Prediksi Tingkat Stress Pada Mahasiswa Universitas Dinamika Bangsa Jambi Dalam Melakukan Perkuliahan Metode Hybrid Menggunakan Algoritma Naive Bayes
DOI:
https://doi.org/10.33998/jms.2022.2.1.44Kata Kunci:
Naive Bayes; Accuracy; Laplace Correction; Prediksi; KlasifikasAbstrak
Pandemi covid-19 membuat dunia Pendidikan mengharuskan untuk melakukan metode pembelajaran hybrid. Metode ini menggabungkan perkuliahan tatap muka dan online secara bergantian setiap minggu sehingga banyak membuat mahasiswa menjadi stres. Stres memiliki banyak faktor penyabab. Hal inilah yang membuat peneliti menjadi tertarik untuk melakukan penelitian dengan membuat prediksi tingkat stres pada mahasiswa khususnya mahasiswa Universitas Dinamika Bangsa Jambi dalam melakukan perkuliahan metode hybrid. Penelitian ini akan mengguankan data profil mahasiswa yang dianggap menjadi faktor penyebab terjadinya stres. Penelitian ini menggunakan metode naive bayes. Peneliti memilih metode ini karena pada perhitungan naive bayes data variabelnya tidak hanya berupa angka tetapi dapat juga menggunakan kata. Selain itu, pada algoritma naive bayes hanya membutuhkan jumlah data training yang sedikit untuk menentukan estimasi parameter yang diperlukan dalam proses pengklasifikasian. Penelitian ini dilakukan dengan menghitung probablitias variabel data training dan dilanjutkan dengan membuat klasifikasi data testing. Dari Penelitian ini didapatkan hasil prediksi bahwa data testing termasuk ke dalam Tingkat stres kelas Sedang dengan probabilitas sebesar 0,003840878 dan hasil accuracy sebesar 68% setelah mengalami perbaikan dengan menggunakan teknik laplace correction.
Unduhan
Referensi
Sutiah, Pengembangan Pembelajaran Hybrid Learning: Implementasi Pendidikan Karakter Berbasis Ulul Albab. Sidoarjo: Nizamia Learning Center, 2019.
E. . Gintings, Mengantisipasi Stres dan Penanggulangannya. Yogyakarta: ANDI, 2021.
Amiranto, Remaja vs Pendidikan. Depok: Guepedia, 2021.
A. Wanto et al., “Data Mining Algoritma & Implementasi,” معرفت ادیان, vol. 4, no. 3, pp. 57–71, 2020.
D. F. Risa, F. Pradana, and F. A. Bachtiar, “Implementasi Metode Naive Bayes untuk Mendeteksi Stres Siswa Berdasarkan Tweet pada Sistem Monitoring Stres,” J. Teknol. Inf. dan Ilmu Komput., vol. 8, no. 6, pp. 1301–1308, Nov. 2021, doi: 10.25126/jtiik.202184372.
Jefi, Hendri, N. Afni, A. Salim, and Y. I. Maulana, “Penerapan Algoritma Naive Bayes Dalam Memprediksi Penyakit Lambung,” J. Inf. Syst. Informatics Comput., vol. 5, pp. 524–531, 2021, doi: 10.52362/jisicom.v5i2.659.
A. Nasruddin, “Prediksi Awal Penyakit Diabetes Mellitus Menggunakan Algoritma Naive Bayes,” vol. 20, no. 2, pp. 246–253, 2021.
J. Sistem, A. Cucus, Y. Aprilinda, I. Sistem, and I. Presensi, “331238-Pengembangan-E-Learning-Berbasis-Multime-4376Da0D.”
A. Isymayani, Metodologi Penelitian. Aceh: Syiah Kuala University Press, 2019.
N. L. W. S. R. Ginantra et al., “Data Mining dan Penerapan Algoritma,” 2021.
A. S. Huda, R. M. Awangga, and R. N. siti Fathonah, Prediksi Penerimaan Pegawai Baru Dengan Metode Naive Bayes. Bandung: Kreatif Industri Nusantara, 2020.
I. K. Syahputra, F. A. Bachtiar, and S. A. Wicaksono, “Implementasi Data Mining untuk Prediksi Mahasiswa Pengambil Mata Kuliah dengan Algoritme Naive Bayes,” J. Pengemb. Teknol. Inf. dan Ilmu Komput., vol. 2, no. 11, pp. 5902–5910, 2018, [Online]. Available: http://j-ptiik.ub.ac.id./index.php/j-ptiik/article/view/3464.
M. Rizki, M. Arhami, and Huzeni, “Perbaikan Algoritma Naive Bayes Classifier Menggunakan Teknik Laplacian Correction,” J. Teknol., vol. 21, no. 1, p. 7, 2021.
E. A. Novia, W. I. Rahayu, and C. Prianto, Sistem Perbandingan Algoritma K-Means dan Naive Bayes Umtuk Memprediksi Prioritas Pembayaran Tagihan Rumah Sakit Berdasarkan Tingkat Kepentingan. Bandung: Kreatif Industri Nusantara, 2020.
R. Wijayatun and Y. Sulistyo, “Prediksi Rating Film Menggunakan Metode Naive Bayes,” J. Tek. Elektro Unnes, vol. 8, no. 2, pp. 60–63, 2016, doi: 10.15294/jte.v8i2.7764.
