IMPLEMENTASI ALGORITMA NAÏVE BAYES, RANDOM FOREST, DAN C4.5 PADA GAME ONLINE UNTUK PENGKLASIFIKASIAN PRESTASI BELAJAR

IMPLEMENTASI ALGORITMA NAÏVE BAYES, RANDOM FOREST, DAN C4.5 PADA GAME ONLINE UNTUK PENGKLASIFIKASIAN PRESTASI BELAJAR

• By Basri, Hasan;
• Tesis
• 609

Game online merupakan game yang sedang  booming dan diminati mulai dari anak-anak, remaja, sampai orang dewasa. Game online dapat membuat rasa candu kepada orang yang memainkannya. Game online menjadi permasalahan baru bagi para pelajar, karena game online membuat konsentrasi belajar terganggu. Prestasi belajar dapat diukur dari nilai raport. Tantangan pada penelitian ini dapat dilakukan menggunakan metode klasifikasi untuk memprediksi prestasi belajar menggunakan algoritma klasifikasi yaitu Naïve Bayes, Random Forest, dan C4.5. Setelah dilakukan komparasi ketiga algoritma tersebut, maka didapatkan  hasil prediksi prestasi belajar. Terbukti bahwa algoritma naïve bayes memiliki nilai akurasi 69.18% dan nilai AUC sebesar ­0.771 termasuk kedalam fair clasification, untuk algoritma random forest memiliki akurasi 66.34% dan nilai AUC sebesar 0.738 termasuk kedalam fair clasification, sedangkan untuk algoritma C4.5 memiliki akurasi 65.65% dan nilai AUC sebesar 0.686 termasuk kedalam poor clasification. Dari hasil tersebut dapat disimpulkan bahwa algoritma naïve bayes memiliki akurasi lebih tinggi dibandingkan dengan algoritma random forest dan C4.5, terlihat selisih akurasi antara naïve bayes dengan random forest sebesar 2,84%, sedangkan selisih antara naïve bayes dengan C4.5 sebesar 3,53%. Dengan demikian algoritma naïve bayes dapat memprediksi prestasi belajar siswa dengan lebih baik.

• Katakunci Game Online, Algoritma Naïve Bayes, Random Forest, C4.5
• URL http://
• Penerbit ,

REFERENSI

Adnyana, I. M. B. (2015). Prediksi Lama Studi Mahasiswa Dengan Metode Random Forest (Studi Kasus : STIKOM Bali). Csrid, 8, 201–208.

 

Afeni, B., Aruleba, T., & Oloyede, I. (2017). Hypertension Prediction System Using Naive Bayes Classifier. Journal of Advances in Mathematics and Computer Science, 24(2), 1–11. https://doi.org/10.9734/JAMCS/2017/35610

 

Amanda, R. A. (2016). Pengaruh Game Online terhadap Perubahan Perilaku Agresif Remaja di Samarinda. Journal Ilmu Komunikasi, 4(3), 290–305.

 

Amburika. (2016). Vector Space Model. Prosiding SNST Ke-7 Tahun 2016, 10–27. Retrieved from http://cogsys.imm.dtu.dk/thor/projects/multimedia/textmining/node5.html

 

Andriani, A. (2013). Sistem Pendukung Keputusan Berbasis Decision Tree Dalam Pemberian Beasiswa Studi Kasus : Amik “ Bsi Yogyakarta .” Seminar Nasional Teknologi Informasi Dan Komunikasi 2013 (SENTIKA 2013), 2013(Sentika), 163–168.

 

Basri, H., & Indrajit, R. E. (2017). Implementasi Information Retrivals Untuk Meningkatkan Pemasaran Produk. PILAR, 13(2), 249–254.

 

Beydha, I. (2015). Game Online dan Prestasi Belajar, 1–10.

 

Brown, M. S. (2014). Data Mining For Dummies 1st Edition True PDF {PRG}.pdf. Jhon Willey & Sonc Inc.

 

Dong, L., Li, X., & Xie, G. (2014). Nonlinear methodologies for identifying seismic event and nuclear explosion using random forest, support vector machine, and naive bayes classification. Hindawi, 2014, 2–8. https://doi.org/10.1155/2014/459137

 

Effendy, V., & Baizal, Z. K. a. (2014). Handling imbalanced data in customer churn prediction using combined sampling and weighted random forest. 2014 2nd International Conference on Information and Communication Technology (ICoICT), 325–330. https://doi.org/10.1109/ICoICT.2014.6914086

Han, J., Kamber, M., & Jian, P. (2015). Data Mining : Concepts and Techniques Third Edition.

 

Husna, N., Normelani, E., & Adyatma, S. (2017). Hubungan Bermain Games dengan Motivasi Belajar Siswa Sekolah Menengah Pertama (SMP) di Kecamatan Banjarmasin Barat. JPG (Jurnal Pendidikan Geografi), 4(3), 1–14.

 

Jap, T., Tiatri, S., Jaya, E. S., & Suteja, M. S. (2013). The Development of Indonesian Online Game Addiction Questionnaire. PLOS ONE, 8(4), 4–8. https://doi.org/10.1371/journal.pone.0061098

 

Jenab, & Hudaya, A. (2015). Adiktif Game Online. Research and Development Journal Of Education, 2(1), 41–52.

Latubessy, A. (2016). Hubungan Antara Adiksi Game Terhadap Keaktifan Pembelajaran Anak Usia 9-11 Tahun. Jurnal SIMETRIS, 7(2), 687–692.

 

 

Lutfiyana, N. (2018). Penerapan Algoritma C4.5 Berbasis Particle Swarm Optmization Untuk Prediksi Hasil Layanan Kemudahan. PILAR, 14(1), 103–110.

Mardi, Y. (2017). Data Mining : Klasifikasi Menggunakan Algoritma C4 . 5. Jurnal Edik Informatika, 2(i2), 213–219.

Nasution, N., Djahara, K., & Zamsuri, A. (2015). Evaluasi Kinerja Akademik Mahasiswa Menggunakan Algoritma Naïve Bayes ( Studi Kasus : Fasilkom Unilak ). Jurnal Teknologi Informasi & Komunikasi Digital Zone, 6(2), 1–11.

Ni, M. P., & Marheni, A. (2015). Hubungan Kecanduan Game Online dengan Prestasi Belajar Siswa SMP Negeri 1 Kuta. Jurnal Psikologi Udayana, 2(2), 163–171.

Nugroho, Y. S., & Emiliyawati, N. (2017). Sistem Klasifikasi Variabel Tingkat Penerimaan Konsumen Terhadap Mobil Menggunakan Metode Random Forest. Jurnal Teknik Elektro, 9(1).

Nur, M. (2015). Pengaruh Keaktifan Berorganisasi, Bimbingan Orang Tua, Kedisiplinan Belajar terhadap Prestasi Belajar Mahasiswa Pendidikan Ekonomi Universitas Kanjuruhan Malang. Jurnal, 4–29.

Rahmadi, M. A., & Mustafidah, H. (2014). Sistem Inferensi Fuzzy untuk Mengetahui Pengaruh Motivasi Belajar dan Lingkungan Belajar terhadap Prestasi Belajar Mahasiswa. JUITA, III, 19–24.

Rahmawati, D., Mulyana, D., Karlinah, S., & Hadisiwi, P. (2018). The Cultural Charateristics Of Online Players In The Internet Cafes Of Jabodetabek, Indonesia. Journal of Theoretical and Applied Information Technology, 96(7), 1868–1883.

Salmu, S., & Solichin, A. (2017). Prediksi Tingkat Kelulusan Mahasiswa Tepat Waktu Menggunakan Naive Bayes : Studi Kasus UIN Syarif Hidayatullah Jakarta. Prosiding Seminar Nasional Multidisiplin Ilmu.

Sambodo, K. A., Rahayu, M. I., & Indriasari, N. (2014). Klasifikasi Hutan-Non Hutan Data Alos Palsar Menggunakan Metode Random Forest. Prosiding Seminar Nasional Penginderaan Jauh 2014, 120–127.

Septiani, W. D. (2017). Komparasi Metode Klasifikasi Data Mining Algoritma C4.5 Dan Naive Bayes Untuk Prediksi Penyakit Hepatitis. Pilar Nusa Mandiri, 13(1), 76–84.

 

Services, E. E. (2015). Data Science & Big Data Analytics. 14 August 2015. Retrieved from https://onlinelibrary.wiley.com/doi/book/10.1002/9781119183686

 

Setiaji, S., & Viirlia, S. (2016). Hubungan Kecanduan Game Online Dan Keterampilan Sosial Pada Pemain Game Dewasa. Jurnal Psikologi Psibernetika, 9(2), 93–101.

Soepomo, P. (2014). Penerapan Data Mining untuk Klasifikasi Prediksi Penyakit ISPA ( Infeksi Saluran Pernapasan Akut ) dengan Algoritma Decision Tree ( ID3 ). Jurnal Sarjana Teknik Informatika, 2(1), 831–839.

Syahran, R. (2015). Ketergantungan Game Online dan Penanganannya. Jurnal Psikologi Pendidikan & Konseling, 1, 84–92.

Syarif, A. R., & Gata, W. (2017). Intrusion Detection System Using Hybrid Binary Pso and K-Nearest Neighborhood Algorithm. International Conference on Information & Communication Technology and System (ICTS), 181–186.

Syarli, & Muin, A. A. (2016). Metode Naive Bayes Untuk Prediksi Kelulusan ( Studi Kasus : Data Mahasiswa Baru Perguruan Tinggi ). Jurnal Ilmiah Ilmu Komputer, 2(1), 1–5.

Tresnawati, I., Susilowati, E., Warehouse, D., & Schema, S. (2014). Implementasi Teknologi Olap Pada Sistem Pengolahan Data Penjualan. Tinf-014, (November), 1–7.

Utami, L. A. (2017). Melalui Komparasi Algoritma Support Vector Machine Dan K-Nearest Neighbor Berbasis Particle Swarm Optimization. Pilar Nusa Mandiri, 13(1), 103–112.

Widayu, H., Darma, S., Silalahi, N., & Mesran. (2017). Data Mining Untuk Memprediksi Jenis Transaksi Nasabah Pada Koperasi Simpan Pinjam Dengan Algoritma C4.5. Issn 2548-8368, Vol 1, No(June), 7.

Yeh, D.-Y., & Cheng, C.-H. (2016). Relationships among Taiwanese children’s computer game use, academic achievement and parental governing approach. Research in Education, 95(1), 44–60. https://doi.org/10.7227/RIE.0025