Analisis Kinerja Support Vector Machine dan Naïve Bayes Classifier Pada Data Komentar Kualitas Mengajar Dosen (Studi Kasus: Pendidikan Teknologi Informasi Universitas Brawijaya)

Abstrak

Pendidikan diwujudkan dengan suasana belajar dan proses pebelajaran yang baik. Pada perguruan tinggi, dosen memiliki perang penting dalam menciptakan suasana belajar yang menarik, dan dapat meningkatkan minat mahasiswa dalam proses pembelajaran. Evaluasi kinerja dosen perlu dilakukan untuk mengetahui lebih lanjut tentang opini mahasiswa mengenai kualitas mengajar dosen. Perlu dilakukan penelitian analisis kinerja  metode Support Vector Machine (SVM) dan Naïve Bayes Classifier (NBC), yang bertujuan dalam mengklasifikasikan komentar mahasiswa terhadap kualitas pengajaran dosen. Penggunaan dua metode ini, peneliti akan mengetahui mana metode yang memiliki kefektifan dalam memprediksi komentar mahasiswa terhadap kualitas mengajar dosen. Data yang digunakan pada penelitian adalah saran mahasiswa dari semester ganjil tahun 2022 dan 2023 dengan total 396 saran. Hasil perbandingan data training dan testing yang dilakukan 4 kali menunjukkan bahwa metode Support Vector Machine memilki akurasi rata – rata 87.08% lebih tinggi dibandingkan dengan metode Naïve Bayes Classifier yang memilki akurasi rata – rata 83.78%. Setelah dilakukan evaluasi menggunakan confusion matrix metode Support Vector Machine memiliki keunggulan dalam Accuracy 86,25%, Recall 86.25%, F1-Score 85.41%. Sebaliknya, Naïve Bayes Classifier hanya memilki keunggulan dalam Precision 86.57%. Kesimpulan dari penelitian ini adalah metode Support Vector Machine memilki keunggulan dalam melakukan prediksi komentar mahasiswa terhadap kualitas mengajar dosen dibandingkan dengan metode Naïve Bayes Classifier.