Prediksi Tingkat Pemahaman Siswa Dalam Materi Pelajaran Bahasa Indonesia Menggunakan Naive Bayes Dengan Seleksi Fitur Information Gain
Kata Kunci:
klasifikasi, naive bayes, seleksi fitur, information gain, pemahaman, bahasa Indonesia.Abstrak
Mata pelajaran Bahasa Indonesia secara umum dianggap sebagai pelajaran yang mudah dan tidak perlu dipelajari secara serius oleh kebanyakan siswa dan masyarakat. Berdasarkan hal tersebut, muncul berbagai masalah pembelajaran yang melibatkan pengajar, mata pelajaran Bahasa Indonesia, siswa yang menerima pelajaran, metode mengajar, sarana-prasarana, cara mengevaluasi, serta tujuan pelajaran Bahasa Indonesia (Moeljono, 1989). Kemampuan setiap siswa dalam memahami pelajaran tersebut berbeda-beda. Hal ini menyebabkan pengajar memiliki keterbatasan untuk mengukur tingkat pemahaman siswa. Maka diperlukan sistem untuk untuk memprediksi tingkat pemahaman siswa. Prediksi ini menggunakan metode klasifikasi dengan algoritme Naive Bayes. Kelas yang akan digunakan pada penelitian ini diantaranya siswa sangat paham, cukup paham dan kurang paham. Pada penelitian ini penulis menggunakan seleksi fitur Information Gain (IG). Fitur yang terpilih akan diproses dengan algoritme klasifikasi naive bayes kemudian dilihat akurasinya jika belum maksimal maka dilakukan kembali proses seleksi fitur tadi hingga mendapatkan akurasi yang diinginkan. Dari pengujian yang sudah dilakukan, didapatkan hasil bahwa fitur yang memiliki nilai Gain lebih dari 0.2 memiliki akurasi terbesar yaitu mencapai 90%. Fitur yang terpilih dari 17 fitur yaitu diantaranya fitur jumlah anggota keluarga, status tempat tinggal, pekerjaan ibu, pengasuh, dukungan keluarga, ikut ekstrakurikuler, mengulang pelajaran di rumah, lama belajar di rumah, jenis bacaan di rumah, lama membaca di rumah.