KLASIFIKASI GAYA BELAJAR PADA MAHASISWA MENGGUNAKAN METODE ALGORITMA C4.5

  • Suherman Suherman Universitas Serang Raya
  • Marlia Purnamasari Universitas Serang Raya
  • Arif Rahmatullah Universitas Serang Raya
  • Sunny Samsuni Universitas Serang Raya
  • Ahmad Kautsar Universitas Serang Raya
DOI: https://doi.org/10.31000/jika.v8i1.10306

Abstract

Gaya belajar adalah cara individu untuk menyerap informasi. Dalam perguruan tinggi banyak kegiatan yang dibutuhkannya kemampuan dalam menyerap informasi seperti ketika dosen memberikan materi, sehingga gaya belajar perlu diperhatikan. Dalam penyampaian informai yang diberikan oleh dosen ditemukannya permasalahan dan kebutuhan terkait hal tersebut, yaitu belum tersedianya penentuan klasifikasi gaya belajar pada mahasiswa. Yang mana sekarang ini dosen mengalami kesulitan dalam memberikan penilaian pencapaian kemampuan terhadap mahasiswa berdasarkan kriteria dari gaya belajar dan mengklasifikasikannya, dan  juga untuk  meningkatkan kualitas metode pembelajaran. Adapun saran  yang diberikan untuk tercapainya  tujuan dan  mengatasi permasalahan tersebut yaitu dirancangnya  klasifikasi  gaya belajar pada mahasiswa dan pengolahan data yang dilakukan menggunakan komputer. Penelitian ini menggunakan metode Algoritma C4.5. Algoritma C4.5 termasuk dalam klasifikasi berbasis Decision Tree, yang mana algoritma C4.5 merupakan metode yang dapat menangani fitur dengan tipe numerik. Hasil dari penelitian ini yaitu klasifikasi dengan mengimplementasikan Algoritma C4.5 yang dapat mengetahui kemampuan gaya belajar pada mahasiswa, berdasarkan kriteria yang sudah ditetapkan, sehingga klasifikasi ini dapat semakin mudah, efektif, dan efisien. Manfaat dari hasil klasifikasi ini dapat membantu dosen mengetahui gaya belajar pada mahasiswa untuk dijadikan pertimbangan penilaian dan metode pembelajaran di kelas.

References

DePoter, Bobbi, M. H. (2013). Quantum Learning: Membiasakan Belajar Nyaman dan Menyenangkan. kaifa PT. Mizan Pustaka.

Febriani, D., & Wahyusari, R. (2021). ( Studi Kasus : SMA N 2 Cepu ). 15(2).

Herdiansah, A., Sugiyani, Y., Fitriawati, N., & Cholid, H. N. (2023). Sistem Informasi Akademik Penilaian Hasil Kegiatan Belajar Mengajar Sekolah Menengah Pertama. JIKA (Jurnal Informatika), 7(3), 364–370. https://doi.org/10.31000/jika.v7i3.8838

Mata, P., Matematika, P., Azhari, D. Z., Damanik, I. S., & Suhendro, D. (2022). Penerapan Algoritma C4 . 5 Untuk Klasifikasi Tingkat Pemahaman Siswa. 1(1), 11–20.

Munandar, T. A. (2019). Bahan Ajar Data Mining Dengan R Edisi Revisi 3.

Mustofa, H., Prasetyo, I. A., Supriadi, S., Prasetyo, R. H., Yasri, M., & . F. (2021). Metode Decision Tree Dalam Pemilihan Gaya Belajar Pada Siswa Sekolah Dasar. SAINTEK : Jurnal Ilmiah Sains Dan Teknologi Industri, 5(1), 21–29. https://doi.org/10.32524/saintek.v5i1.248

Nicholas Reinaldo, R., & Dwiasnati, S. (2023). Prediction of Customer Data Classification by Company Category Using Decision Tree Algorithm (Case Study: PT. Teknik Kreasi Solusindo). International Journal of Advanced Multidisciplinary, 2(2), 229–238. https://doi.org/10.38035/ijam.v2i2.285

OSCARIO, JASMIR, & YUDI. (2019). Penerapan Algoritma C4.5 untuk Mempredikasi Kecocokan Gaya Belajar Bagi Siswa Siswi Sekolah Dasar (Studi Kasus: SD SARIPUTRA Algoritma C4.5 Untuk Memprediksi Kecocokan Gaya Belajar Bagi Siswa Siswi Sekolah Dasar (Studi Kasus : SD Sariputra Jambi). Jurnal Processor, 14(2), 141–152. https://doi.org/10.33998/processor.2019.14.2.637

Prashig, B. (2007). The Power of Learning Styles: Memacu Anak Melejitkan Prestasi dengan Mengenali Gaya Belajarnya. Miza.

Pratama, R. A., Kartika, K. P., & Chulkamdi. M. Taufik. (2022). Penerapan Algoritma C4 . 5 Untuk Mengukur Kelayakan Media Transmisi Pembelajaran di TK. Lukmanul Hakim. September, 3448–3462.

Priyanti, E. (2023). Penerapan Decision Tree Pada Penentuan Waralaba. Swabumi, 11(1), 8–12. https://doi.org/10.31294/swabumi.v11i1.13911

Rahman, S. R., & . F. (2019). Identifikasi Gaya Belajar Mahasiswa Pendidikan Biologi Universitas Sulawesi Barat. Jambura Edu Biosfer Journal, 1(1), 1. https://doi.org/10.34312/jebj.v1i1.2040

Ramadandi, S., & Jahring, J. (2020). Student Learning Style Classification Using Naïve Bayes Classifier Method. Jurnal Teknologi Dan Informasi, 10(2), 170–179. https://doi.org/10.34010/jati.v10i2.3096

Rika, F., Pradini, R. S., & Rikatsih, N. (2023). Perancangan Prototipe Sistem Informasi Sekolah pada MTS Darul Manja. JIKA (Jurnal Informatika), 7(4), 423–430. https://doi.org/10.31000/jika.v7i4.8941

Rizki, N. A., Mumtaza, M., Dewi, C. F., Syahlafandi, D., Fendiyanto, P., Studi, P., Matematika, P., Mulawarman, U., & Timur, K. (2023). Implementasi Pohon Keputusan untuk Klasifikasi Cara Belajar Mahasiswa Mandiri dan Berkelompok Berdasarkan Sumber Belajarnya. 3, 101–106.

Sari, D. N., Oktavianto, H., & Saifudin, I. (2022). Penerapan Data Mining Untuk Klasifikasi Gaya Belajar Siswa Menggunakan Algoritma C4.5 Application Of Data Mining For Student Learning Style Classification Using C4.5 Algorithm. Jurnal Smart Teknologi, 3(4), 2774–1702. http://jurnal.unmuhjember.ac.id/index.php/JST

Setio, P.B.N., D.R.S., & Winarno, B. (2020). Klasifikasi dengan Pohon Keputusan Berbasis Algoritme C4.5. PRISMA, Prosiding Seminar NAsional Matematika 3, 64–71.

Sudriyanto, Listrianti, F., & Jamal. (2022). Jurnal Kecerdasan Buatan , Komputasi dan Teknologi Informasi Implementasi Algoritma C4 . 5 Untuk Memprediksi Kesesuaian Gaya Belajar Siswa Sekolah Dasar. 3(2), 65–72.

Yulia, D., Pandu Kusuma, A., & Fanny Hebrasianto Permadi, D. (2022). Penerapan Algoritma C4.5 Untuk Prediksi Minat Penjurusan Siswa Di Smkn 1 Kademangan. JATI (Jurnal Mahasiswa Teknik Informatika), 6(2), 893–900. https://doi.org/10.36040/jati.v6i2.5781

Published
2024-01-27
Issue
Vol. 8 No. 1 (2024): JIKA (Jurnal Informatika)
Section
Articles

Copyright (c) 2024 JIKA (Jurnal Informatika)

Creative Commons License

This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.

License and Copyright Agreement

In submitting the manuscript to the journal, the authors certify that:

  • They are authorized by their co-authors to enter into these arrangements.
  • That it is not under consideration for publication elsewhere,
  • That its publication has been approved by all the author(s) and by the responsible authorities – tacitly or explicitly – of the institutes where the work has been carried out.
  • They secure the right to reproduce any material that has already been published or copyrighted elsewhere.
  • They agree to the following license and copyright agreement.

Copyright

Authors who publish with International Journal of Advances in Intelligent Informatics agree to the following terms:

  1. Authors retain copyright and grant the journal right of first publication with the work simultaneously licensed under a Creative Commons Attribution License (CC BY-SA 4.0) that allows others to share the work with an acknowledgment of the work's authorship and initial publication in this journal. 
  2. Authors are able to enter into separate, additional contractual arrangements for the non-exclusive distribution of the journal's published version of the work (e.g., post it to an institutional repository or publish it in a book), with an acknowledgment of its initial publication in this journal.
  3. Authors are permitted and encouraged to post their work online (e.g., in institutional repositories or on their website) prior to and during the submission process, as it can lead to productive exchanges, as well as earlier and greater citation of published work.

Licensing for Data Publication

International Journal of Advances in Intelligent Informatics use a variety of waivers and licenses, that are specifically designed for and appropriate for the treatment of data:

Other data publishing licenses may be allowed as exceptions (subject to approval by the editor on a case-by-case basis) and should be justified with a written statement from the author, which will be published with the article.

Open Data and Software Publishing and Sharing

The journal strives to maximize the replicability of the research published in it. Authors are thus required to share all data, code or protocols underlying the research reported in their articles. Exceptions are permitted but have to be justified in a written public statement accompanying the article.

Datasets and software should be deposited and permanently archived inappropriate, trusted, general, or domain-specific repositories (please consult http://service.re3data.org and/or software repositories such as GitHub, GitLab, Bioinformatics.org, or equivalent). The associated persistent identifiers (e.g. DOI, or others) of the dataset(s) must be included in the data or software resources section of the article. Reference(s) to datasets and software should also be included in the reference list of the article with DOIs (where available). Where no domain-specific data repository exists, authors should deposit their datasets in a general repository such as ZENODO, Dryad, Dataverse, or others.

Small data may also be published as data files or packages supplementary to a research article, however, the authors should prefer in all cases a deposition in data repositories.