Mengukur Tingkat Kepuasan Mahasiswa Terhadap E-Lea
Mengukur Tingkat Kepuasan Mahasiswa Terhadap E-Lea
ABSTRAK
Kegiatan belajar mengajar yang bisanya dilaksanakan dengan tatap muka secara langsung,
pada era Pandemi Covid-19 ini harus dilakukan dengan daring menggunakan e-learning. Dengan
tercapainya kepuasan mahasiswa Universitas Semarang dalam menggunakan suatu e-learning,
merupakan salah satu faktor untuk menentukan e-learning Universitas Semarang tercapai sesuai
harapan, karena pelayanan terhadap mahasiswa merupakan peranan penting kelangsungan suatu
institusi pendidikan. Penelitian ini bertujuan untuk menerapkan data mining menggunakan metode
naïve bayes, untuk mengukur kepuasan mahasiswa terhadap layanan e-learning pada Universitas
Semarang, sebagai bahan pertimbangan dalam pengambilan keputusan dan mengembangkan e-
learning, yang dapat membantu masyarakat perguruan tinggi dalam menggambil kebijakan yang
berhubungan dengan peningkatan kualitas pelayanan akademis. Naïve Bayes merupakan teknik
prediksi berbasis probabilistik sederhana yang berdasar pada penerapan teorema atau aturan bayes
dengan asumsi independensi yang kuat. Indikator penilaian yang digunakan adalah kemudahan akses,
kelengkapan menu, kecepatan respon CS, keamanan aplikasi dan kualitas layanan video. Hasil
pengujian menunjukkan bahwa klasifikasi kepuasan pengguna menggunakan metode Naïve Bayes
untuk pengujian pertama dengan full data training mendapatkan nilai akurasi sebesar 95%, pengujian
kedua dengan cross-validation mendapatkan nilai akurasi sebesar 91%, pengujian ketiga dengan data
training 80% dan data testing 20% mendapatkan nilai akurasi 92% selanjutnya pengujian keempat
dengan 60% data training dan 40% data testing mendapatkan nilai akurasi 90%.
Kata kunci: klasifikasi, kepuasan, e-learning, naïve bayes
ABSTRACT
Teaching and learning activities which are usually carried out directly in the class by this era
of COVID-19 Pandemic must be carried out online using e-learning. With the achievement of student
satisfaction at the University of Semarang in using e-learning, is one of the factors to determine the
e-learning of the University of Semarang is achieved as expected, because service to students is an
important role in the continuity of an educational institution. This study aims to apply data mining
using the naïve bayes method, to measure student satisfaction with e-learning services at the
University of Semarang, as a consideration in making decisions and developing e-learning that can
assist the college community in making policies related to improving the quality of academic services.
Naïve Bayes is a simple probabilistic-based prediction technique based on the application of Bayes'
theorem or rules with a strong assumption of independence. The assessment indicators used are ease
of access, menu completeness, CS response speed, application security and video service quality. The
test results show that the classification of user satisfaction using the Naïve Bayes method for the first
1
Diterima Redaksi : 24-08-2022 | Selesai Revisi : 09-11-2022| Diterbitkan Online : 29-11-2022
Volume 17 Nomor 2 (2022) 1-7
E –Link P-ISSN 1858-2109 E-ISSN 2656-5676
Jurnal Teknik Elektro dan Informatika
test with full training data gets an accuracy value of 95%, the second test with cross-validation gets
an accuracy value of 91%, the third test with 80% training data and 20% testing data. get an accuracy
value of 92% then the fourth test with 60% training data and 40% testing data get an accuracy value
of 90%.
Keywords: classification, satisfaction, e-learning, naïve bayes
merupakan titik sentral pengelolaan
1. PENDAHULUAN
perguruan tinggi sebagai pelanggan utama.
Pandemi Covid-19 merupakan situasi Jika intitusi pendidikan memiliki kualitas
yang tidak diharapkan dan memaksa pelayanan yang baik, akan dengan sendirinya
kebijakan social distancing, atau (menjaga tercapai kepuasan oleh para mahasiswa.
jarak fisik) untuk meminimalisir persebaran
Berdasarkan uraian diatas, untuk
Covid-19. Kementrian Pendidikan dan
melakukan penelitian tentang kepuasan
Kebudayaan merespon dengan mengeluarkan
mahasiswa terhadap e-learning pada
kebijakan belajar dari rumah, melalui
Universitas Semarang dilakukan klasifikasi
pembelajaran daring, sistem pendidikan yang
menggunakan data mining dengan metode
ada saat ini harus siap melakukan lompatan
naïve bayes. Naive Bayes merupakan sebuah
untuk melakukan transformasi pembelajaran
pengklasifikasian probabilistik sederhana
daring bagi semua mahasiswa. E-learning
yang menghitung sekumpulan probabilitas
adalah proses pembelajaran jarak jauh yang
dengan menjumlahkan frekuensi dan
pelaksanaannya didukung oleh komputer dan
kombinasi nilai dari dataset yang diberikan.
teknologi internet, sehingga proses
Algoritma mengunakan teorema Bayes dan
pembelajaran dapat dilakukan setiap saat
mengasumsikan semua atribut independen
tanpa adanya pertemuan antara dosen dan
atau tidak saling ketergantungan yang
mahasiswa di ruang kelas[1].
diberikan oleh nilai pada variabel kelas.
Dalam pengelolaan e-learning Naïve Bayes merupakan metode paling
Universitas Semarang, pelayanan yang sederhana dari pengklasifikasian probabilitas,
terbaik selalu diberikan secara berkala, memiliki tingkat akurasi yang sangat tinggi
namun sampai saat ini masih sering muncul ketika diaplikasikan pada database dengan
keluhan terkait penggunaannya. Berdasarkan bigdata[4].
wawancara dengan mahasiswa pengguna e-
learning Universitas Semarang keluhan yang 2. METODE PENELITIAN
ditemukan berupa tampilan yang kurang user Pada bagian ini akan membahas
friendly, beberapa fitur yang kurang lengkap, mengenai jenis data, metode pengumpulan
respon Customer Service yang lambat, dan data yang digunakan, metode Naive Bayes,
kualitas video yang buruk, Maka untuk kerangka pemikiran, dan tahapan penelitian.
menjaga keberlangsungan e-learning
Universitas Semarang perlu melakukan 2.1. Jenis Data
banyak hal,diantaranya adalah dengan 1. Data Primer, yaitu data yang diperoleh
menjaga kualitas kinerja e-learning. Kualitas secara langsung dari objek penelitian, data
merupakan hal yang paling mendasar dari primer diperoleh dari kuesioner
kepuasan pengguna. Kepuasan pengguna mahasiswa Universitas Semarang[5].
adalah pemenuhan keinginan pengguna
2. Data Sekunder, yaitu data yang diperoleh
sehingga pengguna merasa puas terhadap
dari literature, buku referensi, maupun
suatu produk atau jasa[2]. Kualitas kepuasan
browsing internet.
pengguna dalam hal ini yaitu mahasiswa
terhadap penggunaan e-learning merupakan 2.1. Metode Pengumpulan Data
peranan penting untuk kelangsungan suatu Data yang digunakan untuk mengukur
institusi pendidikan[3]. Mahasiswa kepuasan penggunaan dalam penelitian
2
Diterima Redaksi : 24-08-2022 | Selesai Revisi : 09-11-2022| Diterbitkan Online : 29-11-2022
Volume 17 Nomor 2 (2022) 1-7
E –Link P-ISSN 1858-2109 E-ISSN 2656-5676
Jurnal Teknik Elektro dan Informatika
berupa penyebaran kuesioner. Dengan TP
Precision = 𝑇𝑃+𝐹𝑁 𝑥100%.....................(2.5)
menyebarkan kuesioner terhadap mahasiswa
TP
Universitas Semarang[6]. Setelah Recall= 𝑇𝑃+𝐹𝑃 𝑥100%............................(2.6)
mendapatkan data, penulis kemudian akan
mengolah dengan metode naïve bayes dan Keterangan:
mendapatkan hasil yang akurat saat TP : True Positive
melakukan analisis dalam kepuasan
pengguna terhadap e-learning Universitas TN : True Negative
Semarang. FP : False Positive
2.2. Metode Klasifikasi Naive Bayes FN : False Negative n
Teori keputusan Bayes (Naive Bayes) 2.3. Kerangka Pemikiran
adalah pendekatan statistik yang fundamental
dalam pengenalan pola (pattern Kerangka pemikiran merupakan garis
recognition)[7]. Pendekatan yang dimaksud besar dari langkah – langkah penelitian yang
untuk keputusan suatu klasifikasi memakai sedang dilakukan, kerangka pemikiran
probabilitas yang ditimbulkan dari suatu dijadikan acuan untuk melakukan tahap–
keputusan., yang ada dalam tingkat sederhana tahap yang sedang dilakukan dalam
dari nilai atribut[8]. penelitian.
3
Diterima Redaksi : 24-08-2022 | Selesai Revisi : 09-11-2022| Diterbitkan Online : 29-11-2022
1
Volume 17 Nomor 2 (2022) 1-7
E –Link P-ISSN 1858-2109 E-ISSN 2656-5676
Jurnal Teknik Elektro dan Informatika
2. Pembuatan kuesioner sesuai dengan Mudah (CM), Kurang
atribut yang sudah dikumpulkan. Mudah (KM), Tidak
Mudah (TM).
3. Proses data pertama yaitu dengan 2. Kelengkapan Sangat Lengkap (SL),
memisahkan data kuesioner yang sudah Menu Lengkap (L), Cukup
terkumpul ke dalam suatu file, lalu Lengkap (CL), Kurang
Lengkap (KL), Tidak
disimpan di Microsoft Excel 2016. Lengkap (TL).
4. Kemudian data yang sudah tersimpan 3. Kecepatan Sangat Cepat (SC), Cepat
Respon (C), Cukup Cepat (CC),
diubah ke dalam bentuk format .csv.
Kurang Cepat (KC), Tidak
5. Implementasi dengan Weka 3.8 Cepat (TC).
4. Keamanan Sangat Aman (SA), Aman
6. Buka aplikasi Weka 3.8, pilih tool Classify, aplikasi (A), Cukup Aman (CA),
dan pilih penggunaan metode yang akan Kurang Aman (KA),
digunakan. Penulis mengunakan metode Tidak Aman (TA).
Naïve Bayes dalam penelitian ini. 5. Kualitas Sangat Baik (SB), Baik
Layanan Video (B), Cukup Baik (CB),
7. Lakukan pengujian dengan berbagai Kurang Baik (KB), Tidak
variasi untuk mendapatkan hasil akurasi Baik (TB).
yang tinggi.
3.2. Data
8. Hasil akan didapatkan setelah melakukan
proses training dan proses testing dengan Data set pada penelitian ini teridiri dari
menggunakan metode naïve bayes, dan data responden mahasiswa Universitas
dilakukan evaluasi model confusion Semarang. Jumlah data yang dikumpulkan
matrix[10]. 130 berikut ini:
3.1.Penentuan Kriteria
Resp Kem Kelen Kec Kea Ku Klas
Dalam menentukan tingkat kepuasan onde udaha gkapa epata mana alit ifika
mahasiswa terhadapa e-learning, n n n n n as si
R1 CM CL C A CB Puas
perlunyamenggunakan atribut atau kriteria
dalam melihat dimensi kualitas suatu R2 CM CL CC CA CB Puas
sistem[11]. R3 SM SL C KA SB Puas
R4 SM L C A B Puas
Penelitian ini menggunakan 5 kriteria
R5 CM CL CC A CB Puas
penilaian, yaitu: kemudahan akses,
kelengkapan menu, kecepatan respon R6 CM L KC A TB Puas
Customer Service, keamanan aplikasi, dan R7 SM L CC SA KB Puas
kualitas layanan video. Alternatif yang R8 M L CC A KB Puas
digunakan pada penelitian adalah nama- R9 SM CL C SA KB Puas
nama mahasiswa yang menjawab pertanyaan R10 CM KL CC A TB Tidak
dari kuesioner. Berikut ini adalah kriteria Puas
dalam menentukan hasil berdasarkan ranking R11 M L C A B Puas
menggunakan metode klasifikasi naive bayes R: SM CL CC A SB Puas
berikut ini: R12 M L KC A CB Puas
7
Tabel 3.1 Tabel Kriteria R12 M L CC CA B Puas
8
No. Kriteria/Atribut Keterangan R12 SM L KC A KB Puas
1. Kemudahan Sangat Mudah (SM), 9
R13 M L CC A CB Puas
Akses Mudah (M), Cukup
0
4
Diterima Redaksi : 24-08-2022 | Selesai Revisi : 09-11-2022| Diterbitkan Online : 29-11-2022
Volume 17 Nomor 2 (2022) 1-7
E –Link P-ISSN 1858-2109 E-ISSN 2656-5676
Jurnal Teknik Elektro dan Informatika
3.4.Hasil Pengujian
Keterangan :
TO : Test Option
CV : Cross Validation
PS : Percentage Split
TPR : True Positive Rate
FPR : False Positive Rate
Pr : Precision
5
Diterima Redaksi : 24-08-2022 | Selesai Revisi : 09-11-2022| Diterbitkan Online : 29-11-2022
Volume 17 Nomor 2 (2022) 1-7
E –Link P-ISSN 1858-2109 E-ISSN 2656-5676
Jurnal Teknik Elektro dan Informatika
R : Recall data Puas yang salah diklasifikasikan
menjadi data Tidak Puas.
C : Class
2. Sebanyak lima data, Tidak Puas yang
A : Accuracy
benar diklasifikasikan menjadi data
P : Puas Tidak Puas, tujuh data Tidak Puas yang
TP : Tidak Puas salah diklasifikasikan menjadi data Puas.
8
Diterima Redaksi : 24-08-2022 | Selesai Revisi : 09-11-2022| Diterbitkan Online : 29-11-2022