Perbandingan Metode Random Forest dan Naive Bayes pada Klasifikasi Perilaku Mahasiswa di LMS SPADA Indonesia = Comparison of Random Forest and Naive Bayes Methods in Student Behavior Classification at LMS SPADA Indonesia

Latar Belakang. Educational Data Mining (EDM) merupakan aturan yang digunakan untuk mengembangkan metode untuk mendapatkan informasi yang berguna dari dataset Pendidikan dan dapat dijadikan sebagai solusi untuk dunia pendidikan. Penelitian ini akan mengklasifikasikan data yang berasal dari Learning Management System (LMS) di Sistem Pembelajaran dalam jaringan (SPADA) Indonesia menggunakan metode Random Forest dan Naive Bayes. Random Forest dan Naive bayes merupakan salah satu metode pembelajaran terawasi pada Data Mining yang dapat melakukan klasifikasi baik pada sektor pemasaran, komunikasi, asuransi, manufaktur, bahkan pada sektor Pendidikan juga banyak dilakukan. Atribut yang digunakan dalam penelitian ini terdiri dari 7 variabel, terdapat 6 variabel atribut dan 1 variabel kelas dengan Status (Intuitive atau Sensing). Tujuan. Penelitian ini bertujuan Mendapatkan akurasi prediksi klasifikasi menggunakan metode Random Forest, dan mendapatkan akurasi prediksi klasifikasi menggunakan metode Naive Bayes. Metode. Penelitian ini dibagi dua tahap umum, yakni 1) Pemodelan Random Forest; 2) Pemodelan Naive Bayes. Hasil. Sebanyak 109.807 data mahasiswa yang mengikuti LMS SPADA Indonesia. Pada penelitian ini menggunakan proporsi data latih 80% yaitu 87.845 data dan 20% data latih yaitu 21.962 data. Model Random Forest memperoleh nilai bootstrap dan Tree Optimal sebesar 200 pohon klasifikasi dan 2 pemilihan variabel acak dengan nilai Error terkecil yaitu 13,24%. Kinerja klasifikasi memperoleh tingkat akurasi klasifikasi model sebesar 95%. Model Naive Bayes menggunakan nilai mean dan standar deviasi untuk menentukan nilai densitas gaussian setiap kelas. Kinerja klasifikasi memperoleh tingkat akurasi klasifikasi model sebesar 93%, Kesimpulan. Klasifikasi model Random Forest memperoleh nilai Out of Bagging Error terkecil yaitu 13,27%, yang optimal pada 200 pohon klasifikasi dan 2 pemilihan variabel acak. Kinerja klasifikasi memperoleh tingkat akurasi sebesar 95%. Metode Naive Bayes mampu mengklasifikasikan data berdasarkan nilai probabilitas pada data diskrit dan pendekatan Gaussian pada data kontinu. Model terbaik diperoleh dengan nilai akurasi sebesar 93%.

Keyword : Klasifikasi, Random Forest, Naive Bayes, LMS SPADA Indonesia