan proses Bimbingan dan Konseling. Penelitian yang dilakukan terhadap 507 record set data akademik mahasiswa Tahun Masuk 2008 program Strata-1 Fakultas Teknik Universitas Negeri Padang, algoritma Naïve Bayes mampu mengklasifikasi mahasiswa yang membutuhkan proses Bimbingan dan Konseling. Berdasarkan pengujian yang dilakukan terhadap mahasiswa Fakultas Teknik yang mewakili keseluruhan Program Studi diperoleh akurasi sebesar 81%. Sedangkan pengujian yang dilakukan terhadap mahasiswa setiap Program Studi diperoleh akurasi : Program Studi Pendidikan Teknik Bangunan = 82.1429%, Pendidikan Teknik Elektro = 90.566%, Pendidikan Teknik Elektronika = 84.6154%, Pendidikan Teknik Informatika dan Komputer = 82.9268%, Pendidikan Teknik Mesin = 79.1045%, Pendidikan Teknik Otomotif = 81.8182%, Pendidikan Kesejahteraan Keluarga = 73.1343%.

Sign in / Sign up

Export Citation Format

Share Document