ABSTRAK

Sistem Pembelajaran selama masa pandemi Covid-19 beralih dari pembelajaran

konvensional menjadi pembelajaran online yang membuat banyak kampus
menggunakan pembelajaran E-Learning dikarenakan memiliki banyak fitur yang
tersedia pada E-Learning yang dapat mendukung dosen dan mahasiswa dalam
melakukan proses pembelajaran online dan bisa diakses dari mana saja menggunakan
smartphone ataupun laptop. Permasalahannya adalah beberapa mahasiswa mengalami
kendala dalam mengikuti pembelajaran E-Learning sehingga hal ini berpengaruh
terhadap naik turunnya minat belajar mahasiswa. Tujuan dari penelitian ini adalah
untuk mengetahui kendala yang dihadapi mahasiswa selama mengikuti E-learning
terhadap minat belajar mahasiswa dengan algoritma C4.5. Hasil penelitian
menunjukkan kendala utama pembelajaran E-learning terhadap minat mahasiswa
terletak pada fitur E-laerning yang kurang lengkap, pendapat pribadi mahasiswa
bahwa pembelajaran E-Learning kurang menarik, tidak memiliki komputer atau laptop
dan kualitas jaringan yang buruk. Model klasifikasi algoritma C4.5 yang dihasilkan
pada penelitian ini termasuk kategori “Good Classification” dengan nilai AUC atau
ROC data training sebesar 81,5%, nilai AUC atau ROC data testing sebesar 87,7%
serta nilai akurasi, rata-rata precision dan recall diatas 70% dengan nilai classification
error sebesar 26%.

ABSTRACT

The learning systems during the Covid-19 pandemic switched from conventional
learning to online learning that makes many campuses use E-Learning learning
because it has many features available in E-Learning that can support lecturers and
students in conducting the online learning process and can be accessed from anywhere
using a smartphone or laptop. The problem is that some students experience obstacles
in following E-Learning learning so that this affects the ups and downs of student
learning interest. The purpose of this study is to find out the obstacles that students
face during following E-learning to students' learning interests with the C4.5
algorithm. The results showed the main obstacles of E-learning learning to student
interests lie in the features of less complete E-learning, the personal opinion of
students that E-Learning learning is less attractive, lacks computers or laptops, and
poor network quality. The C4.5 algorithm classification model produced in this study
included the category "Good Classification" with an AUC or ROC data training value
of 81.5%, an AUC or ROC data testing value of 87.7%, and accuracy, precision, and
recall value above 70% with a classification error value of 26%.

iii
 BAB 1
PENDAHULUAN
1.1. Latar Belakang
Sistem Pembelajaran saat ini hampir sepenuhnya memanfaatkan teknologi, mulai dari
pencarian informasi sampai pembelajaran online. Sistem Pembelajaran pada masa
pandemi Covid-19 mengharuskan mahasiswa beralih dari pembelajaran luar jaringan
(konvensional) menjadi pembelajaran dalam jaringan (online). Metode pembelajaran
dalam jaringan yang banyak digunakan selama masa pandemi Covid-19 adalah Google
Classroom, Whatsapp Group, Zoom dan Model LSM lainnya(1). Model Learning
Management System (LSM) merupakan pembelajaran dalam jaringan yang akses
penuhnya bergantung pada jaringan dan bertipe open source serta dapat melakukan
self hosting. Salah satu contoh dari Model Pembelajaran LSM yang banyak digunakan
pada kampus dan universitas di indonesia adalah Model Web-Based Learning berbasis
Moodle karena memiliki lebih banyak fitur yang mendukung dalam pembelajaran
online(2). Pengaksesan Moodle Web-Based Learning dapat diakses melalui Laptop
dan Smartphone sehingga mempermudah mahasiswa mengakses kegiatan
pembelajaran dimana saja(3). Sistem Pembelajaran online Moodle Web-Based
Learning dianggap bisa menjadi salah satu inovasi dalam mengatasi masalah di bidang
pendidikan dan pelatihan(4).
Pengaruh pembelajaran Moodle Web-Based Learning sangat bergantung terhadap
minat belajar mahasiswa(5) dan termasuk salah satu faktor yang mempengaruhi
keberhasilan proses pembelajaran(6). Namun, beberapa kasus sering dijumpai
mahasiswa mengalami kendala dalam memanfaatkan dan mengikuti Pembelajaran
Moodle Web-Based Learning secara optimal, sehingga membuat menurunnya minat
belajar mahasiswa dan lebih memilih pembelajaran konvensional (7). Penelitian
(Irnanda, Hartama & Windarto, 2021) menjelaskan bahwa kendala pembelajaran yang
dialami mahasiswa tidak hanya menyebabkan turunnya minat belajar mahasiswa tetapi
juga prestasi mahasiswa(8). (Cahyani, Listiana & Larasati, 2020) melakukan
penelitian untuk mengetahui faktor penyebab utama turunnya hasil belajar mahasiswa
pada masa pandemi Covid-19 dan hal ini sangat perlu untuk dilakukan kajian lebih
dalam untuk melihat adanya kendala atau faktor lainnya(9). Adapun faktor yang
mempengaruhi keberhasilan belajar mahasiswa berasal dari faktor internal dan faktor
eksternal. Dimana faktor internal meliputi minat, bakat, motivasi, mental, kondisi fisik
dan kecerdasan sedangkan faktor eksternal meliputi lingkungan universitas,
masyarakat, keluarga dan sarana dan prasarana teknologi yang mendukung proses
pembelajaran(10).
Untuk mengali dan memahami kendala yang dialami mahasiswa ketika mengikuti
pembelajaran dengan model Web-Based Learning maka diperlukan suatu teknik
pengolahan data mining . Algoritma Data mining yang digunakan pada penelitian ini
adalah algoritma C4.5. Pada algoritma C4.5 terdapat pohon keputusan (decision tree)
yang menggambarkan proses informasi yang saling terkait sehingga lebih mudah
dalam mendapatkan solusi(11). Decision Tree C4.5 termasuk salah asatu jenis
klasifikasi yang sederhana dan bekerja sangat baik dalam mengakses banyak variabel
1
(12). Algoritma C4.5 dapat membangun pohon keputusan yang memiliki kekuatan dan
keakuratan yang sangat baik (13). Algoritma C4.5 telah banyak digunakan pada
peneliti sebelumnya untuk meneliti objek penelitian tentang metode pembelajaran
online dan E-Learning secara umum seperti penelitian tentang pengaruh E-Learning
dan lingkungan kampus terhadap minat belajar mahasiswa (6), faktor penyebab
turunnya prestasi belajar mahasiswa selama masa pandemi (8), efektivitas kuliah
online terhadap prestasi belajar mahasiswa (14) dan tingkat kepuasaan siswa terhadap
media pembelajaran E-Learning (15).
Penelitian ini menerapakan algoritma C4.5 untuk mengetahui hubungan kendala
yang dialami mahasiswa ketika mengikuti pembelajaran Model Moodle Web-Based
Learning terhadap minat belajar mahasiswa pada masa pandemi Covid-19. Dimana
kendala yang akan diteliti berdasarkan faktor eksternal yakni sarana dan prasarana dan
faktor internal minat mahasiswa .

1.2.Rumusan Masalah
Berdasarkan latar belakang yang telah dijelaskan, maka rumusan masalah yang akan
diselesaikan yaitu menentukan kendala pembelajaran Model Moodle Web-Based
Learning terhadap minat belajar mahasiswa.

1.3. Tujuan dan Manfaat

Tujuan dari penelitian ini adalah mengetahui sejauh mana pengaruh pembelajaran
Model Moodle Web-Based Learning terhadap minat belajar mahasiswa, yang nantinya
akan digunakan sebagai masukan kepada pihak kampus demi meningkatkan media
pembelajaran Moodle Web-Based Learning sehingga dapat digunakan dan
dimanfaatkan dengan baik oleh mahasiswa.
Manfaat dari penelitian ini, yaitu :
1. Untuk membantu dosen dalam meningkatkan minat belajar mahasiswa.
2. Untuk mengetahui pengaruh pemanfaatan media pembelajaran Moodle Web-
Based Learning terhadap minat belajar mahasiswa di kampus.

1.4. Keterbaruan
Penelitian yang dilakukan oleh Kiki A. Saputra, Jaya T. Hardinata, M. Ridwan Lubis,
Sundari R. Andani, Ilham S. Saragih (2020) dalam penelitiannya menggunakan
algoritma C4.5 untuk mengetahui tingkat kepuasan siswa terhadap media
pembelajaran online. Penelitian ini menggunakan 100 data siswa yang dikumpulkan
dengan cara membagikan kuesioner, terdapat beberapa atribut seperti minat belajar,
media pembelajaran, cara belajar, serta sajian pembelajaran. Hasil dari data yang
dikumpulkan akan diolah menggunakan rapidminer dan memperoleh tingkat akurasi
sebesar 86,67%. Dan menghasilkan 20 rules dengan faktor yang dominan adalah sajian
pembelajaran karena memiliki nilai gain tertinggi(15).
Penelitian yang dilakukan oleh Didi Supriadi, S. Thya Safitri (2020) Menggunakan
algoritma C4.5 dalam penelitiannya untuk mengetahui kepuasan pengguna e-learning.
Dalam penelitian ini pengumpulan data dilakukan dengan membagikan kuesioner dan

2
mendapatkan 73 responden, dan data diambil dari tahun 2019 hingga januari 2020
yang terdapat beberapa atribut diantaranya kemudahan pengguna, waktu respons,
fleksibilitas, keamanan, dan reliabilitas. Hasil data yang dikumpulkan disimulasikan
dengan menggunakan software rapidminer dan dari hasil responden diperoleh hasil
puas sebesar 63% dan 37% tidak puas. Fleksibilitas merupakan faktor utama dari
kepuasan pengguna yang diikuti oleh waktu respon(16).
Penelitian yang dilakukan oleh Kristin D.R. Sianipar, Septri W. Siahaan, M.
Siregar, P.P.P.A.N.W Fikrul Ilmi R.H Zer, Dedy Hartama (2020) dalam penelitiannya
menggunakan algoritma k-means untuk menentukan tingkat kepuasan mahasiswa
dalam pembelajaran online, pengambilan data dilakukan dengan menyebarkan
kuesioner online. Setelah data terkumpul maka data diolah menggunakan teknik
clustering yang dibagi menjadi 3 cluster dengan jumlah atribut 2 yaitu setuju dan tidak
setuju. Maka diperolehlah hasil akhir nya dengan cluster 1 kategori setuju tergolong
rendah dan tidak setuju tinggi, cluster 2 kategori setuju tergolong sedang dan tidak
setuju tergolong sedang, dan cluster 3 kategori setuju tergolong tinggi dan tidak setuju
tergolong rendah(17).
Penelitian yang dilakukan oleh Rodame Monitorir Napitupulu (2020) tentang
dampak pandemi Covid-19 terhadap kepuasan mahasiswa dalam melakukan
pembelajaran jarak jauh. Penelitian ini menggunakan metode kualitatif dengan analisa
deskriptif dengan membagikan kuesioner online kepada 384 mahasiswa. Hasil
penelitian didapatkan dengan mayoritas mahasiswa 95,8% memiliki perlangkapan
untuk menjalani pembelajaran tapi mahasiswa tetap merasa tidak puas karena tidak
dapat memperoleh materi pembelajaran dengan mudah bahkan tidak dapat
mempelajari materi sendiri yang disebabkan karena kurang puas dengan kemampuan
dosen dalam menyampaikan materi pada pembelajaran daring(18).
Penelitian yang dilakukan oleh Betty Kusumaningrum dan Zainur Wijayanto
(2020) dalam penelitiannya melakukan analisis pembelajaran matematika secara
daring, untuk mengetahui tingkat efektif pembelajaran secara daring dilakukan
evaluasi, sehingga terdapat 3 aspek yang mempengaruhi efektivitas pembelajaran
yaitu keaktifan mahasiswa, respon yang dilakukan mahasiswa saat pembelajaran
berlangsung, serta pemahaman mahasiswa setelah pembelajaran selesai. Pengumpulan
data dilakukan dengan membagikan kuesioner melalui googleform kepada 100
mahasiswa dan melakukan tes untuk mngukur kemampuan mahasiswa dalam
memahami materi, hasil tes ditentukan berdasarkan hasil UTS. Hasil kuesioner tentang
pemahaman mahasiswa terhadap pelajaran yang diberikan adalah 74% mahasiswa
tidak paham dengan pelajaran yang diberikan. Mahasiswa tidak mampu memahami
materi karena mahasiswa harus memahami materi secara mandiri, koneksi internet
yang kurang stabil sehingga menyebabkan komunikasi secara daring tidak lancar,
penjelasan materi tidak sedetail saat pembelajaran tatap muka, dan banyak tugas yang
diberikan sehingga tidak ada waktu dalam memahami materi. Mahasiswa
mengharapkan adanya video pembelajaran agar bisa diputar ulang jika mahasiswa
kurang paham terhadap pelajaran yang diberikan dan ada sesi diskusi melalui
WhatsApp atau Google Clasroom(19).

3
 Penelitian yang dilakukan oleh Sudipa, I Gede Iwan, I Nyoman Alit Arsana, Made
Leo Radhitya (2020) dalam penelitiannya melakukan pengukuran terhadap
pengetahuan mahasiswa dalam menjaga jarak dan menerapkannya dalam kondisi saat
ini. Berdasarkan data yang dikumpulkan dengan membagikan kuesioner kepada 287
mahasiswa dengan rentan usia dari 18-25 tahun kemudian dilakukan pengelompokkan
menggunakan algoritma C4.5 dengan pemodelan decision tree maka diterima hasil
akhir bahwa tingkat akurasi 93,73%, dengan class precision yaitu prediksi mahasiswa
dalam memahami social distancing (96,97%), mahasiswa yang memahami namun
harus bekerja diluar (100%) dan mahasiswa yang ragu-ragu (75,71%)(20).
Penelitian yang dilakukan oleh Jamaluddin (2016), Minat belajar setiap siswa
berbeda-beda. Perbedaan tersebut disebabkan oleh banyak faktor yang mempengaruhi
minat belajar, sehingga dapat diketahui siswa belajar dengan baik atau tidak sama
sekali. Ada siswa yang menunjukkan minat yang besar, dan ada siswa yang
menunjukkan minat yang sangat sedikit. Faktor yang mempengaruhi minat belajar
dikelompokkan menjadi 2 yaitu faktor internal dan faktor eksternal. Faktor internal
yang mempengaruhi minat belajar yaitu kondisi jasmani siswa, pengalaman belajar
pada jenjang pendidikan sebelumnya. Sedangkan faktor eksternal yang mempengaruhi
minat belajar yaitu gaya mengajar guru, fasilitas yang menunjang pembelajaran,
situasi lingkungan(21).
Penelitian yang dilakukan oleh Ricardo dan Rini Intansari Meilani (2017), Minat
belajar dan motivasi belajar adalah dua faktor psikologis yang terbukti memiliki
pengaruh signifikan terhadap prestasi akademik siswa. Siswa yang memiliki minat dan
motivasi belajar yang tinggi biasanya mendapatkan nilai yang baik. Adapun indikator
untuk mengukur minat belajar meliputi minat dan kenikmatan belajar, keaktifan saat
pembelajaran, kecenderungan untuk fokus, perasaan positif dan keinginan yang
meningkat untuk belajar, kenyamanan belajar, dan kemampuan untuk membuat
keputusan terkait pembelajaran(22).
Penelitian yang dilakukan oleh Asmuni (2020) dalam penelitiannya tentang
problematika pembelajaran dalam jaringan pada masa pandemi yaitu dapat dilihat dari
permasalahan yang dihadapi oleh pengajar dan peserta didik. Pengajar mengalami
kendala yaitu materi yang disampaikan oleh pengajar belum tentu dapat dipahami oleh
peserta didik. Kemampuan pengajar yang terbatas dalam penggunaan teknologi dan
keterbatasan pengajar untuk mengontrol proses pembelajaran yang sedang
berlangsung. Sedangkan pada peserta didik yaitu peserta didik kurang akitf saat
mengikuti pembelajaran, peserta didik tidak memiliki alat teknologi yang digunakan
sebagai media pembelajaran, peserta didik yang kesulitan terhadap akses internet
sehingga sering sulit melakukan pembelajaran daring, dan keedaan ekonomi orang tua
peserta didik juga dapat mempengaruhi pembelajaran daring(23).

4
 BAB 2
METODE PENELITIAN

2.1. Jenis Penelitian

Penelitian ini menggunakan metode yang bersifat kuantitatif. Bersifat kuantitatif
karena pengumpulan data merupakan hasil survey.

2.2. Waktu dan Tempat Pelaksanaan Penelitian

Penelitian ini membutuhkan waktu kurang lebih 1 tahun dan telah dilaksanakan mulai
April 2020 di Laboratorium Universitas Prima Indonesia.

2.3. Prosedur Kerja

Langkah-langkah prosedur kerja penelitian ini ditunjukkan melalui alur dibawah ini:
DAMPAK
DATASET PRA-PROSES DATA
PEMBELAJARAN
MULAI MAHASISWA
MOODLE WEB-
PEMBERSIHAN NORMALISASI SELEKSI TRANSFORMASI
BASED LEARNING
DATA DATA DATA DATA

PENGETAHUAN
EVALUASI PEMODELAN
DAMPAK PEMBELAJARAN
ALGORITMA C4.5 ALGORITMA C4.5
SELESAI MOODLE WEB-BASED
(CONFUSION MATRIX) (DATA UJI-DATA LATIH)
LEARNING SELAMA PANDEMI
COVID-19

Gambar 2.1. Prosedur Kerja

a. Kuisoner Kendala Pembelajaran Moodle Web-Based Learning

Untuk mengetahui dampak yang terjadi pada mahasiswa saat melakukan
pembelajaran Moodle Web-Based Learning dimasa pandemi covid-19 maka
dilakukan wawancara kepada beberapa mahasiswa Fakultas Teknologi dan Ilmu
Komputer dari berbagai semester pada Universitas Prima Indonesia. Sehingga
didapatkan poin penting yang menjadi dampak utama yang dialami mahasiswa
selama mengikuti pembelajaran online dengan menggunakan model Pembelajaran
Web-Based Learning.
b. Dataset Responden Mahasiswa
Dataset yang digunakan merupakan data hasil survey mahasiswa.
c. Pra-Proses Data
Penelitian ini menggunakan 4 tahap pre-processing data yaitu pembersihan data,
normalisasi data dan transformasi data. Tahap pertama yaitu Pembersihan data
yang dilakukan untuk menghapus data yang tidak relevan dan data yang duplikat.
Tahap kedua yaitu Normalisasi data dilakukan untuk mengurangi redudansi data
dan merubah data ke bentuk normal agar pengolahan data menjadi lebih efisien.
Tahap ketiga yaitu Seleksi data dilakukan untuk memilih variabel yang akan
digunakan dalam penelitian. Tahap keempat yaitu Transformasi data dilakukan

5
 untuk merubah dataset ke bentuk yang sesuai agar dapat dianalisis menggunakan
algoritma C4.5.
d. Pemodelan
Pada tahap ini data yang telah melewati tahap pra-proses, selanjutnya akan diolah
dengan algoritma C4.5. Pada tahap ini algoritma C4.5 bekerja dengan memilih
atribut yang akan digunakan sebagai akar dan membuat cabang untuk setiap nilai.
Selanjutnya membagi kasus pada setiap cabang dan lalu mengulangi proses agar
setiap cabang memiliki kelompok yang sama. Untuk pemilihan atribut sebagai
akar harus diperoleh dari atribut yang memiliki nilai gain tertinggi. Selanjutnya
hasil dari penerapan algoritma C4.5 akan dianalisa dengan menerapkan parameter
(gain ratio, preprunning dan prunning) dan teknik pemodelan (operator data)
untuk mendapatkan hasil dan nilai yang optimal. Pada tahap ini dilakukan analisa
dan pemilihan hasil pohon keputusan algoritma C4. 5 yang terbaik berdasarkan
hasil dan nilai optimal yang dilihat dari hasil confusion matrix.
e. Pengetahuan
Pada tahap ini akan menghasilkan pengetahuan atau informasi yang berupa pohon
keputusan tentang dampak pembelajaran Moodle Web-Based Learning selama
pandemi covid-19.

2.4. Alat dan Bahan

2.4.1. Alat
Alat yang digunakan dalam penelitian ini berupa software dan hardware.
a. Perangkat Lunak (Software)
a) Microsoft Office 2007
b) RapidMiner Studio 9.6
b. Perangkat Keras (Hardware)
TOSHIBA SATELLITE C840
a) Processor : Intel® Core™ i3-2348M 2 Core 2.30 GHz
b) Graphics : Intel® HD Graphics 3000
c) RAM : 4.00 GB
d) Hardisk : 500 GB
e) Operating System : Microsoft Windows 10 Professional

2.4.2. Bahan
Data yang digunakan dalam penelitian ini adalah data survey yang diperoleh dari
mahasiswa FTIK Universitas Prima Indonesia pada tahun ajaran 2020/2021. Data
berhasil dikumpulkan sebanyak 505 data penilaian.

2.5. Analisa Data

Dataset pada penelitian ini didapatkan dari hasil survey oleh mahasiswa Universitas
Prima Indonesia Fakultas Teknologi dan Ilmu Komputer yang menggunakan model
Web-Based Learning. Data berhasil dikumpulkan sebanyak 505 data penilaian.
Beberapa data yang digunakan dapat dilihat pada Tabel 2.1 dibawah ini:

6
 Tabel 2.1. Dataset Respon Mahasiswa Terhadap model Web-Based Learning
Program Kelas
No. Semester A B C D E F G
Studi Perkuliahan
1 Teknik Kurang
5 Pagi Menarik Lengkap Smartphone Ada Praktek Ya
Informatika Baik
2 Sistem Kurang Kurang Komputer Kurang Teori dan
3 Sore Ada Tidak
Informasi Menarik Lengkap atau Laptop Baik Praktek
3 Teknik Kurang Tidak Kurang
1 Pagi Lengkap Smartphone Teori Tidak
Elektro Menarik Ada Baik
4 Teknik Sangat Kurang
6 Pagi Menarik Smartphone Ada Praktek Ya
Informatika Lengkap Baik
5 Teknik Kurang Tidak Kurang
4 Sore Menarik Smartphone Praktek Tidak
Informatika Lengkap Ada Baik
6 Teknik Kurang Kurang Kurang Tidak Ada
6 Pagi Smartphone Ada Tidak
Elektro Menarik Lengkap Baik Kendala
7 Teknik Teori dan
6 Pagi Menarik Lengkap Smartphone Ada Baik Ya
Industri Praktek
8 Sistem Kurang Kurang Tidak Kurang
2 Pagi Smartphone Praktek Tidak
Informasi Menarik Lengkap Ada Baik
9 Sistem Tidak Kurang Teori dan
5 Pagi Menarik Lengkap Smartphone Tidak
Informasi Ada Baik Praktek
10 Teknik Tidak
7 Pagi Menarik Lengkap Smartphone Baik Praktek Ya
Informatika Ada
… … … … … … … … … …
504 Teknik Kurang Kurang Teori dan
3 Sore Lengkap Smartphone Ada Tidak
Industri Menarik Baik Praktek
505 Teknik Tidak Kurang Teori dan
1 Pagi Menarik Lengkap Smartphone Ya
Informatika Ada Baik Praktek

7
 BAB 3
HASIL DAN PEMBAHASAN

3.1. Hasil
3.1.1. Dataset
Dalam penelitian ini menggunakan dataset dari mahasiswa FTIK Universitas Prima
Indonesia tahun ajaran 2020/2021 sebanyak 505 data. Data diperoleh dari hasil survey.
Tahap preprocessing dataset dilakukan menggunakan Microsoft Excel 2007 dan
pengolahan data dilakukan dengan mengimplementasikan algoritma C4.5 lalu diolah
di RapidMiner Studio 9.6.
a. Preprocessing Data
1. Cleaning Data
Tahap ini dilakukan untuk menghapus data yang masih duplikat dan data
yang kosong.
2. Transformasi Data
Proses ini dilakukan untuk menyeleksi data terhadap pemilihan atribut.
Atribut yang digunakan adalah C1 (pendapat tentang model Web-Based
Learning), C2 (fitur model Web-Based Learning), C3 (media untuk akses
model Web-Based Learning), C4 (alat pendukung pembelajaran), C5
(kualitas jaringan mahasiswa), C6 (jenis matakuliah yang menjadi
dampak), dan hasil (minat belajar). Dataset awal sebelum di trasnformasi
dapat dilihat pada tabel 3.1., dan untuk tabel hasil transformasi dapat
dilihat pada tabel di bawah ini.
Tabel 3.1. Hasil Transformasi
Minat
C1 C2 C3 C4 C5 C6
Belajar
Menarik Lengkap Smartphone Ada KurangBaik Praktek Ya
Komputer atau
Kurang Menarik Kurang Lengkap Ada Kurang Baik Teori dan Praktek Tidak
Laptop
Kurang Menarik Lengkap Smartphone Tidak Ada Kurang Baik Teori Tidak
Menarik Sangat Lengkap Smartphone Ada Kurang Baik Praktek Ya
Menarik Kurang Lengkap Smartphone Tidak Ada Kurang Baik Praktek Tidak
Tidak Ada
Kurang Menarik Kurang Lengkap Smartphone Ada Kurang Baik Tidak
Kendala
Menarik Lengkap Smartphone Ada Baik Teori dan Praktek Ya
Kurang Menarik Kurang Lengkap Smartphone Tidak Ada Kurang Baik Praktek Tidak
Menarik Lengkap Smartphone Tidak Ada Kurang Baik Teori dan Praktek Tidak
Menarik Lengkap Smartphone Tidak Ada Baik Praktek Ya
… … … … … … …
Kurang Menarik Lengkap Smartphone Ada Kurang Baik Teori dan Praktek Tidak
Menarik Lengkap Smartphone Tidak Ada Kurang Baik Teori dan Praktek Ya

8
 b. Algoritma C4.5
Algoritma C4.5 merupakan algoritma yang dapat membuat pohon keputusan.
Pohon keputusan digunakan untuk memprediksi karena memiliki hasil yang
baik(24). Untuk membuat pohon keputusan menggunakan algoritma C4.5,
dilakukan tahap sebagai berikut:
1. Pemilihan atribut yang akan dijadikan node akar
2. Membuat cabang untuk setiap nilai
3. Membagi kasus dalam cabang
4. Ulangi proses ini pada setiap cabang sehingga semua kasus di cabang
memiliki kelompok yang sama(25).
Algoritma C4.5 menggunakan gain ratio. Sebelum mengetahui gain ratio
maka dilakukan perhitungan information gain dari kumpulan atribut dengan
menggunakan hasil perhitungan entrophy(26). Untuk memilih atribut sebagai
akar, harus dilakukan dengan mencari nilai gain tertinggi(27). Berikut beberapa
rumus yang digunakan untuk menemukan nilai gain tertinggi yaitu(28):
1. Menghitung Entrophy
Perhitungan ini dilakukan agar menjadi parameter awal dalam
menggunakan algortima C4.5, berikut rumusnya:

(1)

2. Menghitung Information Gain

Perhitungan ini dilakukan dengan menggunakan hasil perhitungan
Entrophy pada masing-masing atribut, berikut rumusnya:

(2)
3. Menghitung SplitInfo
Perhitungan ini dilakukan agar hasil dari SplitInfo dapat digunakan untuk
perhitungan gain ratio, berikut rumusnya:

(3)
4. Menghitung gain ratio
Perhitungan ini dilakukan dengan menggunakan hasil perhitungan
Information Gain dan SplitInfo, hasil perhitungan ini akan menghasilkan
suatu keputusan, berikut rumusnya:

(4)

3.1.2. Hasil Pengujian Split Data

Tahap Pertama, pengujian data training dan data testing menggunakan operator split
data untuk menentukan tingkat akurasi yang baik berdasarkan hasil confusion matrix.
Berikut tampilan operator-operator yang digunakan pada pengujian split data.

9
 Gambar 3.1. Operator Proses Split Data

Parameter yang digunakan pada decision tree yaitu maximal depth 10, confidence 0,25,
minimal gain 0,04 dan criterion yang digunakan gain_ratio. Untuk operator
performance yang digunakan yaitu accuracy, classification error, weighted mean
recall, weighted mean precision, AUC dan ROC. Berdasarkan pengujian yang telah
dilakukan dengan menggunakan operator split data, maka pada pengujian split data
diperoleh hasil yang bagus pada data training 90%, data testing 10% dan type sampling
data yaitu linear sampling. Berikut tabel hasil pengujian data training 90% dan data
testing 10%.
Tabel 3.2. Hasil Pengujian Split Data
Pengujian
Sampling Weighted Weighted
Data Classification
Accuracy Mean Mean AUC ROC
Error
Precision Recall

Linier 74,00% 26,00% 73,72% 74,30% 0,815 0,877

Shuffle 66,00% 34,00% 67,41% 67,21% 0,736 0,787

Automatic 66,67% 33,33% 81,11% 63,04% 0,720 0,944

10
 Gambar 3.2. Performance Vector Linear Sampling

3.1.3. Hasil Pengujian Split Validation

Tahap Kedua, pengujian data training dan data testing menggunakan operator split
validation untuk menentukan tingkat akurasi yang baik berdasarkan hasil confusion
matrix. Berikut tampilan operator-operator yang digunakan pada pengujian split
validation.

Gambar 3.3. Operator Proses Split Validation

11
 Parameter yang digunakan pada decision tree yaitu maximal depth 10, confidence
0,25, minimal gain 0,04 dan criterion yang digunakan gain_ratio. Untuk operator
performance yang digunakan yaitu accuracy, classification error, weighted mean
recall, weighted mean precision, AUC dan ROC. Berdasarkan pengujian yang telah
dilakukan dengan menggunakan operator split validation, maka pada pengujian split
validation diperoleh hasil yang bagus pada data training 90%, data testing 10% dan
type sampling data yaitu linear sampling. Berikut tabel hasil pengujian data training
90% dan data testing 10%.
Tabel 3.3. Hasil Pengujian Split Validation
Pengujian
Sampling Weighted Weighted
Data Classification
Accuracy Mean Mean AUC ROC
Error
Precision Recall

Linier 74,00% 26,00% 73,72% 74,30% 0,815 0,877

Shuffle 66,00% 34,00% 67,41% 67,21% 0,722 0,768

Automatic 66,67% 33,33% 81,11% 63,04% 0,720 0,944

Gambar 3.4. Performance Vector Linear Sampling

3.1.4. Hasil Pengujian Cross Validation

Tahap Ketiga, pada pengujian ini menggunakan operator cross validation dengan
melakukan perubahan pada type sampling dan K-Fold untuk menentukan tingkat
akurasi yang baik. Berikut tampilan operator-operator yang digunakan pada pengujian
cross validation.

12
 Gambar 3.5. Operator Proses Cross Validation

Parameter yang digunakan pada decision tree yaitu maximal depth 10, confidence
0,25, minimal gain 0,04 dan criterion yang digunakan gain_ratio. Untuk operator
performance yang digunakan yaitu accuracy, classification error, recall, precision,
AUC dan ROC.
Metode cross validation 10 k-fold digunakan untuk menguji model yang diusulkan,
karena pengujian standar yang digunakan untuk memprediksi error rate(29). Pada
penelitian (Salam, Zeniarja, & Khasanah, 2018) menunjukan hasil pengujian
menggunakan k-fold cross validation, nilai k=10 merupakan nilai optimal karena hasil
dari percobaan dan pembuktian teoritis menunjukan bahwa 10 k-fold adalah pilihan
terbaik untuk mendapatkan nilai validasi yang akurat(30). Maka pengujian cross
validation menggunakan 10 k-fold. Berikut tabel hasil pengujian data dengan
menggunakan 10 k-fold.
Tabel 3.4. Hasil Pengujian Cross Validation
Pengujian
Sampling
Data Classification
Accuracy Precision Recall AUC ROC
Error

Linier 59,99% 40,01% 59,26% 36,89% 0,690 0,885

13
Shuffle 63,81% 36,19% 73,75% 39,48% 0,719 0,881

Automatic 61,75% 38,25% 71,94% 46,27% 0,713 0,885

Gambar 3.6. Performance Vector Linear Sampling

Gambar 3.7. Performance Vector Shuffled Sampling

14
 Gambar 3.8. Performance Vector Automatic Sampling

3.1.5. Evaluasi Hasil

Setelah dilakukan pengujian dengan menggunakan 3 operator yang berbeda yaitu
operator split data, split validation dan cross validation. Hasil pengujian
menunjukkan tidak terdapat perbedaan pada operator split data dan split validation,
keduanya memiliki tingkat akurasi yang sama. Sedangkan pada operator split
validation dan cross validation terdapat perbedaan pada tingkat akurasinya. Hasil
pengujian yang dilakukan dengan operator split validation termasuk kedalam
kategori Good Classification sedangkan untuk operator cross validation termasuk
kedalam kategori Fair Classifiation.
Penilaian Performance Keakurasian AUC (Area Under Cover) dapat
diklasifikasikan menjadi lima kelompok (Gorunescu, 2010) :
1. 0.90 -1.00 = Excellent Classification
2. 0.80 - 0.90 = Good Classification
3. 0.70 - 0.80 = Fair Classification
4. 0.60 - 0.70 = Poor Classification
5. 0.50 – 0.60 = Failure
Berdasarkan pengujian model klasifikasi C4.5 terbaik terdapat pada operator split
validation karena memiliki nilai Weighted Mean Precision, Weighted Mean Recall
yang tertinggi, Classification Error yang rendah dan Nilai AUC atau ROC termasuk
dalam kategori Good Classification. Sehingga, Penelitian ini menggunakan data
training 90% dan data testing 10% untuk mendapatkan pengetahuan tentang dampak
pembelajaran Moodle Web-Based Learning pada masa pandemi Covid-19 dalam
bentuk pohon keputusan.

15
 Hasil dari Pohon keputusan dampak pembelajaran Moodle Web-Based Learning
selama pandemi covid-19 dengan data training sebesar 90% dan data testing sebesar
10% dapat dilihat pada Gambar 3.9.

Gambar 3.9. Pohon Keputusan

Berdasarkan pohon keputusan pada Gambar 3.9. dapat dilihat bahwa C2 (Fitur
Moodle Web-Based Learning) menjadi simpul akar untuk menentukan dampak yang
dialami mahasiswa dalam mengikuti dan memanfaatkan pembelajaran Moodle Web-
Based Learning pada masa pandemi Covid-19. Dengan tingkat akurasi yang diperoleh
sebesar 74,00%, classification error sebesar 26%, AUC atau ROC Data Latih sebesar
0,815, AUC atau ROC Data Uji sebesar 0,877. Setelah pohon keputusan terbentuk,
proses selanjutnya dilakukan pengubahan dari bentuk pohon keputusan menjadi rule.
Pada Gambar 3.9 dapat dilihat dampak kendala pembelajaran Moodle Web-Based
Learning terhadap minat belajar mahasiswa adalah varibel Fitur Moodle Web-Based
yang disediakan oleh Dosen dalam mendukung proses pembelajaran. Penelitian ini
menghasilkan beberapa rule kendala pembelajaran Moodle Web-Based Learning yang
menjadi faktor menurun dan naiknya minat belajar mahasiswa.

1. If Fitur Pembelajaran yang disediakan dosen pada platform Moodle Web-Based

Learning (C2) kurang lengkap Then, Minat Belajar Mahasiswa “Tidak Ada”.
2. If Fitur Pembelajaran yang disediakan dosen pada platform Moodle Web-Based
Learning (C2) sangat lengkap, Pendapat tentang Moodle Web-Based Learning
(C1) dianggap kurang menarik Then, Minat Belajar Mahasiswa “Tidak Ada”.
3. If Fitur Pembelajaran yang disediakan dosen pada platform Moodle Web-Based
Learning (C2) sangat Lengkap, Pendapat tentang Moodle Web-Based Learning
(C1) dianggap sangat menarik, Kendala Jenis Mata Kuliah (C6) teori Then,
Minat Belajar Mahasiswa “Tidak Ada”.

16
 4. If Fitur Pembelajaran yang disediakan dosen pada platform Moodle Web-Based
Learning (C2) sangat lengkap, Pendapat tentang Moodle Web-Based Learning
(C1) dianggap menarik, Media Elektronik Komputer atau Laptop (C4) ada,
Kualitas Jaringan Mahasiswa (C5) kurang baik Then, Minat Belajar Mahasiswa
“Tidak Ada”.
5. If Fitur Pembelajaran yang disediakan dosen pada platform Moodle Web-Based
Learning (C2) sangat lengkap, Pendapat tentang Moodle Web-Based Learning
(C1) dianggap menarik, Media Elektronik Komputer atau Laptop (C4) ada,
Kualitas Jaringan Mahasiswa (C5) baik, Kendala Jenis Mata Kuliah (C6)
Praktek dan Media yang digunakan mengakses Moodle Web-Based Learning
(C3) Komputer atau Laptop Then, Minat Belajar Mahasiswa “Tidak Ada”.
6. If Fitur Pembelajaran yang disediakan dosen pada platform Moodle Web-Based
Learning (C2) sangat lengkap, Pendapat tentang Moodle Web-Based Learning
(C1) dianggap sangat menarik, Media Elektronik Komputer atau Laptop (C4)
ada, Kualitas Jaringan Mahasiswa (C5) baik, Kendala Jenis Mata Kuliah (C6)
Teori atau Tidak ada Kendala Then, Minat Belajar Mahasiswa “Ada”.
7. If Fitur Pembelajaran yang disediakan dosen pada platform Moodle Web-Based
Learning (C2) sangat lengkap, Pendapat tentang Moodle Web-Based Learning
(C1) dianggap menarik, Media Elektronik Komputer atau Laptop (C4) ada,
Kualitas Jaringan Mahasiswa (C5) baik, Kendala Jenis Mata Kuliah (C6)
Praktek dan Media yang digunakan mengakses Moodle Web-Based Learning
(C3) Smartphone Then, Minat Belajar Mahasiswa “Ada”.

3.2. Pembahasan
Dampak Pembelajaran Moodle Web-Based Learning selama pandemi covid-19 yang
paling berpengaruh terdapat pada fitur Moodle Web-Based Learning yang digunakan
pada saat pembelajaran online dimana jika fitur yang disediakan kurang lengkap,
kualitas jaringan mahasiswa yang kurang baik membuat pembelajaran online dianggap
kurang menarik sehingga mengakibatkan minat belajar mahasiswa turun. Sedangkan
jika fitur Moodle Web-Based Learning yang disediakan sangat lengkap, kuliatas
jaringan mahasiswa baik, mahasiswa menggunakan komputer atau laptop dalam
mengakses dan mengikuti pembelajaran sehingga membuat pembelajaran online
dianggap menarik dan mengakibatkan minat belajar mahasiswa naik.

17
 BAB 4
KESIMPULAN DAN SARAN

4.1. Kesimpulan
Penelitian ini menghasilkan model klasifikasi decision tree dengan menggunakan
algoritma C4.5 termasuk kedalam kategori “Good Classification” dengan nilai AUC
atau ROC data training sebesar 81,5%, nilai AUC atau ROC data testing sebesar
87,7% dan nilai akurasi, rata-rata precision dan rata-rata recall diatas 70% dengan nilai
classification error sebesar 26%. Penelitian ini telah meneliti dampak pembelajaran
Moodle Web-Based Learning dari segi faktor internal tentang minat belajar mahasiswa
serta faktor eksternal dari segi sarana dan prasarana teknologi yang mendukung
pembelajaran Moodle Web-Based Learning. Dengan pengujian yang dilakukan dengan
menggunakan algoritma C4.5. maka algoritma ini dapat memprediksi untuk
mengetahui dampak pembelajaran online.
Sehingga pengembangan penelitian selanjutnya dapat diteliti dampak pembelajaran
E-Learning lainnya dari segi faktor internal meliputi bakat, motivasi, mental, kondisi
fisik dan kecerdasan dan faktor eksternal meliputi lingkungan universitas, masyarakat,
keluarga. Sehingga daat terus mengoptimalkan pembelajaran E-Learning dalam proses
pembelajaran kedepannya.

4.2. Saran
Untuk penelitian selanjutnya maka disarankan beberapa hal, yaitu:
1. Untuk menambah hasil yang lebih baik lagi diperlukan penambahan variabel
nilai-nilai mahasiswa selama pembelajaran e-learning.
2. Dapat membandingkan model klasifikasi algoritma C4.5 dengan algoritma naïve
bayes berdasarkan tingkat akurasi.

18
 DAFTAR PUSTAKA

1. Warganinata, W., Maimunah,I., Dewi, E. & Rofiq, Z. Student’s Responses on

Learning in Early Covid19 Pandemic. TADRIS : Journal of Education and
Teacher Training. 2020:5(1):141-153.
2. Fitriani, Y., Defit, S. & Nurcahyo, G.W. Prediksi Hasil Belajar Siswa Secara
Daring Pada Masa Pandemi Covid-19 Menggunakan Metode C4.5. Jurnal Sistim
Informatika dan Teknologi. 2021:3(3): 118-125.
3. Oktarika, D. Pengaruh Pembelajaran menggunakan Media E-Learning terhadap
Minat Belajar Mahasiwa pada Mata Kuliah E-Learning di Program Studi P.TIK.
Jurnal Pendidikan Informatika dan Sains. 2015:4(1):15-26.
4. Asmuni, H. Analisis Efektivitas E-Learning di Tengah Pandemi Covid-19.
Jurnal Ilmu Pendidikan dan Pembelajaran. 2020:3(1):34-53.
5. Nugraheni, A.R.E. & Dina. Pengaruh Penerapan Pembelajaran E-Learning
Terhadap Kemandirian dan Minat Belajar Mahasiswa Pada Mata Kuliah
Wawasan dan Kajian MIPA. EDUSAINS. 2017:9(1):111-116.
6. Sudiksa, I. M., Divayana, D. G. H. & Warpala, I. W. S. Pengaruh E-Learning
dan Lingkungan Kampus Terhadap Minat Belajar Mahasiswa Dengan Motivasi
Belajar Sebagai Variabel Mediasi. Jurnal Teknologi Pembelajran Indonesia.
2020:10(2):86-97.
7. Wijaya, R., Lukman, M. & Yadewani, D. Dampak Pandemi Covid-19 Terhadap
Pemanfaatan ELearning. DIMENSI. 2020:9(2):307-322.
8. Irnanda, K. F., Hartama, D. & Windarto, A. P. Analisa Klasifikasi C4.5
Terhadap Faktor Penyebab Menurunnya Prestasi Belajar Mahasiswa Pada Masa
Pandemi. Jurnal Media Informatika Budidarma. 2021:5(1);327-331.
9. Cahyani, A. Listiana, I.D. & Larasati, S.P.D. Motivasi Belajar Siswa SMA pada
Pembelajaran Daring di Masa Pandemi Covid-19. Jurnal Pendidikan Islam.
2020:3(1):123-140.
10. Sulisworo, D. & Agustin, S. P. Dampak Pembelajaran E-Learning Terhadap
Motivasi Pada Pembelajaran Fisika di Sekolah Kejuruan. Berkala Fisika
Indonesia. 2017:9(1):1-7.
11. Azwanti, N. Algoritma C4.5 Untuk Memprediksi Mahasiswa Yang Mengulang
Mata Kuliah (Studi Kasus di AMIK Labuhan Batu). SIMETRIS. 2018:9(1):11-
22.
12. Supriyadi, D. & Safitri, S. T. The Application of C4.5 Algorithm to Classify the
User Satisfaction of Online Learning System. International Journal of
Information System & Technology. 2020:3(2):323-324.
13. Yuliana, A. & Pratomo, D. B. Algoritma Decision Tree (C4.5) Untuk
Memprediksi Kepuasan Mahasiswa Terhadap Kinerja Dosen Politeknik TEDC
Bandung. Prosiding Seminar Nasional Inovasi Teknologi. Seminar Nasional
Inovasi Teknologi UN PGRI. Kediri 22 Februari 2017.
14. Vivimaryati, Triayudi, A. & Sholihati, I. D. Analysis of the Effectiveness of
Online Lectures Against Student Achievements Using the C4.5 Method(Case
 Study: Faculty of Communication and Information Technology National
University). Jurnal Mantik. 2020:4(1):654-661.
15. Saputra, K. A., Hardinata, J. T., Lubis, M. R., Andani, S. R. & Saragih I. S.
Klasifikasi Algoritma C4.5 Dalam Penerapan Tingkat Kepuasan Siswa
Terhadap Media Pembelajaran Online. KLIK: Kajian Ilmiah Informatika dan
Komputer. 2020:1(3):113-118.
16. Supriyadi, D., Safitri, S.T. The Application of C4.5 Algorithm to Classify the
User Satisfaction of Online Learning System. International Journal of
Information System and Technology. 2020:3(2):323-331.
17. Sianipar, K.D.R., Siahaan, S.W., Siregar M, Zer, P.P.P.A.N.W.F.I.R.H,
Hartama, D. Penerapan Algoritma K-Means Dalam Menentukan Tingkat
Kepuasan Pembelajaran Online Pada Masa Pandemi Covid-19. Jurnal Teknologi
Informasi. 2020:4(1):101-105.
18. Napitupulu, R.M. Dampak Pandemi Covid-19 Terhadap Kepuasan
Pembelajaran Jarak Jauh. Jurnal Inovasi Teknologi Pendidikan. 2020:7(1):23-
33.
19. Kusumaningrum, B., Wijayanto, Z. Apakah Pembelajaran Matematika Secara
Daring Efektif? (Studi Kasus Pada Pembelajaran Selama masa Pandemi Covid-
19). Kreano: Jurnal Matematika Kreatif-Inovatif. 2020:11(2):139-146.
20. Sudipa, I.G.I., Arsana, I.N.A., Radhitya, M.L. Penentuan Tingkat Pemahaman
Mahasiswa Terhadap Social Distancing Menggunakan Algoritma C4.5.
SINTECH (Science and Information Technology) Journal. 2020:3(1):1-7.
21. Jamaluddin. Minat Belajar (Tinjauan Guru Pendidikan Agama Islam). Al-
Qalam: Jurnal Kajian Islam dan Pendidikan. 2016:8(2):27-39.
22. Ricardo, Meilani, R.I. Impak Minat dan Motivasi Belajar Terhadap Hasil Belajar
Siswa. Jurnal Pendidikan Manajemen Perkantoran. 2017:2(2):188-201.
23. Asmuni. Problematika Pembelajaran Daring di Masa Pandemi Covd-19 dan
Solusi Pemecahannya. Jurnal Paedagogy. 2020:7(4):281-288.
24. Oscario, Jasmir, Novianto, Y. Penerapan Algoritma C4.5 Untuk Memprediksi
Kecocokan Gaya Belajar Bagi Siswa Siswi Sekolah Dasar (Studi Kasus: SD
Sariputra Jambi). Jurnal Processor. 2019:14(2):141-152.
25. Mardi, Y. Data Mining: Klasifikasi Menggunakan Algoritma C4.5. Jurnal Edik
Informatika. 2017:2(2):213-219.
26. Setiawan, T.A., Ilyas, A. Penerapan Algoritma C4.5 Dalam Pemilihan
Konsentrasi Program Studi (Studi Kasus di STMIK Widya Pratama
Pekalongan). IC-Tech. 2019:14(1):42-46.
27. Umam, K., Puspitasari, D., Nurhadi, A. Penerapan Algoritma C4.5 Untuk
Prediksi Loyalitas Nasabah PT Erdika Elit Jakarta. Jurnal Media Informatika
Budidarma. 2020:4(1):65-71.
28. Asroni, A., Respati, B.M., Riyadi, S. Penerapan Algoritma C4.5 Untuk
Klasifikasi Jenis Pekerjaan Alumni di Universitas Muhammadiyah Yogyakarta.
Semesta Teknika. 2018:21(2):158-165.
29. Sudarsono, B. G., Leo, M. I., Santoso, A., Hendrawan, F. Analisis Data Mining
Data Netflix Menggunakan Aplikasi Rapidminer. Journal of Bussines and Audit
Information Systems. 2021:4(1):13-21.
30. Salam, A., Zeniarja, J., Khasanah, R. S. U. Analisis Sentimen Data Komentar
Sosial Media Facebook Dengan K-Nearest Neighbour (Studi Kasus Pada Akun
Jasa Ekspedisi Barang J&T Ekspress Indonesia). Prosiding Seminar Nasional
Teknologi Informasi & Aplikasi Komputer. Seminar Nasional Teknologi
Informasi & Aplikasi Komputer UNISBANK. Semarang 14 November 2018.