Pemilihan Atribut Evaluasi Kondisi Perkuliahan yang Berpengaruh Terhadap Tingkat Kepuasan Mahasiswa dalam Mengikuti Mata Kuliah

Authors

  • Ning Ratwastuti Prodi Manajemen Informatika, Politeknik Astra
  • Shindy Arti Prodi Manajemen Informatika, Politeknik Astra
  • Kristina Hutajulu Prodi Manajemen Informatika, Politeknik Astra

DOI:

https://doi.org/10.32832/educate.v7i2.7579

Keywords:

evaluasi kondisi perkuliahan, tingkat kepuasan mahasiswa, seleksi atribut, clustering, klasifikasi

Abstract

Tingkat kepuasan mahasiswa terhadap suatu mata kuliah ditentukan oleh banyak faktor, salah satunya adalah kondisi perkuliahan. Evaluasi kondisi perkuliahan dapat dilakukan dengan mahasiswa sebagai responden. Pada penelitian ini, digunakan dataset evaluasi mata kuliah oleh 5280 mahasiswa Gazi University. Dataset terdiri dari 28 pernyataan atas kuesioner tentang evaluasi kondisi perkuliahan dan tingkat kepuasan mahasiswa terhadap mata kuliah. Tujuan penelitian ini adalah untuk menentukan atribut masukan evaluasi kondisi perkuliahan yang berpengaruh signifikan terhadap tingkat kepuasan mahasiswa dalam mengikuti mata kuliah, dengan proses clustering, seleksi atribut, dan klasifikasi. Evaluasi nilai akurasi, ROC, TP rate, dan FP rate menunjukkan bahwa klasifikasi dengan subset hasil seleksi atribut menghasilkan performa yang setara bahkan lebih baik dibandingkan klasifikasi dengan seluruh atribut. Subset atribut yang berasal dari seleksi atribut dengan metode Relief adalah subset terbaik, menghasilkan nilai akurasi 91.08%, nilai ROC 0.942, TP rate 0.911, serta FP rate 0.065. Dari 24 atribut evaluasi kondisi perkuliahan yang digunakan sebagai masukan, terdapat 14 atribut yang signifikan mempengaruhi tingkat kepuasan mahasiswa dalam mengikuti mata kuliah.

References

Ahmadi, H. A., & Supriyono, W. (2003). Psikologi Belajar.

Gündüz, N., & Fokoué, E. (2013). Data Mining and Machine Learning Techniques for Extracting Patterns in Students ' Evaluations of Instructors. Turkey - DATA MATRIX.

Hall, M. (2000). Correlation-based feature selection for discrete and numeric class machine learning. Proceedings of the. Seventeenth International Conference on Machine Learning.

Han, J., Kamber, M., & Pei, J. (2012). Data Mining: Concepts and Techniques. In Data Mining: Concepts and Techniques. https://doi.org/10.1016/C2009-0-61819-5

Hidayah, I., Permanasari, A. E., & Ratwastuti, N. (2013). Student classification for academic performance prediction using neuro fuzzy in a conventional classroom. Proceedings - 2013 International Conference on Information Technology and Electrical Engineering: "Intelligent and Green Technologies for Sustainable Development”, ICITEE 2013. https://doi.org/10.1109/ICITEED.2013.6676242

Kira, K., & Rendell, L. A. (1992). A Practical Approach to Feature Selection. In Machine Learning Proceedings 1992. https://doi.org/10.1016/b978-1-55860-247-2.50037-1

Lasko, T. A., Bhagwat, J. G., Zou, K. H., & Ohno-Machado, L. (2005). The use of receiver operating characteristic curves in biomedical informatics. In Journal of Biomedical Informatics. https://doi.org/10.1016/j.jbi.2005.02.008

Quinlan, J. R. (1993). J. Ross Quinlan_C4.5_ Programs for Machine Learning.pdf. In Morgan Kaufmann.

Ramaswami, M., & Bhaskaran, R. (2009). A Study on Feature Selection Techniques in Educational Data Mining. 1(1), 7–11. http://arxiv.org/abs/0912.3924

Romero, C., & Ventura, S. (2008). Data Mining in E-Learning Editors.

Stith, J. S., Butterfield, W. H., Strube, M. J., Deusinger, S. S., & Gillespie, D. F. (1998). Personal, interpersonal, and organizational influences on student satisfaction with clinical education. Physical Therapy, 78(6), 635–645. https://doi.org/10.1093/ptj/78.6.635

Sukmadinata, N. S. (2007). Landasan Psikologi Proses Pendidikan, Penerbit PT. Remaja Rosdakarya, Bandung.

Witten, I. H., Frank, E., Hall, M. A., & Pal, C. J. (2016). Data Mining: Practical Machine Learning Tools and Techniques. In Data Mining: Practical Machine Learning Tools and Techniques. https://doi.org/10.1016/c2009-0-19715-5

Wongpun, S., & Srivihok, A. (2008). Comparison of attribute selection techniques and algorithms in classifying bad behaviors of vocational education students. 2008 2nd IEEE International Conference on Digital Ecosystems and Technologies, IEEE-DEST 2008. https://doi.org/10.1109/DEST.2008.4635213

Yadav, S. K., & Pal, S. (2012). Data Mining: A Prediction for Performance Improvement of Engineering Students using Classification. 2(2), 51–56. http://arxiv.org/abs/1203.3832

Downloads

Published

26-07-2022

How to Cite

Ratwastuti, N., Arti, S., & Hutajulu, K. (2022). Pemilihan Atribut Evaluasi Kondisi Perkuliahan yang Berpengaruh Terhadap Tingkat Kepuasan Mahasiswa dalam Mengikuti Mata Kuliah. Educate : Jurnal Teknologi Pendidikan, 7(2), 270–280. https://doi.org/10.32832/educate.v7i2.7579

Issue

Vol. 7 No. 2 (2022)

Section

Artikel

License

Authors grant the journal copyright of the work licensed under CC-BY-SA or The Creative Commons Attribution–ShareAlike License that allows others to share the work with an acknowledgement of the work's authorship and initial publication in this journal. Penulis memberikan hak cipta karyanya kepada jurnal yang dilisensikan dengan CC-BY-SA or The Creative Commons Attribution–ShareAlike License yang memungkinkan orang lain untuk menggunakan karya dengan pengakuan kepengarangan karya dan publikasi awal dalam jurnal ini.