Perbandingan Metode Klasifikasi Data Mining Untuk Mengukur Tingkat Kepuasan Mahasiswa Terhadap Sistem Informasi Penilaian Nonakademik UNESA (SIPENA)

Comparison Of Data Mining Classification Methods To Measure The Level Of Student Satisfaction With The Unesa Non-Academic Assessment Information System (SIPENA)

Abstract

Sistem Informasi Penilaian NonAkademik UNESA (SIPENA) adalah suatu sistem yang didesain untuk sarana atau fasilitas yang mendukung dalam proses penilaian nonakademik mahasiswa. Dalam upaya mengoptimalkan kepuasan mahasiswa terhadap SIPENA, dibutuhkan sebuah model dengan menggunakan metode dari machine learning dengan membandingkan algoritma terbaik untuk klasifikasi data kepuasan mahasiswa pengguna SIPENA. Pada penelitian ini, peneliti membuat dan menyebarkan kuesioner kepuasan pengguna kepada mahasiswa Universitas Negeri Surabaya berdasar dengan variabel dan indikator yang dibutuhkan yaitu, kualitas sistem, kualitas informasi, kegunaan yang dirasakan dan kepuasan pengguna itu sendiri. Hasil dari kuesioner tersebut diolah dengan perangkat lunak SPSS untuk uji validitas dan reliabilitas. Setelah didapatkan hasil yang valid dan reliabel peneliti melanjutkan mengolah dataset kepuasan pengguna SIPENA pada tools Jupyter Notebook dengan library PyCaret untuk dilakukan klasifikasi dan perbandingan.Hasil penelitian ini menunjukkan bahwa dari 16 model algoritma klasifikasi pada library PyCaret yang dibandingan pada dataset kepuasan pengguna SIPENA, model dari algoritma Extra Trees Classifier adalah yang terbaik dengan nilai akurasi 0.9743, yang kedua adalah algoritma Logistic Regression dengan nilai akurasi 0.9714, dan yang ketiga adalah algoritma Random Forest Classifier dengan nilai akurasi 0.9657.