Implementasi Algoritma C4.5 Untuk Memprediksi Kesesuaian Gaya Belajar Siswa Sekolah Dasar

Abstract

Data Mining adalah proses mengekstraksi dan menemukan pola dalam kumpulan data besar yang melibatkan metode dalam proses pembelajaran mesin, statistik, dan sistem basis data. SD Negeri Sidodadi Paiton merupakan sekolah dasar yang terletak di desa Sidodadi kecamatan paiton. Pada proses pembelajaran di SD Negeri Sidodadi, masih banyak murid yang tidak fokus dan tidak memiliki kemauan untuk belajar, kemungkinan terbesar adalah ketidak cocokan gaya belajar dan metode belajar guru tersebut. Oleh karenanya, penulis melakukan analisis data mining terhadap data murid dan kepribadiannya agar data tersebut dapat berubah menjadi informasi yang bermanfaat bagi lembaga. Informasi ini bisa membantu untuk meningkatkan proses belajar mengajar di SD Negeri Sidodadi Paiton. Penulis menggunakan hasil data quisioner terhadap siswa kelas 4, 5 dan 6 sebanyak 165 data siswa-siswi yang telah penulis sajikan. Dalam proses analisis ini, penulis menggunakan tools Rapiminer Studio. Metode yang digunakan decision tree dengan algoritma C4.5. Hasil prediksi menggunakan algoritma decision tree C4.5 dengan hasil 8 rules. Persentasi hasil akurasi decision tree dengan menggunakan menggunakan 10 Fold Cross Validation membuktikan bahwa tingkat akurasinya sebesar 81.18%. dengan nilai class precission untuk prediksi kinestetik sebesar 85.43%, prediksi visual sebesar 33.33%, dan prediksi auditorial sebesar 0.00%, hasil 5 Fold Cross Validation akurasinya sebesar 82.27%. dengan nilai class precission untuk prediksi kinestetik sebesar 86.09%, prediksi visual sebesar 41.67%, dan prediksi auditorial sebesar 0.00%. Dari hasil perbandingan membuktikan implementasi dengan model 5 Fold Cross Validation lebih baik.

Optimizing the 2024 Governor Election Quick Count with Extreme Gradient Boosting (XGBoost) to Increase Voting Prediction Accuracy

“…Furthermore, Efrizoni et al ( 2022) compared feature extraction methods in multilabel text classification using machine learning algorithms, offering valuable insights into the application of machine learning in diverse classification tasks [42]. In contrast, the study by Sudriyanto et al (2022) implemented the C4.5 algorithm for predicting the suitability of elementary school students' learning styles [42], demonstrating the applicability of machine learning in educational contexts [43]. Moreover, Putra et al ( 2022) explored the impact of feature selection using Particle Swarm Optimization on sentiment analysis [45], providing insights into the optimization techniques that can be relevant for improving the accuracy of Quick Count predictions [45].…”