PERHITUNGAN PENILAIAN MAHASISWA TERHADAP MENGAJAR DOSEN BERBASIS KASUS MENGGUNAKAN ALGORITMA BAYESIAN

Transkripsi

1 JURNAL DAI IN: - Vol. No. JUNI ERHITUNGAN ENILAIAN MAHAIWA TERHADA MENGAJAR DOEN BERBAI KAU MENGGUNAKAN ALGORITMA BAYEIAN Ern enwat TMIK AMIKOM Yogyakarta ern.s@amkom.ac.d ABTRAKI roses belaar mengaar pada perguruan tngg melbatkan mahasswa dan pengaar (dosen). Mahasswa dapat lebh termotvas dalam belaar dan mahasswa dapat melakukan hal-hal kreatf dan novatf karena ada rangsangan pemkran yang luas dar pengaar (dosen). engaar yang berwawasan luas dan mahasswa yang aktf maka akan menghaslkan output belaar mengaar yang berkualtas bak. engaar berhak memberkan penlaan terhadap mahasswa dengan memberkan nla akhr pada akhr semester dan sebalknya, mahasswa uga berhak memberkan penlaan terhadap dosen dengan memberkan penlaan terhadap beberapa varabel dalam mengaar. enentuan penlaan yang dperoleh dar mahasswa akan menghaslkan keputusan tentang kualtas mengaar dosen, tergolong sangat bak, bak, cukup atau sangat kurang. Maka dar tu, dengan menggunakan algortma bayesan dharapkan bsa menghaslkan keputusan kualtas mengaar dosen yang outputnya akan dperoleh dar pencocokan bass kasus yang pernah ada sebelumnya. Kata Kunc : bass kasus, penlaan, probabltas bayesan. ENDAHULUAN ada umumnya semua perguruan tngg sudah melakukan penlaan terhadap teknk mengaar dosen yang berdasarkan dar penlaan yang dberkan oleh mahasswa. Ada banyak cara yang dlakukan untuk penlaan dosen, bsa dengan menyebarkan angket atau questoner terhadap mahasswa bak secara off-lne ataupun on-lne. esua dengan perkembangan teknolog dalam bdang nformatkayang bsa dterapkan ke dalam berbaga bdang, semakn banyak model sstem yang bsa dgunakan untuk dmplementaskan ke dalam sstem berbass computer yang akan membantu pengguna agar dapat mengambl keputusan yang tepat. enggunaan algortma bayesan yang akan dterapkan pada data berbass kasus dengan menggunakan varabel untuk penlaan kualtas mengaar dosen dapat membantu pengguna dalam menentukan kualtas mengaar dosen dengan mendapatkan nla probabltas maksmum. Hal n bertuuan agar pengguna dapat menghemat waktu serta memanfaatkan teknolog model sstem yang dmplementaskan ke dalam system berbass komputer dalam membantu pengamblan keputusan yang akan bermanfaat dalam pemberan laporan kualtas mengaar dosen pada tap semester. Landasan Teor Algortma Bayesan classfcaton adalah pengklasfkasan statstk yang dapat dgunakan untuk mempredks probabltas keanggotaan suatu class. Algortma Bayesan classfcaton terbukt memlk akuras dan kecepatan yang tngg saat daplkaskan ke dalam database dengan data yang besar []. Dperkrakan bahwa ruang sampel memlk n class,,, n dar keadaan, dmana n, dan, dmana ( ) adalah probabltas dar keadan. Dberkan keadaan X yang ddefenskan pada, ka class probabltas kondsonal (X ), =,,,n, maka ddefenskan dengan menggunakan rumus Bayes pada persamaan () berkut n : X X () n X X X n X X

2 JURNAL DAI IN: - Vol. No. JUNI Dengan demkan rumus Bayes dapat dgunakan sebaga berkut dan tuuan menggunakan Bayes adalah untuk mengdentfkas label class nya. Kemudan solusnya adalah X f X max X,,, () Karena penyebut dar persamaan () adalah tetap, maka dapat dtulskan solusnya yatu X f X max X,,, () Untuk menghtung (X ), atrbut-atrbut dasumskan menad arbut bebas. Oleh karena tu, X X () Dmana x adalah th (=,,,) menunukkan X, X={x,x,x,x } dan selanutnya [5]. METODE ENELITIAN enuls menggunakan questoner dalam pengumpulan data, yang akan dgunakan sebaga data peneltan. Questoner ds oleh mahasswa. ertanyaan questoner berupa: A. Apakah dosen menguasa mater yang daarkan pada saat kulah berlangsung?. Kurang menguasa. Bak menguasa. ukup menguasa. angat menguasa B. Apakah dosen menyakan mater kulah secara berurutan sesua slab?. Kurang berurutan.bak berurutan. ukup berurutan. angat berurutan. Bagamana dspln dosen terhadap ketetapan waktu kulah?. Kurang tepat. Bak tepat. ukup tepat. angat tepat D. Apakah cara dosen mengaar dapat menngkatkan mnat belaar mahasswa?. Kurang menngkat. Bak menngkat. ukup menngkat. angat menngkat E. Apakah dosen menguasa kelas dengan bak?. Kurang menguasa. Bak menguasa. ukup menguasa. angat menguasa EMBAHAAN ada laporan urnal n, untuk penlaan yang dlakukan terhadap dosen memlk beberapa varabel penlaan yang berdasar dar questoner, yatu: A. enguasaan mater B. Relevans mater dengan referens yang dgunakan. Kedsplnan (kehadran dan penalan) D. Memberkan motvas dan menambah mnat belaar E. enguasaan kelas Untuk setap varabel penlaan memlk angka penlaan sebaga berkut: = kurang ; = cukup ; = bak ; = sangat Untuk hasl kualtas mengaar dosen (sebaga class) uga memlk angka penlaan yang sama sepert angka penlaan untuk varabel penalan dosen, yatu: = kurang ; = cukup ; = bak ; = sangat ebaga contoh bass kasus, terdapat data bass kasus sebaga berkut: Tabel. Data Bass Kasus VARIABEL lass : NO Kualtas KAU A B D E Mengaar Kurang ukup Bak Bak Kurang ukup 9

3 JURNAL DAI IN: - Vol. No. JUNI Bak Bak Kurang ukup angat Bak Bak Bak ukup Kurang Kurang Bak ukup Bak Bak Bak Bak ukup 5 Bak Kurang Kurang Kurang Bak ukup 6 angat angat Bak ukup Bak angat 7 angat angat Bak Kurang Kurang angat Kurang ukup angat angat angat Kurang 9 Bak Bak Bak Bak ukup Bak Kurang Bak Bak ukup ukup Bak Kurang angat angat angat Bak Bak Kurang ukup angat angat angat Kurang Kurang Kurang Kurang angat Bak Kurang angat Kurang angat angat Bak angat 5 Bak ukup Bak ukup Bak Bak 6 ukup Bak Bak Bak Bak Bak 7 Bak Kurang Kurang Kurang ukup Kurang ukup Kurang ukup ukup Bak ukup 9 Bak angat ukup ukup ukup Bak Bak angat Bak ukup Bak angat Dar tabel data bass kasus datas terdapat class yang terbentuk untuk hasl penlaan kualtas mengaar dosen, yatu : = Kurang = ukup = Bak = angat... Msal terdapat data baru yang berupa : X = ( A = Bak, B = Kurang, = Bak, D = ukup, E = Bak ) Maka penyelesaannya dengan menggunakan rumusan persamaan algortma bayesan adalah: Langkah Menghtung ( ), ( ), ( ), dan ( ) ( ) : Kurang ( ) : ukup ( ) : Bak ( ) : angat. Langkah Berdasar dar kasus X, menghtung (x ), (x ), (x ), (x ) =,,,,5. Dmana x : A = Bak x : B = Kurang x : = Bak x : D = ukup x 5 : E = Bak erhtungan berdasarkan kelompok class Kurang X X X.5.5

4 JURNAL DAI IN: - Vol. No. JUNI X erhtungan berdasarkan kelompok class ukup X X X X Langkah Menghtung X X,,,. Kualtas Mengaar = Kurang =.5 X.5 X X X =. Kualtas Mengaar = ukup =.5 X.5 X.5 X.5 X =.7. Kualtas Mengaar = Bak = X.5 X.65 X.5 X.75 =.9. Kualtas Mengaar = angat =.5 X.5 X X.5 X =.75 erhtungan berdasarkan kelompok class Bak X X X X erhtungan berdasarkan kelompok class angat X X X X Langkah erhtungan dan pemlhan nla yang terbesar dar (X )( ), =,,. Kualtas Mengaar = Kurang (X )( ) = X. =. Kualtas Mengaar = ukup (X )( ) =.7 X. =.. Kualtas Mengaar = Bak (X )( ) =.9 X. =.. Kualtas Mengaar = angat (X )( ) =.75 X. =.5 (X )( ) > (X )( ), (X )( ), dan (X )( ) Dar perhtungan dengan menggunakan rumus algortma bayesan dhaslkan bahwa dengan data kasus baru, yatu : X = ( A = Bak, B = Kurang, = Bak, D = ukup, E = Bak )

5 JURNAL DAI IN: - Vol. No. JUNI dhaslkan nla maksmum dar class : kualtas mengaar Bak dengan nla probabltas.. KEIMULAN Dar uraan urnal dapat dperoleh kesmpulan bahwa algortma bayesan bas dgunakan untuk menentukan keputusan dengan memberkan nla probabltas maksmum dar pencocokan pada data bass kasus. Dengan menggunakan varabel untuk penlaan terhadap mengaar dosen, algortma bayesan dapat memberkan keputusan yang akurat enuls menyarankan untuk pengembangan urnal n, akan menggunakan metode smlarty, agar pencocokan dar kasus baru terhadap kasus yang lama lebh vald dalam nla kemrpan data bass kasus nya. enwat, Ern, Ferry W.W,, omparson of Nutrtonal tatus Data alculaton Between K-Nearest Neghbour and Bayesan Algorthms, roceedng Vol.5, IN:97-77X, Internatonal emnar on Industral Engneerng and Management (IIEM), Manado, Indonesa. DAFTAR UTAKA Fatta, Hanf Al, 9, engembangan stem enukung Keputusan Untuk enlaan Uan Tugas krps (tud Kasus pada TMIK AMIKOM Yogyakarta), JURNAL DAI IN: -, Vol. No. Maret 9, TMIK AMIKOM Yogyakarta. Hamzah, uyoto, aulus Mudhartono,, stem endukung Keputusan enlaan Knera Dosen Dengan Metode Balanced corecard (stud kasus: Unverstas REATI Yogyakarta), emnar Nasonal Informatka (semnasif), IN: 979-, UN Veteran Yogyakarta. Kusrn, erancangan stem endukung Keputusan Evaluas Knera Dosen d TMIK AMIKOM Yogyakarta, TMIK AMIKOM Yogyakarta. Kusrn, Emha Taufq Luthf, 9, Algortma Data Mnng, And Offset, Yogyakarta. al, ankar.k, mon K.. hu,, Foundatons of oft ase-based Reasonng, John Wley & ons, Inc., Hoboken, New Jersey, anada.