Komparasi Algoritma Naïve Bayes dan Algoritma K-Nearst Neighbor terhadap Evaluasi Pembalajaran Daring

Abstrak

Sejak merebaknya pandemi yang disebabkan oleh virus Corona di Indonesia, banyak cara yang dilakukan salah satunya menyelenggarakan pembelajaran jarak jauh dan menyarankan mahasiswa untuk belajar dari rumah masing-masing. Penggunaan teknologi digital di tengah pandemi COVID-19 memiliki kontribusi yang besar bagi institusi pendidikan yaitu dengan menerapkan pembelajaran online. Mahasiswa diharapkan mampu menerima langkah yang telah diimplementasikan oleh pemerintah. Akan tetapi, keadaan itu tidak juga menjamin bahwa mahasiswa setuju atau menerima dengan adanya langkah tersebut. Maka dari itu, diperlukan pengukuran untuk menentukan tingkat kepuasan mahasiswa dalam melakukan pembelajaran online. Dengan hal tersebut penulis melakukan uji kinerja algoritma terlebih dahulu yaitu model klasifikasi dengan algoritma naïve bayes dan algoritma K-Nearst Neighbor. Data yang digunakan data primer artinya data di ambil dari hasil sebaran kuisoner pada mahasiswa semester 3 (tiga) semester 5 (lima) dan semester 7 (tujuh) sebanyak 352 responden. Dalam pengembangan model algoritma menggunkan tools rapid miner versi 9.3 dengan operator yang digunakan yaitu retrive, multiply, cross validation, algoritma naïve bayes dan knn, apply model dan performance. Hasil akurasi Algoritma naïve bayes dengan nilai 91,45%. Hasil akurasi algoritma k-nearst neighbor dengan nilai 97,72%. akurasi algoritma k-nearst neighbor lebih besar dari algoritma naïve bayes, sehingga dapat disimpulkan algoritma k-nearst neighbor mempunyai kinerja yang baik dalam klasifikasi.