Klasifikasi Mutu Pembelajaran Hybrid berdasarkan Algoritma C.45, Random Forest dan Naïve Bayes dengan Optimasi Bootsrap Areggating (Bagging) pada masa COVID-19

(1)

Klasifikasi Mutu Pembelajaran Hybrid berdasarkan Algoritma C.45, Random Forest dan Naïve Bayes dengan Optimasi Bootsrap Areggating

(Bagging) pada masa COVID-19

Dadang Sudrajat¹, Ade Irma Purnamasari^1,*, Arif Rinaldi², Dian Ade Kurnia³, Agus Bahtiar⁴

1Teknik Informatika, STMIK IKMI, Cirebon, Indonesia

2Rekayasa Perangkat Lunak, STMIK IKMI, Cirebon, Indonesia

3Manajemen Informatika, STMIK IKMI, Cirebon, Indonesia

4Sistem Informasi, STMIK IKMI, Cirebon, Indonesia

Email: ¹[email protected], ^2,*[email protected], ³[email protected],⁴[email protected],

5[email protected]

Email Penulis Korespondensi: [email protected] Submitted 28-11-2022; Accepted 30-12-2022; Published 30-12-2022

Abstrak

Penelitian ini bertujuan untuk mencari model terbaik dari 3 (tiga) model yang dipilih yaitu Random Forest, Naïve Bayes dan C4.5 terhadap klasifikasi mutu pembelajaran hybrid yang diselenggarakan di SMK Cendekia Kota Cirebon pada masa COVID-19. Metode penelitian dilakukan dengan mengacu pada pendekatan atau teknik mesin learning dengan tahapan data collection, data preparation, data transformation, modeling dan evaltion. Hasil akhir dari penelitian ini diukur dengan tingkat akurasi terhadap aspek mutu pembelajaran hybrid yaitu pengajar, materi pelajaran, integritas, motivasi siswa, dan sumber daya teknologi dengan katagori buruk, cukup, baik dan baik sekali. Berdasarkan eksperimen yang telah dilakukan maka diperoleh hasil akurasi untuk algoritma Random Forest sebesar 93.92%, Naïve Bayes sebesar 93.22% dan C4.5 sebesar 77.16%. Dengan demikian penelitian ini merekomendasikan model algoritma klasifikasi terbaik berdasarkan pengolahan dataset untuk mengukur model mutu pembelajaran hybrid ini adalah Random Forest.

Kata Kunci: Pembelajara Hybrid; Random Forest; Naïve Bayes; C4.5; COVID-19 Abstract

This study aims to find the best model from the 3 (three) models chosen, namely Random Forest, Naïve Bayes and C4.5 against the classification of hybrid learning quality held at SMK Cendekia Cirebon City during the COVID-19 period. The research method is carried out by referring to the approach or technique of machine learning with the stages of data collection, data preparation, data transformation, modeling and evaluation. The final results of this study are measured by the level of accuracy of hybrid learning quality aspects, namely teachers, subject matter, integrity, student motivation, and technology resources with bad, sufficient, good and very good categories.. Based on the experiments that have been carried out, the accuracy results for the Random Forest algorithm were obtained by 93.92%, Naïve Bayes by 93.22% and C4.5 by 77.16%. Thus this study recommends the best classification algorithm model based on dataset processing to measure this hybrid learning quality model is Random Forest

Keywords: Hybrid Learning ; Random Forest; Naïve Bayes; C4.5; COVID-19

1. PENDAHULUAN

Organisasi Kesehatan Dunia (WHO) menyatakan COVID-19 sebagai pandemi global pada awal 2020. Menanggapi hal tersebut, Kemendikbud telah mengamanatkan agar semua lembaga pendidikan tunduk pada peraturan yang memungkinkan siswa untuk belajar di rumah [1] . Meskipun protokol kesehatan yang sangat ketat harus dijaga, Kemendikbud mengeluarkan kebijakan pada tahun 2021 yang berpihak pada metode pendidikan tatap muka meskipun ancaman yang ditimbulkan oleh COVID-19 semakin meningkat [2]. Implementasi pendidikan pasca pandemi 2020 dilakukan secara digital. Kurangnya interaksi siswa dengan siswat, siswa dengan guru , dan siswa dengan pengelola hanyalah salah satu cara di mana pembelajaran online telah berdampak pada jiwa siswa di satuan pendidikan SMA/SMK.

Meskipun ada beberapa konten yang tersedia secara online [3]. Akibatnya, model pendidikan secara online harus mengalami beberapa penyesuaian teknis untuk memberi jalan bagi apa yang sekarang dikenal sebagai pembelajaran hibrid [4].

Pembelajaran hibrid adalah metode pendidikan yang menggabungkan keunggulan instruksi kelas tradisional dan alat online modern [5]. Pembelajar atau instruktur dapat menjadi pusat perhatian tergantung pada tujuan pelajaran, dan model dapat mengakomodasi kedua skenario tersebut. Singkatnya, guru memainkan peran yang lebih sentral selama penerapan tahap awal proses dan siswa memainkan peran sentral setelah penerapan berhasil (pembelajaran berpusat pada siswa) [6]. Model pendidikan hibrid masa kini menggabungkan unsur-unsur dari beberapa pendekatan pedagogis yang berbeda, termasuk hal-hal berikut: Pertama, pembelajaran tatap muka, atau pembelajaran yang dilakukan secara tatap muka di kelas atau laboratorium; kegiatan pembelajaran meliputi penyampaian materi, diskusi dan presentasi, latihan, dan evaluasi pembelajaran atau ujian; Kedua, Synchronous Virtual Collaboration, atau pembelajaran kolaboratif di mana siswa dari lokasi yang berbeda mengerjakan tugas yang sama pada saat yang sama; dan ketiga, pembelajaran asinkron.

Ketiga, kami memiliki interaksi guru-siswa melalui kolaborasi virtual asinkron. Keempat, Model Self-Paced Learning Asinkron adalah model pembelajaran yang dilakukan oleh siswa pada waktu yang beragam dan mandiri; implementasi disediakan di berbagai waktu; Fasilitas yang digunakan dalam kegiatan pembelajaran adalah papan diskusi online atau

(2)

forum diskusi dan email. Buku, modul, pertanyaan latihan, serta tes dan kuis online semuanya berkontribusi pada pengalaman pendidikan [7].

Banyak peneliti telah melakukan dan menerbitkan studi tentang pembelajaran hibrid dalam jurnal nasional maupun internasional. Temuan Benny Sumardiana dari penelitiannyas, model pembelajara hybrid dapat membantu siswa yang memperjuangkan hak mereka atas pendidikan berkualitas setelah krisis COVID-19 [8], berdasarkan temuan penelitian lain yang menunjukkan bahwa model pembelajaran hybrid adalah produk dari evolusi metode blended learning, disimpulkan bahwa strategi instruksional untuk pendidikan penunjang kehidupan ini setidaknya sama efektifnya dengan pengajaran kelas konvensional [9]. Dukungan pembelajaran blended atau campuran menunjukkan bahwa adanya penghematan biaya berkelanjutan yang signifikan, meskipun biaya awal untuk organisasi akreditasi mungkin tinggi.

Menggunakan Blended Learning Approach (BLA) dapat membantu meningkatkan hasil belajar dan menumbuhkan bentuk-bentuk pengetahuan baru di bidang pendidikan [10]. Sama bergunanya dengan internet untuk pelatihan dan pendidikan, internet tidak akan pernah bisa sepenuhnya menggantikan interaksi tatap muka. Berdasarkan temuannya, ia menyimpulkan bahwa adalah mungkin untuk memprediksi kinerja siswa di kelas menggunakan model prediktif yang menggunakan regresi linier [11]. Sebelum pengembangan metode hybrid learning, terdapat satu penelitian tentang blended learning yang dilakukan di tiga SMK di Kota Cirebon dengan hasil yang diperoleh adalah tingkat kepuasan dengan model yang diukur dengan Sangat Puas, Puas, Sedang atau Tidak Puas. Aspek yang diukur dengan kepuasan terdiri dari enam komponen, yaitu Institusi, Guru, Pembelajar, Konten, Dukungan Pembelajaran dan Teknologi [12].

Kontribusi penelitian ini merupakan seperangkat pedoman penerapan model pembelajaran hybrid dengan tujuan meningkatkan pendidikan di SMK Kota Cendikia Cirebon dengan memperhatikan keadaan unik sekolah dalam aspek pengajar, materi pelajaran, integritas, motivasi siswa, dan sumber daya teknologi. Aspek tersebut merupakan indikator yang akan diukur dalam mutu pembelajaran hybrid, sehingga penelitian ini akan melakuk klasifikasi berdasarkan kategori baik sekali, baik, cukup dan buruk. Dalam melakukan klasifikasi tersebut digunakan teknik mesin learning dengan melibatkan beberapa algoritma seperti Random Forest, Naïve Bayes dan C.45 . Hasil yang akan diperoleh adalah pemodelan algoritma mana yang memiliki kinerja terbaik, tentunya setelah dilakukannya berbagai penerapan parameter optimasi yang mendukungnya.

2. METODOLOGI PENELITIAN

2.1 Tahapan Penelitian

Penelitian ini menggunakan metodologi data science, yang terdiri dari lima tahap: pengumpulan data, preprocessing data, transformasi data, pemodelan, dan evaluasi [13] . Tahapan terseput dapat digambarkan seperti diagram dibawah ini.

Data Collection

Data Pre Processing

Data Transformation

Modeling

Evaluation

Gambar 1. Tahapan Penelitian dengan Metode Data Mining 2.2 Karakteristik Dataset

Dataset diambil melalui hasil survey yang disebarkan secara online melalui goggle form kepada 122 responden yang terdiri dari unsur guru, siswa dan pengelola. Selanjutnya data diolah dan dianalisis dengan menggunakan aplikasi machine learning yaitu Rapidminer versi 9.10. Dataset terdiri dari 122 data, 21 atribut reguler dan 2 atribut khusus. Dari 21 atribu

(3)

Copyright © 2022 Dadang Sudrajat, Page 2229 reguler dibagi menjadi 15 atribut yang merupakan Variabel X (X1-X15) atau aspek yang berkaitan dengan pembelajaran hybrid, sedangkan 6 atribut yang merupakan Variabel Y (Y1-Y15) atau aspek yang berkaitan dengan mutu pendidikan, 2 atribut khusus adalah NIM sebagai atribut yang tidak diikutsertakan dalam model, dan atribut Kriteria sebagai atribut Label atau Target.

2.3 Pemilihan Data

Tahapan pemilihan data melibatkan operator dataset. Operator ini dapat digunakan untuk memuat data dari spreadsheet Microsoft Excel. Operator ini mampu membaca data dari Excel 95, 97, 2000, XP, dan 2003. Pengguna harus menentukan lembar kerja mana dalam buku kerja yang harus digunakan sebagai tabel data. Tabel harus memiliki format sedemikian rupa sehingga setiap baris dan setiap kolom mewakili atribut .

Gambar 2. Pemilihan Data dengan Operator Dataset Read Excel 2.4 Transformasi Data

Transformasi data merupakan proses perubahan skala data ke dalam bentuk lain sehingga data memiliki distribusi yang diharapkan. Setiap data dilakukan operasi matematika yang sama pada data aslinya.

2.4.1 Operator Missing Value

Operator ini mengganti nilai yang hilang dalam Atribut yang dipilih sebagai sampel dengan pengganti yang ditentukan 2.4.2 Operator Subprocess

Operator ini memperkenalkan proses dalam suatu proses. Setiap kali operator Subproses tercapai selama eksekusi proses, pertama-tama seluruh subproses dijalankan. Setelah eksekusi subproses selesai, alur dikembalikan ke proses (proses induk). Subproses dapat dianggap sebagai unit kecil dari suatu proses, seperti dalam proses, semua operator dan kombinasi operator dapat diterapkan dalam subproses. Itulah sebabnya subproses juga dapat didefinisikan sebagai rantai operator yang kemudian diterapkan.

2.4.3 Operator Sample Bootstraping

Operator ini membuat sampel bootstrap dari ExampleSet. Pengambilan sampel bootstrap menggunakan pengambilan sampel dengan penggantian, sehingga sampel mungkin tidak memiliki semua sampel yang unik. Ukuran sampel dapat ditentukan secara absolut dan relatif.

Gambar 3. Desain Transformasi Data 2.5 Pemodelan Data (Data Mining)

2.5.1 Operator Multiply

Operator mengambil Objek RapidMiner dari port input dan mengirimkan salinannya ke port output. Setiap port yang terhubung membuat salinan independen.

(4)

2.5.2 Operator Bootstrapping Validation

Operator ini melakukan validasi setelah melakukan bootstrap pengambilan sampel kumpulan data training untuk memperkirakan kinerja statistik operator pembelajaran (biasanya pada dataset yang tidak terlihat). Ini terutama digunakan untuk memperkirakan seberapa akurat model (dipelajari oleh operator pembelajaran tertentu) akan dilakukan dalam praktik.

2.5.3 Operator Parameter Optimasi Bagging

Bootstrap aggregating (bagging) adalah meta-algoritma ansambel pembelajaran mesin untuk meningkatkan model klasifikasi dan regresi dalam hal stabilitas dan akurasi klasifikasi. It also reduces variance and helps to avoid overfitting.

Although it is usually applied to Model pohon keputusan, dapat digunakan dengan semua jenis model.

2.5.4 Operator Apply Model

Sebuah model pertama kali dilatih pada ExampleSet oleh Operator lain, yang seringkali merupakan algoritma pembelajaran. Setelah itu, model ini dapat diterapkan pada ExampleSet lain. Biasanya, tujuannya adalah untuk mendapatkan prediksi pada data yang tidak terlihat atau untuk mengubah data dengan menerapkan model prapemrosesan.

2.5.5 Operator Performance

Operator ini digunakan untuk evaluasi kinerja. Ini memberikan daftar nilai kriteria kinerja. Kriteria kinerja ini secara otomatis ditentukan agar sesuai dengan jenis tugas pembelajaran.

Berikut dibawah ini desain pemodelan untuk algoritma Random Forest , Naïve Bayes dan C.45 dengan menggunakan operator optimasi parameter bagging.

Gambar 4. Pemodelan Algoritma Random Forest dengan Parameter Optimasi Bagging

Gambar 5. Pemodelan Algoritma Naïve Bayes dengan Parameter Optimasi Bagging

Gambar 6. Gambar Pemodelan Algoritma C.45 dengan Parameter Optimasi Bagging 2.6 Algoritma Machine Learning dan Optimasi Parameter

a. Random Forest

Random Forest merupakan algoritma dalam machine learning yang digunakan untuk pengklasifikasian dataset dalam jumlah besar [14]. Karena fungsinya bisa digunakan untuk banyak dimensi dengan berbagai skala dan performa yang tinggi. Random Forest diimplementasikan untuk berbagai sektor seperti perbankan, kesehatan, analis keuangan, e- commerce dan sebagainya. Cara kerja algoritma ini adalah dengan membangun beberapa pohon keputusan dan menggabungkannya untuk mendapatkan prediksi yang lebih stabil dan akurat. Hutan (Forest) yang dibangun oleh algoritma tersebut merupakan kumpulan pohon keputusan dimana biasanya dilatih dengan metode bagging, yang diharapkan menghasilkan model machine learning yang lebih baik.

(5)

Copyright © 2022 Dadang Sudrajat, Page 2231 Formulasi random forest dapat dinyatakan sebagai berikut: Dalam memusatkan random forest Terdapart classifier h1(x), h2(x), . . . , hk (x) dan dengan training set dari distribusi random vector Y,X, Berikut fungsi yang terbentuk.

𝑚𝑔(𝑋, 𝑌 − 𝑎𝑣_𝑘𝐼(ℎ_𝑘(𝑋) = 𝑌) − max

𝑗#𝑌 𝑎𝑣_𝑘𝐼(ℎ_𝑘(𝑋) = 𝑗) (1)

Fungsi error yang digunakan :

𝑃𝐸^∗= 𝑃𝑋,𝑌(𝑚𝑔(𝑋, 𝑌) < 0) (2)

Hasil dari penggabungan fungsi 𝑃𝑋,𝑌(𝑃𝑂(ℎ(𝑋, 𝑂) = 𝑌 − max

𝑗#𝑌 𝑃𝑂(ℎ(𝑋, 𝑂 = 𝑗) < 0) (3)

Pada hasil tersebut menjelaskan mengapa random forest tidak overfit saat tree di tambahkan, tetapi menghasilkan nilai yang terbatas pada error.

b. Naïve Bayes

Naïve bayes merupakan salah metoda pembelajaran mesin yang memanfaatkan perhitungan probabilitas dan statistik yang dikemukakan oleh ilmuwan Inggris Thomas Bayes, yakni memprediksi probabilitas pada masa depan berdasarkan pengalaman pada masa sebelumnya [15].

Naïve Bayes dapat dinyatakan dalam rumus sebagai berikut:

𝑃(𝐻|𝐸) =^{𝑃(𝐻) ∏}^𝑎_𝑖=1^𝑃(𝐸_{𝑖 |}𝐻)

𝑃(𝐸) (4)

Dimana :

𝑃(𝐻|𝐸) = Probabilitas data dengan vektor E di kelas H 𝑃(𝐻) = Probabilitas awal di kelas H

∏^𝑎_𝑖=1𝑃(𝐸𝑖|𝐻) = Probabilitas independen kelas H dari semua fitur dalam vektor E c. C4.5

Algoritma C4.5 yang merupakan salah satu algoritma modern untuk melakukan Data Mining, Algoritma C4.5 disebut juga dengan pohon keputusan (decision tree) yaitu merupakan salah satu metode klasifikasi yang menggunakan representasi struktur pohon, dan pada setiap node merepresentasikan atribut,cabangnya merepresentasikan nilai dari atribut, dan daun merepresentasikan kelas, Konsep dari pohon keputusan ini adalah dengan mengumpulkan data selanjutnya dibuatkan decision tree yang kemudian akan dihasilkan rule-rule solusi permasalahan [16].

Algoritma C4.5 dinyatakan dalam rumus sebagai berikut :

𝐺𝑎𝑖𝑛 (𝑆. 𝐴) = 𝐸𝑛𝑡𝑟𝑜𝑝ℎ𝑦(𝑆) − 𝑍_𝑖 𝐸𝑛𝑡𝑟𝑜𝑝𝑦 (𝑆𝑖) (5)

Dimana :

S = himpunan kasus A = atribut

N = jumlah partisi atribut A Si = jumlah kasus pada partisi ke-i S^r = jumlah kasus dalam S

d. Bootstrap Aggregating (Bagging)

Bootstrap Aggregating disebut juga bagging adalah penggabungan algoritma pembelajaran mesin yang dirancang untuk meningkatkan stabilitas dan akurasi dari algoritma machine learning yang digunakan dalam klasifikasi statistik dan regresi. Metode bootstrap ini digunakan untuk melakukan suatu resampling atau pengambilan data sampel yang saling bebas dan dilakukan secara berulang-ulang, yang kemudian diestimasi tingkat kesalahannya (error) dari pengulangan tersebut. Sampel bootstrap diperoleh dengan cara mengambil sampel secara random dengan pengembalian dari sampel asli [17].

Proses pembuatan dugaan secara bagging menggunakan pohon adalah sebagai berikut [18] : a. Tahapan bootstrap

1. Tarik sampel acak dengan pemulihan berukuran dari gugus data learning.

2. Susun pohon terbaik berdasarkan data tersebut.

3. Ulangi langkah a-b sebanyak kali sehingga diperoleh buah pohon klasifikasi.

b. Tahapan aggregating

Lakukan pendugaan gabungan berdasarkan buah pohon klasifikasi tersebut menggunakan aturan majority vote (suara terbanyak).

(6)

3. HASIL DAN PEMBAHASAN

Berdasarkan hasil eksperimen yang telah dilakukan dari masing-masing algoritma baik itu Random Forest , Naïve Bayes dan C4.5, maka diperoleh hasil akurasi sebagai berikut

Tabel 1. Hasil Akurasi Random Forest

True Baik True Sangat Baik True Cukup Baik True Buruk Class Prec

Pred. Baik 217 1 15 0 93.13%

Pred Sangat Baik 7 176 0 0 96.17%

Pred. Cukup Baik 0 0 19 4 82.61%

Pred Buruk 0 0 0 0 0.00%

Class recall 96.88% 99.44% 55.88% 0.00%

Akurasi 93.92% +/- 4.54% (micro average : 93.85%)

Hasil akurasi dari algoritma random forest menunjukan rata-rata sebesar 93.92% dengan rincian yakni prediksi Baik sebesar 93.13%, prediksi Sangat Baik sebesar 96.17%, prediksi Cukup Baik sebesar 82.61% dan prediksi Buruk sebesar 0.00%.

Tabel hasil akurasi algoritma Naïve Bayes diperoleh sebagai berikut :

Tabel 2. Hasil Akurasi Naïve Bayes

Pred. Baik 192 7 9 3 91.00%

Pred Sangat Baik 7 189 0 1 95.94%

Pred. Cukup Baik 3 0 28 0 90.32%

Pred Buruk 0 0 0 0 0.00%

Class recall 95.05% 06.43% 75.68% 0.00%

Hasil akurasi dari algoritma Naïve Bayes menunjukan rata-rata sebesar 93.22% dengan rincian yakni prediksi Baik sebesar 91.00%, prediksi Sangat Baik sebesar 95.94%, prediksi cukup baik sebesar 90.32% dan prediksi buruk 0.00%.

Tabel hasil akurasi algoritma C4.5 diperoleh sebagai berikut :

Tabel 3. Hasil Akurasi Algoritma C4.5

Pred. Baik 182 58 14 3 71.65%

Pred Sangat Baik 19 144 1 0 87.80%

Pred. Cukup Baik 3 0 8 4 53.33%

Pred Buruk 0 0 0 0 0.00%

Class recall 89.22% 71.29% 34.78% 0.00%

Hasil akurasi dari algoritma C4.5 menunjukan rata-rata sebesar 77.16% dengan rincian yakni prediksi Baik sebesar 71.65%, prediksi Sangat Baik 87.30%, prediksi Cukup Baik sebesar 53.33% dan prediksi Buruk 0.00%.

Hasil rata-rata akurasi dari ketiga algoritma tersebut dapat dibuat tabel perbandingan seperti dibawah ini:

Tabel 4. Perbandingan Hasil Akurasi RF, NB dan C4.5

Algoritma Rata-Rata Akurasi Sangat Baik Baik Cukup Baik Buruk

Random Forest (RF) 93.92% 96.17% 93.13% 82.61% 0.00%

Naïve Bayes (NB) 93.22% 95.94% 91.00% 90.32% 0.00%

C4.5 77.16% 87.30% 71.65% 53.33% 0.00%

Berdasarkan tabel perbandingan diatas maka hasil rata-rata akurasi paling tinggi adalah algoritma Random Forest sebesar 93.92%, selanjutnya algoritma Naïve Bayes sebesar 93.22% dan paling kecil adalah algoritma C4.5 sebesar 77.16%

4. KESIMPULAN

Setelah langkah demi langkah penelitian ini dilakukan, melalui tahapan yang telah dilalui sampai dengan tahapan hasil eksperimen, maka diperoleh kesimpulan bahwasannya ketiga algoritma (RF, NB dan C4.5) telah diujicobakan terhadap 122 dataset dengan melakukan klasifikasi terhadap indikator model pembelajaran hybdrid yaitu aspek pengajar, materi pelajaran, integritas, motivasi siswa dan sumber daya teknologi dengan kategori buruk, cukup, baik dan baik sekali.

Sehingga nilai rata-rata akurasi yang paling baik adalah diperoleh dari algoritma Random Forest sebesar 93.92% dengan melibatkan optimasi parameter Boostrap Agregating (Bagging). Dengan demikian algoritma klasifikasi RF ini

(7)

Sebagai saran untuk penelitian selanjutnya diharapkan meningkatkan model mesin learning dengan algoritma dan parameter optimasi lainnya dengan memperhatikan pemilihan atribut yang memenuhi kriteria korelasi paling baik.

REFERENCES

[1] B. H. Kemdikbud, SKB 4 Mentri RI, vol. 1, no. 5. 2020, p. 120280.

[2] O. P. Limbong, W. Tambunan, and M. Limbong, “KESIAPAN PELAKSANAAN PEMBELAJARAN TATAP MUKA DI SMK NEGERI 2 TORAJA UTARA PADA MASA PANDEMI,” J. Manaj. Pendidik., vol. 10, no. 1, pp. 37–45, 2021, doi:

10.33541/jmp.v10i1.3265.

[3] L. Khairiawati, “SPIN JURNAL KIMIA & PENDIDIKAN KIMIA DAMPAK PEMBELAJARAN DARING TERHADAP PSIKOLOGI BELAJAR SISWA SMA/SMK SEBAGAI EFEK PANDEMI COVID-19 DI LINGKUNGAN KARANG BUAYA PAGUTAN TIMUR,” SPIN, vol. 3, no. 2, pp. 154–164, 2021, doi: 10.20414/spin.v3i2.4250.

[4] H. Hendrayati and B. Pamungkas, “IMPLEMENTASI MODEL HYBRID LEARNING PADA PROSES PEMBELAJARAN MATA KULIAH STATISTIKA II DI PRODI MANAJEMEN FPEB UPI.”

[5] J. R. Gultom, D. Sundara, and M. D. Fatwara, “PEMBELAJARAN HYBRID LEARNING MODEL SEBAGAI STRATEGI OPTIMALISASI SISTEM PEMBELAJARAN DI ERA PANDEMI COVID-19 PADA PERGURUAN TINGGI DI JAKARTA,”

Mediastima, vol. 28, no. 1, pp. 11–22, Apr. 2022, doi: 10.55122/mediastima.v28i1.385.

[6] M. Makhin, “HYBRID LEARNING: MODEL PEMBELAJARAN PADA MASA PANDEMI DI SD NEGERI BUNGURASIH WARU SIDOARJO,” MUDIR J. Manaj. Pendidik., vol. 3, no. 2, 2021, [Online]. Available:

http://ejournal.insud.ac.id/index.php/mpi/index

[7] T. Prasetio, “Perspektif: Jurnal Ekonomi & Manajemen Universitas Bina Sarana Informatika Umpan Balik Pada Model Pembelajaran Hybrid Mata Kuliah Ekonomi di Masa Pandemi COVID-19”, doi: 10.31294/jp.v17i1.

[8] B. Sumardiana, S. Fergina, S. Nurmala, T. S. Nanda, and N. N. Oktaviani, “Penerapan Hybrid Learning System di Era Pandemi Covid-19 Sebagai Upaya Untuk Mewujudkan Hak Belajar Anak.” [Online]. Available:

https://journal.unnes.ac.id/sju/index.php/JPHI/index

[9] S. Brereton, M. Curtin, E. Greene, P. Hardie, M. Szafranska, and C. Kirwan, “A Blended Learning Perineal Suturing Programme for Midwifery Students: An Evaluative Descriptive study,” Nurse Educ. Pract., p. 103453, Oct. 2022, doi:

10.1016/j.nepr.2022.103453.

[10] S. Suwannaphisit, C. Anusitviwat, P. Tuntarattanapong, and C. Chuaychoosakoon, “Comparing the effectiveness of blended learning and traditional learning in an orthopedics course,” Ann. Med. Surg., vol. 72, Dec. 2021, doi:

10.1016/j.amsu.2021.103037.

[11] L. Yang, “Research on quantitative evaluation method of teachers based on multiple linear regression,” in Proceedings - 2021 13th International Conference on Measuring Technology and Mechatronics Automation, ICMTMA 2021, Jan. 2021, pp. 858–

862. doi: 10.1109/ICMTMA52658.2021.00196.

[12] D. Sudrajat, R. D. Dana, N. Rahaningsih, A. R. Dikananda, and D. A. Kurnia, “Clustering student’s satisfaction in complex adaptive blended learning with the six value system using the K-means algorithm,” Univers. J. Educ. Res., vol. 7, no. 9, pp.

1990–1995, 2019, doi: 10.13189/ujer.2019.070920.

[13] C. Schröer, F. Kruse, and J. M. Gómez, “A systematic literature review on applying CRISP-DM process model,” Procedia Comput. Sci., vol. 181, no. 2019, pp. 526–534, 2021, doi: 10.1016/j.procs.2021.01.199.

[14] A. S. More and D. P. Rana, “Review of random forest classification techniques to resolve data imbalance,” Proc. - 1st Int. Conf.

Intell. Syst. Inf. Manag. ICISIM 2017, vol. 2017-Janua, pp. 72–78, 2017, doi: 10.1109/ICISIM.2017.8122151.

[15] D. Jollyta, G. Gusrianty, and D. Sukrianto, “Analysis of Slow Moving Goods Classification Technique: Random Forest and Naïve Bayes,” Khazanah Inform. J. Ilmu Komput. dan Inform., vol. 5, no. 2, pp. 134–139, 2019, doi: 10.23917/khif.v5i2.8263.

[16] E. Elisa, “Analisa dan Penerapan Algoritma C4.5 Dalam Data Mining Untuk Mengidentifikasi Faktor-Faktor Penyebab Kecelakaan Kerja Kontruksi PT.Arupadhatu Adisesanti,” J. Online Inform., vol. 2, no. 1, p. 36, 2017, doi: 10.15575/join.v2i1.71.

[17] D. Ratnaningrum, M. A. Mukid, and T. Wuryandari, “Analisis Klasifikasi Nasabah Kredit Menggunakan Bootstrap Aggregating Classification and Regression Trees (Bagging Cart),” J. Gaussian, vol. 5, no. 1, pp. 81–90, 2016, [Online]. Available:

http://ejournal-s1.undip.ac.id/index.php/gaussian

[18] C. D. Sutton, “Classification and Regression Trees, Bagging, and Boosting,” Handb. Stat., vol. 24, no. 04, pp. 303–329, 2005, doi: 10.1016/S0169-7161(04)24011-1.