JURNAL REALTECH Vol. xx, No.
xx, (20xx) ISSN: xxxxx
IMPLEMENTASI ALGORITMA C5.0 UNTUK MENENTUKAN TINGKAT
PEMAHAMAN MAHASISWA TERHADAP MATERI PEMBELAJARAN
SECARA DARING DI MASA PANDEMI COVID-19
(STUDI KASUS: UNIVERSITAS KATOLIK DE LA SALLE MANADO)
Joshua Tulenan1, Debby Paseru2 dan Indah Yessi Kairupan3
Program Studi Informatika, Fakultas Teknik
1,2,3
Universitas Katolik De La Salle Manado
e-mail: 18013120@unikadelasalle.ac.id1, dpaseru@unikadelasalle.ac.id2, ikairupan@unikadelasalle.ac.id3
Abstrak – Pembelajaran daring merupakan kegiatan
proses belajar mengajar yang terhubung melalui jaringan
internet. Pembelajaran daring menjadi hal yang baru bagi
para mahasiswa dan memerlukan adaptasi ketika
melakukannya. Metode pembelajaran ini dapat
mempengaruhi mahasiswa dalam memahami
pembelajaran karena setiap mahasiswa mempunyai
tingkat pemahaman yang berbeda dalam memahami
materi pembelajaran.
Universitas Katolik De La Salle Manado merupakan
lembaga pendidikan tinggi yang bertugas untuk mendidik
para mahasiswa. Selama pandemi, lembaga ini juga
melaksanakan pembelajaran daring. Untuk mengetahui
tingkat pemahaman mahasiswa terhadap materi
pembelajaran, maka perlu dilakukan survey mengenai hal
ini namun, hal ini belum dilakukan. Oleh karena itu,
dibangun aplikasi untuk menentukan tingkat pemahaman
mahasiswa terhadap materi pembelajaran secara daring
menggunakan metode algoritma C5.0 agar dapat diketahui
hambatan ataupun pendukung mahasiswa dalam proses
pemahaman pembelajaran. Proses dan cara kerja dari
algoritma C5.0 pada aplikasi yang dibangun, yaitu dengan
menghitung nilai entropy, information gain dan gain ratio
dari setiap atribut, kemudian dari hasil perhitungan
tersebut akan menghasilkan pohon keputusan dan aturan
yang akan dipakai untuk klasifikasi tingkat pemahaman
mahasiswa yang dikategorikan menjadi sangat paham,
cukup paham dan tidak paham terhadap pembelajaran
secara daring..
Metodologi yang digunakan dalam pembuatan aplikasi
ini menggunakan CRISP-DM atau Cross-Industry Standard
Process Model for Data Mining. Bahasa pemrograman
yang digunakan, yaitu Python, CSS dan HTML. Untuk
penggambaran langkah-langkah pembuatan aplikasi dan
penerapan algoritma menggunakan Flowchart dan
penggambaran aliran data digunakan DFD. Sumber data
pada Tugas Akhir ini diambil dari hasil kuesioner yang
dibagikan kepada 198 mahasiswa.
Penelitian ini memberikan hasil bahwa aplikasi
implementasi algoritma C5.0 untuk menentukan tingkat
pemahaman mahasiswa terhadap materi pembelajaran
secara daring di masa pandemi covid-19 berhasil
diimplementasikan dan berjalan cukup baik. Pohon
keputusan yang terbentuk pada aplikasi menjadikan
atribut komunikasi sebagai root dari pohon keputusan dan
memberikan hasil akurasi tertinggi dari hasil pengujian
70% data uji dan 30% data latih, yaitu 65%, sedangkan
nilai recall tertinggi diperoleh dari hasil pengujian 60 data
uji dan 40% data latih dengan nilai 65%, dan nilai
1
precision tertinggi diperoleh dari hasil pengujian 90% data uji
dan 10 % data latih dengan nilai 62,25%.
Kata Kunci— Pembelajaran Daring, Pemahaman
Mahasiswa, Algoritma C5.0, Data Mining.
I. PENDAHULUAN
P
embelajaran Daring merupakan pembelajaran yang
memanfaatkan teknologi dalam mendukung proses
belajar mengajar secara jarak jauh, yaitu pengajar dan peserta
didik tidak perlu bertatap muka secara langsung, tapi
memanfaatkan teknologi, seperti perangkat elektronik berupa
smartphone, laptop atau komputer menggunakan media
untuk menyampaikan informasi berupa materi atau tugas
antara dosen pengajar dengan mahasiswa dan memerlukan
akses internet dalam penyampaiannya [1]. Pembelajaran
daring merupakan hal baru bagi peserta didik, sehingga
belum diketahui apakah pembelajaran tersebut merupakan
metode pembelajaran yang baik. Oleh karena itu, untuk
mengetahui keefektifan dan faktor-faktor yang
mempengaruhi tingkat pemahaman mahasiswa dalam
pembelajaran daring, perlu dilakukan penelitian terkait hal
ini. Berdasarkan hasil wawancara langsung kepada beberapa
dosen dan mahasiswa penulis menemukan permasalahan
dalam pembelajaran Daring, yaitu kurangnya interaksi dan
komunikasi antara dosen dengan mahasiswa, fokus
mahasiswa yang terganggu karena suasana belajar di rumah
yang tidak mendukung, serta permasalahan utama yang
sering dikeluhkan adalah kualitas jaringan internet yang tidak
memadai bergantung pada tempat dan rumah dari masing-
masing mahasiswa dan dosen. Selanjutnya pengumpulan data
dapat dilakukan melalui penyebaran kuesioner dan
selanjutnya dilakukan pengolahan data hasil kuesioner untuk
dianalisis menggunakan metode metode Data Mining [1].
Data Mining adalah suatu proses penambangan
pengetahuan atau menemukan informasi baru dari data yang
berjumlah cukup banyak dengan mencari pola dan juga
aturan tertentu. Data Mining merupakan teknologi yang
dapat menjadi penghubung komunikasi antara data dengan
penggunanya. Terdapat beberapa metode dalam melakukan
Data Mining salah satunya adalah metode klasifikasi Data
Mining. Klasifikasi adalah tipe analisis data yang dapat
membantu orang menentukan kelas label dari sampel yang
ingin diklasifikasi [2].
 JURNAL REALTECH Vol. xx, No. xx, (20xx) ISSN: xxxxx
Berdasarkan uraian masalah yang ada, Tugas
Akhir ini bertujuan untuk mengimplementasikan
algoritma C5.0 dalam menentukan tingkat pemahaman
mahasiswa terhadap pembelajaran daring dan akan
digunakan 8 variabel, yaitu komunikasi, antusiasme,
interaksi, suasana belajar, penyampaian materi, kualitas Menerjemahkan ini merupakan tingkat dasar dalam
jaringan internet, software dan alat bantu pembelajaran pemahaman terjemahan dapat diartikan sebagai pengalihan
daring. Variabel tersebut diperoleh dari hasil wawancara arti dari bahasa yang satu ke dalam bahasa yang lain sesuai
dengan mahasiswa dan dosen yang pernah mengikuti
kegiatan pembelajaran secara daring. Dipilihnya
algoritma C5.0 dikarenakan penerapannya yang cukup
mudah dan memiliki hasil yang lebih baik dibandingkan
dengan pendahulunya, yaitu algoritma C4.5 [3].
Aplikasi yang akan dibangun diharapkan dapat B. Menafsirkan (interpretation)
membantu dalam memberikan informasi kepada pihak
mahasiswa untuk mengetahui seberapa paham
mahasiswa saat pembelajaran daring dilaksanakan dan
terlebih khusus kepada pihak akademi agar dapat terus
menjaga kualitas dan mutu dari pendidikan di-
Universitas Katolik De La Salle Manado dan dapat
meminimalisir resiko yang dapat menghasilkan tingkat
pemahaman yang minim dari mahasiswa di bidang
akademik dan juga dapat memberikan kesempatan
kepada dosen dalam mengevaluasi kinerja dalam proses
belajar mengajar secara daring. Penelitian ini juga
dilakukan untuk mengetahui tingkat akurasi dari
algoritma C5.0 dalam mengklasifikasi dan menentukan
tingkat pemahaman terhadap pembelajaran daring bagi
para mahasiswa.
II. TINJAUAN PUSTAKA
2.1. Pembelajaran Daring
Pembelajaran daring adalah sebuah sistem
pembelajaran kegiatan belajar mengajar yang dilakukan
dengan tidak bertatap muka secara langsung tetapi
memanfaatkan teknologi dalam mendukung proses belajar
mengajar. Pembelajaran daring dilakukan secara jarak jauh
di mana pengajar dan peserta didik tidak perlu berkumpul
dalam satu ruangan dan tidak hanya mendengarkan
penjelasan materi dari pengajar di dalam sebuah kelas yang
saling bertatap muka, tetapi peserta didik juga dapat
mempelajarinya di luar kelas ketika melaksanakan kegiatan
pembelajaran [4].
Pembelajaran daring dilakukan dalam jaringan atau
disebut online yang artinya pembelajaran daring adalah
pembelajaran yang dilakukan secara online karena
tersambung ke dalam jaringan internet dengan
memanfaatkan teknologi, seperti perangkat elektronik
berupa smartphone, laptop atau komputer sebagai media
untuk menyampaikan informasi berupa materi atau tugas
antara pengajar kepada peserta didik. Platform atau aplikasi
yang biasanya digunakan untuk melakukan kegiatan
pembelajaran daring antara lain Google Classroom, Google
Meet, Zoom, Ruang Guru, Edmodo, Moodle, Zenius [4].
2
2.2. Tingkatan Dalam Pemahaman
Tingkata pemahaman dibagi ke dalam tiga tingkatan
berdasarkan tingkat kepekaan dan derajat penyerapan suatu
materi atau informasi [7]:
A. Menerjemahkan (translation)
dengan pemahaman masing-masing seseorang yang
diperoleh dari konsep tersebut. Dapat juga diartikan dari
konsepsi abstrak menjadi suatu model simbolik untuk
mempermudah orang mempelajarinya.
Menafsirkan atau interpretation merupakan tingkat
menengah dalam pemahaman menafsirkan adalah
kemampuan yang lebih luas dari pada menerjemahkan,
kemampuan ini untuk mengenal dan memahami.
Menafsirkan dapat dilakukan dengan cara menghubungkan
pengetahuan yang lalu yang telah didapat dengan
pengetahuan lain yang diperoleh berikutnya. Seperti
menghubungkan antara grafik dengan kondisi yang
dijabarkan sebenarnya, dan membedakan yang pokok dan
tidak pokok dalam pembahasan.
C. Ekstrapolasi (extrapolation)
Ekstrapolasi atau extrapolation, yaitu menuntut kemampuan
intelektual yang lebih tinggi dari yang lain karena seseorang
harus bisa melihat arti lain dari apa yang tertulis. Membuat
perkiraan sendiri tentang konsekuensi atau memperluas
presepsi dalam artian waktu, dimensi, kasus, ataupun
masalahnya.
2.2.1.Faktor-Faktor Yang Mempengaruhi Pemahaman
Ada beberapa faktor yang mempengaruhi pemahaman
[8], yaitu sebagai berikut:
A. Faktor Internal
Yaitu intelegensi ketika orang berpikir mengunakan
inteleknya. Cepat atau tidaknya dan terpecahkan atau
tidaknya sesuatu masalah tergantung kepada
kemampuan intelegensinya. Dilihat dari intergensinya,
maka dapat mengatakan bahwa seseorang itu pandai
atau bodoh, pandai sekali atau cerdas (jenius) atau
pardir, dengun (idiot). Satu pribadi manusia yang
mengakibatkan penemuan yang terarah kepada sesuatu
tujuan. Berpikir untuk menemukan pemahaman atau
pengertian yang dikehendaki. Biasanya faktor internal
yang mempengaruhi pemahaman seseorang berupa
faktor psikologis dari seseorang meliputi: intelegensi
(IQ), perhatian, bakat, motivasi, kognitif, dan daya
nalar dari masing-masing orang tersebut.
B. Faktor Eksternal
Yaitu berupa faktor dari orang yang menyampaikan
karena penyampaian akan sangat berpengaruh pada
pemahaman. Jika bagus cara penyampaian maka orang
akan lebih mudah memahami apa yang kita sampaikan,
begitu juga sebaliknya.
 JURNAL REALTECH Vol. xx, No. xx, (20xx) ISSN: xxxxx 3

2.4.1. Algoritma Decision Tree C5.0

2.3. Data Mining Algoritma Decision Tree C5.0 adalah salah satu
Data Mining adalah sebuah tahapan dalam algoritma pohon keputusan. Algoritma C5.0 adalah algoritma
melakukan analisis terhadap sekelompok data dan proses yang dibentuk oleh Ross Quinlan di tahun 1987, dan merupakan
pengumpulan untuk mengolah data bertujuan untuk penyempurnaan dari algoritma ID3 dan algoritma C4.5 dan
mengekstrak informasi penting pada data yang ada. dapat membantu dalam melakukan klasifikasi data karena
Biasanya data yang dianalisis memiliki ukuran yang besar karakteristik data yang diklasifikasi dapat diperoleh dengan jelas
sehingga mendapatkan suatu relasi atau pola antara data baik dalam bentuk pohon keputusan ataupun aturan if-then.
tersebut dan dapat menyimpulkan data yang belum Algoritma C5.0 adalah sebuah algoritma yang berperan
diketahui sebelumnya agar dapat menjadi bentuk yang mengolah sekumpulan data yang besar dan menjadi algoritma
lebih ringkas, mudah dan juga dapat dimengerti [9]. Data yang lebih baik dibandingkan dengan algoritma sebelumnya,
Mining juga merupakan proses yang menyatukan teknik yaitu C4.5 dalam hal waktu, akurasi, penyimpanan dan efisiensi.
tradisional dengan teknologi sehingga data yang ada pada Dalam prosesnya algoritma C5.0 dimulai dengan semua data
basis data yang berukuran cukup besar dapat diolah yang dijadikan akar dari pohon keputusan dan memilih atribut
menjadi lebih tepat dan cepat. Proses Data Mining juga untuk memecah objek dalam beberapa kelas kemudian dipilih
menggabungkan teknik statistika, matematika dan atribut yang menghasilkan information gain dan gain ratio
teknologi artificial intelligence (AI) dan machine paling besar selanjutnya akan terpilih sebagai root atau parent
learning[10]. Pada penelitian ini, jenis data mining yang bagi node selanjutnya[16]. [16]. Langkah pertama untuk
digunakan, yaitu klasifikasi. Metode klasifikasi yang perhitungan algoritma C5.0 akan menghitung nilai entropy total
digunakan, yaitu pohon keputusan dengan menggunakan dari keseluruhan data pada suatu kasus dapat dilihat dengan
algoritma C5.0. persamaan 1.
n
2.4. Pohon Keputusan Entropy (S)= ∑ − pi∗log 2( pi) (1)
Pohon Keputusan atau biasa disebut Decision i=1
Tree adalah suatu metode klasifikasi yang mempunyai Keterangan :
bentuk pola menyerupai pohon, di mana setiap node S = himpunan kasus
menunjukkan suatu test pada suatu atribut, tiap branch n = jumlah partisi S
merepresentasikan hasil dari test tersebut, daun node pi= proporsi dari Si terhadap S
menunjukkan kelas-kelas atau distribusi kelas pada setiap Dari persamaan 1 memberikan informasi S merupakan
cabang. Pohon keputusan biasa digunakan untuk himpunan dari keseluruhan kasus. dan n adalah jumlah dari
memodelkan persoalan yang terdiri dari serangkaian pada kelas, i adalah informasi dari jumlah kasus yang ada
keputusan yang akan mengarah kepada solusi. pada kelas sedangkan p𝑖 yang merupakan rasio atau skala.
Langkah selanjutnya adalah menghitung nilai information
gain dari keseluruhan data pada suatu kasus dapat dilihat
dengan persamaan 2.

n
|Si|
Entropy (S,A)= Entropy (S)−∑ ∗Entropy Si
i=1 |S|

(2)
Keterangan :
S = himpunan kasus
A = atribut
n = jumlah partisi atribut A
|Si| = jumlah kasus pada partisi ke-I
|S| = jumlah kasus dalam S
Dari persamaan 2 memberikan informasi S merupakan
himpunan suatu kasus yang terdiri dari data sampel.
Diketahui n mendefinisikan kelas-kelas yang ada di dalam
atrubut dan A adalah jumlah atribut yang digunakan pada
kelas tersebut. Langkah selanjutnya adalah menghitung nilai
gain ratio dari keseluruhan data pada suatu kasus dapat
dilihat dengan persamaan 3.
 JURNAL REALTECH Vol. xx, No. xx, (20xx) ISSN: xxxxx 4

Information Gain ( S , A ) Metode yang banyak diterapkan dalam data mining

Gain Ratio = n adalah CRISP-DM. CRISP-DM Cross-Industry Standard
∑ Entropy Si Process Model for Data Mining. CRISP-DM merupakan
salah satu metodologi dari data mining dan dapat dipakai
i=1
3) untuk melakukan suatu penelitian [34]. Dengan tujuan agar
dapat melakukan proses pemecahan masalah dari penelitian
Keterangan : ataupun bisnis dan agar memperoleh sebuah pola yang
n menarik dan berharga dari data yang akan dipakai. Proses
∑ Entropy Si=¿ jumlah nilai entropy dalam suatu data mining dibagi dalam enam tahap, yaitu: [33].
i=1
variabel 1. Pemahaman Bisnis (Business Understanding)
Information Gain (S,A) = nilai information gain dari
Tahapan pemahaman bisnis menjadi tahap pertama ketika
suatu variabel
menggunakan metode CRISP-DM. Berfokus pada
Dari Persamaan 3 memberikan informasi adalah
pemahaman tujuan kebutuhan berdasarkan penilaian bisnis
jumlah nilai entropy dalam masing-masing variabel
yang sudah didapat pada perhitungan sebelumnya,
2. Pemahaman Data (Data Understanding)
sedangkan information Gain (S,A) merupakan nilai
information gain dari suatu variabel yang telah dihitung Tahapan pemahaman data merupakan tahap kedua dari
kemudian nilai dari information gain akan dibagi metode CRISP-DM dimulai dengan pengumpulan data awal
dengan nilai total entropy suatu variabel. dan hasil kegiatan dalam rangka untuk membiasakan diri
dengan data.
2.4.1 Confusion Matrix
Confusion matrix merupakan sebuah metode 3. Persiapan Data (Data Preparation)
untuk mengevaluasi yang menggunakan tabel matrix. Tahapan persiapan data merupakan tahap ketiga dari metode
Hasil evaluasi dengan menggunakan confusion matrix CRISP-DM. Di mana data yang telah selesai dikumpulkan
menghasilkan nilai akurasi dan laju error. Berikut akan diproses.
adalah format umum dari confusion matrix [17].
TP+TN 4. Pemodelan (Modeling)
Akurasi = ×100 (4)
TP+ FN + FP+ FN Tahapan pemodelan merupakan tahap di mana peneliti
Keterangan : melakukan pemilihan metode pengolahan data. Setelah
1. TP (True Positive), yaitu hasil prediksi bernilai benar dilakukan tahapan pemrosesan pada tahap sebelumnya.
sesuai dengan hasil sebenarnya yang memiliki nilai Langkah selanjutnya akan dilakukan pemodelan.
positif.
2. TN (True Negative), yaitu hasil prediksi yang 5. Evaluasi (Evaluation)
bernilai benar sesuai dengan hasil sebenarnya yang
memiliki nilai negatif. Evaluasi merupakan tahapan di mana model yang dihasilkan
3. FN (False Negative), yaitu hasil prediksi yang dianalisis untuk mengetahui apakah pola yang dihasilkan
bernilai salah namun pada hasil sebenarnya bernilai sudah sesuai dengan standar yang ada. Proses ini akan
benar. melakukan pengukuran dari hasil evaluasi pola yang telah
4. FP (False Positive), yaitu hasil prediksi yang bernilai diterapkan pada tahap sebelumnya.
benar namun pada hasil sebenarnya bernilai salah.
Untuk lebih jelasnya di bawah ini terdapat tabel 6. Penjabaran (Deployment)
confusion matrix yang dapat dilihat pada Tabel 1. Tahapan penjabaran merupakan tahap terakhir dari metode
CRISP-DM. Pada tahap ini, dilakukan penggabungan tidak
Tabel 1 Confusion Matrix hanya untuk menghasilkan nilai model, tetapi juga skor
Confusion Matrix Nilai Akurasi keputusan dan bagaimana menggabungkan seluruhnya dalam
sistem operasional.
True False
Nilai True TP FP IV. HASIL DAN PEMBAHASAN

Prediksi False FP TN A. Perancangan Sistem

1. Rancangan Pemoodelan Sistem
Penggambaran pemodelan perangkat lunak dilakukan
menggunakan diagram flowchart. Flowchart memiliki fungsi
III. METODE PENELITIAN
untuk memberikan visualisasi mengenai alur kerja sistem
JURNAL REALTECH Vol. xx, No. xx, (20xx) ISSN: xxxxx 5

secara terurut dari sistem yang sedang berjalan agar

nantinya dapat membentuk suatu sistem yang dapat
digunakan. Berikut terdapat flowchart yang
menggambarkan alur kerja dari aplikasi menentukan
tingkat pemahaman mahasiswa terhadap materi
pembelajaran secara daring menggunakan algoritma
C5.0, sehingga nantinya dapat membentuk suatu
aplikasi yang dapat digunakan. Adapun flowchart-nya
adalah sebagai berikut:

Gambar 2 Diagram Konteks

Dapat dilihat terdapat entitas user yang berperan
sebagai pihak yang memberikan input terhadap sistem
dengan memasukkan dokumen dataset yang akan diproses
oleh aplikasi untuk dilakukan proses klasifikasi
menggunakan algoritma C5.0. Hasil dari proses klasifikasi
menggunakan algoritma C5.0 adalah aplikasi yang akan
menampilkan hasil dari perhitungan, aturan, akurasi dan
pohon keputusan.
DFD Level 1 adalah penjabaran dari diagram konteks
yang akan memberikan gambaran mengenai alur kerja dari
aplikasi menentukan tingkat pemahaman mahasiswa terhadap
materi pembelajaran secara daring menggunakan algoritma
C5.0 dengan lebih rinci:

2. Analisis Perhitungan Algoritma

Penelitian ini menggunakan algoritma C5.0. Untuk
penjelasan lebih rinci dapat dilihat pada contoh kasus
berikut.
Dataset diambil dari mahasiswa Universitas Katolik De
La Salle Manado yang merupakan tempat penelitian yang
dipakai dalam penelitian ini. Jumlah dari dataset yang
diambil yaitu 198 sampel dengan menggunakan margin of
error sebesar 5%. Penentuan sampel tersebut menggunakan
metode Isaac and Michael diambil dari total populasi 460
mahasiswa Fakultas Teknik Informatika periode akademik
2022/2023 genap yang terdaftar.
Gambar 1 Folwchart

Penggambaran pemodelan perangkat lunak

selanjutnya adalah menggunakan Data Flow Diagram
(DFD). Data Flow Diagram memiliki fungsi untuk
menjelaskan workflow dari aplikasi menentukan tingkat
pemahaman mahasiswa terhadap materi pembelajaran
secara daring menggunakan algoritma C5.0. Terdapat
dua bagian dalam DFD, yaitu Diagram Konteks yang
akan memberikan gambaran alur kerja dari sistem
secara umum dan Diagram Level 1 yang memberikan
gambaran mengenai workflow dari diagram konteks
secara lebih mendetail.
JURNAL REALTECH Vol. xx, No. xx, (20xx) ISSN: xxxxx 6

Perangkat spesifikasi:
Keras
CPU Ryzen 5, RAM 8GB,
1. Python 3.11 64 bit
2. Visual Studio Code 1.70.2
3. Google Chrome version

Perangkat 104.0.5112.102

Lunak 4. Microsoft Word 2019

MSO (Version 2306)
Build 16.0.16529.20002
5. Microsoft Excel
6. Windows 11

2. Implementasi User Interface

a. Halaman Upload Dataset

Data yang diambil memiliki 8 atribut yang terdiri

dari komunikasi, antusias, interaksi, penyampaian
materi, suasana belajar, kualitas jaringan internet,
software dan alat bantu pembelajaran daring

Sisa kasih lanjutt

Gambar 4. Halaman Upload Daataset

B. Implementasi b. Halaman Dataset
1. Lingkungan Implementasi
Lingkungan implementasi memberikan penjelasan
mengenai perangkat yang dipakai dalam melakukan
implementasi terhadap aplikasi yang akan
dibangun. Lingkungan implementasi dari
lingkungan perangkat keras (hardware) dan
lingkungan perangkat lunak (software). Berikut
daftar perangkat keras dan perangkat lunak yang
dipakai dalam pembuatan aplikasi:
Tabel 4. 1 Lingkungan Implementasi Gambar 3. Halaman Dataset
Jenis c. Halaman Data Uji dan Latih
Sumber Daya
Perangkat
Minimum Laptop dengan
JURNAL REALTECH Vol. xx, No. xx, (20xx) ISSN: xxxxx
Gambar 4 Halaman Data Uji dan Latih
d. Halaman Tingkat Akurasi
Gambar 5. Halaman ingkat Akurasi
e. Halaman Aturan
Gambar 6. Halaman Aturan
f. Halaman Pohon Keputusan
Gambar 7. Halaman Pohon Keputusan
g. Halaman Dataset Tunggal
7
Gambar 8. Halaman Dataset Tunggal
h. Halaman Hasil Klasifikasi
Gambar 9. Halaman Hasil Klasifikasi
i. Halaman Bantuan
Gambar 10. Halaman Bantuan
3. Pemrograman
Tahap ini bertujuan untuk menerapkan pemrograman
berdasarkan hasil perancangan aplikasi analisis
pemahaman mahasiswa dalam pembelajaran daring
menggunakan algoritma C5.0, ke dalam bentuk bahasa
pemrograman python.
Script untuk meng-upload dokumen dataset
def uploadDataset():
global df
global dataAtribut
file = request.files['upload-dataset']
if file:
df = pd.read_csv(file)
data = df.to_dict('records')
dataset_path = 'dataset.csv'
JURNAL REALTECH Vol. xx, No. xx, (20xx) ISSN: xxxxx 8

file.save(dataset_path) train_html = data_latih.to_html(index=False)

dataAtribut = df test_html =
return render_template('klasifikasi.html', data_uji_dengan_prediksi.to_html(index=False)
data=data)

return render_template('datatraintest.html',
train_data=train_html, test_data=test_html,
test_ratio=test_ratio))

Script untuk membagi dan menampilkan

data uji dan data latih
@app.route('/datatraintest', methods=['GET', C. Pengujian
'POST']) Pengujian akurasi, recall, precision yang juga telah
def halaman_datatraintest(): dilakukan pada empat pembagian dataset, yaitu 60%,
if df is None: 70%, 80% dan 90% menghasilkan beberapa kesimpulan,
return render_template('index.html', yaitu sebagai berikut:
message='Mohon unggah file dataset terlebih
dahulu.')
Tabel 6. 1 Hasil Pengujian Akurasi
global test_ratio
if request.method == 'POST': Pembagian
test_ratio = float(request.form['test_ratio']) Accurration Recall Precision
Data
# Bagi dataset menjadi data latih dan data uji 60% dan 40% 63% 66% 66,61%
berdasarkan test_ratio
data_latih, data_uji = train_test_split(df, 70% dan 30% 65% 65% 63,41%
test_size=test_ratio, random_state=42)
nama = data_uji['Nama'] 80% dan 20% 62,5% 62,50% 60,61%
nama_latih = data_latih['Nama']
90% dan 10% 60% 60% 62,22%
kolom_no = data_uji['No']
kolom_no_latih = data_latih['No']
Berdasarkan tabel diatas, dapat diketahui beberapa
# Prediksi tingkat pemahaman menggunakan kesimpulan, yaitu sebagai berikut:
algoritma pohon keputusan 1. Akurasi tertinggi, yaitu 65% yang diperoleh dari hasil
hasil_prediksi = pengujian dengan pembagian data latih 70% dan 30%
prediksi_pohon_keputusan(data_latih, data_uji) data uji.
2. Tingkat recall tertinggi, yaitu 66%, yang diperoleh dari
# Tambahkan hasil prediksi ke dalam dataset uji hasil pengujian dengan pembagian data latih 60% dan
data_uji_dengan_prediksi = data_uji.copy() 40% data uji
data_uji_dengan_prediksi['Prediksi'] = 3. Tingkat precision tertinggi, yaitu 62,25%, yang
hasil_prediksi diperoleh dari hasil pengujian dengan pembagian data
latih 90 % dan 10% data uji
# Pindahkan kolom 'Nama' setelah kolom 'No'
pada data uji
data_uji_dengan_prediksi.insert(0, 'Nama', nama) V. KESIMPULAN DAN SARAN
# data_uji_dengan_prediksi.insert(0, 'No',
kolom_no)
A. Kesimpulan
# Pindahkan kolom 'Nama' setelah kolom 'No' Berdasarkan pada hasil pembangunan dan pengujian
pada data latih aplikasi analisis pemahaman mahasiswa dalam pembelajaran
data_latih.insert(0, 'Nama', nama_latih) daring menggunakan Algoritma C5.0, maka dapat ditarik
# data_latih.insert(0, 'No', kolom_no_latih) kesimpulan sebagai berikut:
1. Aplikasi menentukan tingkat pemahaman mahasiswa
# Konversi data latih dan data uji dengan hasil terhadap materi pembelajaran secara daring
prediksi ke format HTML menggunakan pandas
JURNAL REALTECH Vol. xx, No. xx, (20xx) ISSN: xxxxx
menggunakan algoritma C5.0 telah berhasil
dibangun dan dapat membantu dalam melakukan
klasifikasi pemahaman mahasiswa.
2. Aplikasi dapat menampilkan hasil klasifikasi
berupa grafik hasil pemahaman mahasiswa untuk
dosen atau pihak akademik mengetahui sejauh
mana mahasiswa memahami materi pembelajaran
secara daring.
3. Akurasi tertinggi diperoleh dari hasil pengujian
70% data latih 30% data uji dan data latih dengan
nilai 65%, sedangkan nilai recall tertinggi diperoleh
dari hasil pengujian 60% data latih dan 40% data
uji dengan nilai 65%, dan nilai precision tertinggi
diperoleh dari hasil pengujian 90% data latih dan
10% data uji dengan nilai 62,25%.
B. Saran
Untuk pengembangan aplikasi ke depannya, maka
penulis memberi saran sebagai berikut:
1. Mengembangkan fitur untuk memasukkan dataset
tunggal secara langsung melalui form yang tersedia
di aplikasi sehingga pengguna tidak perlu
memasukkan data ke dalam file .csv
2. Pengembangan aplikasi ini, perlu penambahan
beberapa fitur, seperti cetak hasil klasifikasi
pemahaman dan pengembangan user interface agar
lebih menarik.
3. Penelitian ini dapat dikembangkan dengan
menambah jumlah variabel dan atribut yang lain dari
8 variabel yang sudah peneliti pakai, serta
menggunakan lebih banyak pengujian agar hasil
akurasi lebih baik.
DAFTAR PUSTAKA
[1] Yurni, “Studi Kasus: Persepsi Dan Pengalaman
Mahasiswa Selama Perkuliahan Profesi
Kependidikan Secara Daring,” J. Ilm. Univ.
Batanghari Jambi, vol. 21, no. 3, p. 1423, 2021,
doi: 10.33087/jiubj.v21i3.1764.
[2] Y. R. Nugraha, “MPLEMENTASI
ALGORITMA SUPPORT VECTOR
MACHINE UNTUK KLASIFIKASI
PENYESUAIAN UANG KULIAH TUNGGAL
TERDAMPAK PANDEMI COVID-19,” vol. V,
no. 2, 2021.
[3] A. Apriyadi and M. R. Lubis, “Penerapan
Algoritma C5.0 Dalam Menentukan Tingkat
Pemahaman Mahasiswa Terhadap Pembelajaran
Daring,” Komputa J. Ilm. Komput. dan Inform.,
vol. 11, no. 1, pp. 11–20, 2022, doi:
10.34010/komputa.v11i1.7386.
[4] Nasriani, “EFEKTIFITAS PEMBELAJARAN
DARING PADA MASA PANDEMI COVID 19
DI MTs NEGERI 2 TOLITOLI,” J. Inov.
9
Penelit., vol. Vol.2, no. Vol.2 No.8, pp. 2501-2510.,
2022.
[5] I. Aprinawati, “Penggunaan Model Peta Pikiran
(Mind Mapping) Untuk Meningkatkan Pemahaman
Membaca Wacana Siswa Sekolah Dasar,” J.
Basicedu, vol. 2, no. 1, pp. 140–147, 2018, doi:
10.31004/basicedu.v2i1.35.
[6] J. Sakerebau, “Memahami Peran Psikologi
Pendidikan Bagi Pembelajaran,” Memahami Peran
Psikol. Pendidik. Bagi Pembelajaran, vol. 1, no. 1,
pp. 96–111, 2018.
[7] J. P. Tambusai, “PENGGUNAAN MODEL
PEMBELAJARAN INSIDE-OUTSIDE CIRCLE
UNTUK MENINGKATKAN PEMAHAMAN
SISWA SMA KELAS XI PADA MATERI TEKS
PROSEDUR,” vol. 4, p. 74, 2020.
[8] S. Afniola, R. Ruslana, and W. Artika, “Intelegensi
Dan Bakat Pada Prestasi Siswa,” Al-Din J. Dakwah
dan Sos. Keagamaan, vol. 6, no. 1, pp. 1–10, 2020,
doi: 10.35673/ajdsk.v6i1.844.
[9] Andri and Marlindawati, “Pengelompokan Minat
Belajar Mahasiswa Menggunakan Teknik Data
Mining Dengan Metode Clustering,” J. Ilm.
MATRIK, vol. 17, no. 1, pp. 67–76, 2015.
[10] F. Marisa, “Educational Data Mining (Konsep dan
Penerapan),” J. Teknol. Inf., vol. 4, no. 2, pp. 91–93,
2013.
[11] M. A. Hasanah, S. Soim, and A. S. Handayani,
“Implementasi CRISP-DM Model Menggunakan
Metode Decision Tree dengan Algoritma CART
untuk Prediksi Curah Hujan Berpotensi Banjir,” J.
Appl. Informatics Comput., vol. 5, no. 2, pp. 103–
108, 2021, doi: 10.30871/jaic.v5i2.3200.
JURNAL REALTECH Vol. xx, No. xx, (20xx) ISSN: xxxxx 1
0
JURNAL REALTECH Vol. xx, No. xx, (20xx) ISSN: xxxxx 1
1