Jurnal Surya Informatika Journal homepage: https://jurnal.
id/index.
php/surya_informatika P-ISSN: 2477-3042.
E-ISSN: 3026-3034
Vol.
No.
Mei 2026.
Pp.
Klasifikasi Tingkat Kemampuan Adaptasi Siswa pada Pembelajaran Online menggunakan Nayve Bayes Dian Novitaningrum*.
La Ode Abd.
El Hafizh Hidayat.
Dea Angelia Kamil.
Ahmad Rizki Maulana.
Program Studi Teknik Informatika Universitas Selamat Sri.
Kabupaten Kendal.
Indonesia Program Studi Magister Ilmu Komputer Departemen Ilmu Komputer dan Elektronika.
Universitas Gadjah Mada.
Yogyakarta.
Indonesia Program Studi Doktoral Ilmu Komputer Departemen Ilmu Komputer dan Elektronika.
Universitas Gadjah Mada.
Yogyakarta.
Indonesia.
Program Studi Magister Ilmu Komputer Departemen Ilmu Komputer dan Elektronika.
Universitas Gadjah Mada.
Yogyakarta.
Indonesia Article Info Kata Kunci: Adaptasi.
Classification.
Features Selection.
Nayve Bayes.
Pembelajaran Online Keywords: Adaptation.
Classification.
Feature Selection.
Nayve Bayes.
Online Learning Article history:
Received: 09 November 2025 Revised: 11 November 2025 Accepted: 19 November 2025 Available online: 01 Mei 2026 DOI :
48144/suryainformatika.
* Corresponding author.
Dian Novitaningrum E-mail address: dnovitaningrum.
uniss@gmail.
ABSTRAK
Pandemi mengharuskan pihak sekolah untuk menerapkan sistem pembelajaran online.
Perubahan cara kerja pembelajaran yang semula diterapkan melalui sistem pembelajaran tatap muka kemudian dilakukan secara online .
menyebabkan siswa dan para orang tua perlu melakukan adaptasi untuk perubahan Tujuan dari penelitian ini adalah untuk melakukan klasifikasi terhadap kemampuan adaptasi siswa dengan diberlakukannya pembelajaran online .
dengan menggunakan bantuan Algoritma Naive Bayes.
Pemilihan algoritma Nayve Bayes dilakukan karena mudah dan cepat untuk diimplementasikan.
Metode lain yang digunakan adalah metode untuk melakukan feature selection.
Data splitting yang dipilih pada penelitian ini adalah 70% untuk data training dan 30% untuk data testing.
Evaluasi model yang dilakukan dengan jumlah Information Gain feature yang berbeda yakni 3, 6, 9, dan 13 kombinasi feature yang memiliki nilai gain terbaik.
Sedangkan, jumlah information gain untuk mendapatkan feature terbaik yaitu saat menghasilkan 6 feature.
Feature terbaiknya yaitu Class Duration.
Financial Condition.
Age.
Institution Type.
Location, dan Device.
Penelitian ini juga membandingkan penggunaan library dan yang menggunakan perhitungan Pemilihan feature selection dipilih 6 feature maka didapatkan hasil accuracy tertinggi jika dihitung dengan perhitungan manual menghasilkan accuracy sejumlah 66.
sedangkan jika dihitung dengan perhitungan library nilai accuracy yang dihasilkan adalah 66.
Penggunaan library terpantau memiliki perbedaan hasil dibandingkan dengan perhitungan manual karena adanya perbedaan step yang ABSTRACT The pandemic has forced schools to implement online learning The change in teaching methods, which were originally implemented through face-to-face learning systems and then moved online, has required students and parents to adapt to these changes.
The purpose of this study was to classify students' ability to adapt to online learning using the Naive Bayes The Naive Bayes algorithm was chosen because it is easy and quick to implement.
Another method used was feature The data splitting chosen in this study was 70% for training data and 30% for testing data.
Model evaluation was carried out with different Information Gain feature values.
Klasifikasi Tingkat Kemampuan Adaptasi Siswa pada Pembelajaran Online menggunakan Nayve Bayes Jurnal Surya Informatika Journal homepage: https://jurnal.
id/index.
php/surya_informatika P-ISSN: 2477-3042.
E-ISSN: 3026-3034
Vol.
No.
Mei 2026.
Pp.
namely 3, 6, 9, and 13 combinations of features with the best gain values.
Meanwhile, the information gain value to obtain the best features was when producing 6 features.
The best features were Class Duration.
Financial Condition.
Age.
Institution Type.
Location, and Device.
This study also compares the use of libraries and manual calculations.
Feature selection was chosen for 6 features, resulting in the highest accuracy when calculated manually, which was 66.
02%, while when calculated using the library, the accuracy value was 66.
The use of libraries was found to produce different results compared to manual calculations due to differences in the steps used.
PENDAHULUAN
Pendidikan merupakan suatu proses menyeluruh yang bertujuan mengembangkan potensi, sikap, serta perilaku positif dalam diri seseorang.
Melalui pendidikan, manusia diarahkan untuk melaksanakan peran kemanusiaannya sebagai hamba di hadapan Sang Pencipta.
Keberadaan pendidikan sangatlah vital dalam kehidupan, terlebih di tengah pesatnya perkembangan dunia yang menuntut kemampuan adaptasi.
Dengan demikian, kebutuhan akan pendidikan semakin mendesak seiring dengan kemajuan zaman.
Secara esensial, pendidikan dapat dimaknai sebagai upaya pembinaan dan pendampingan yang diberikan secara berkesinambungan kepada peserta didik guna mewujudkan tujuan pendidikan.
Pandemi COVID-19 yang terjadi secara global, termasuk di Indonesia, menimbulkan dampak signifikan terhadap berbagai aspek kehidupan, salah satunya sektor Kondisi tersebut mengharuskan lembaga pendidikan melaksanakan pembelajaran jarak jauh, sehingga proses belajar siswa dan aktivitas mengajar guru tetap berlangsung meskipun peserta didik berada di rumah .
Secara luas, pembelajaran dapat dimaknai sebagai upaya guru dalam melakukan tindakan yang mampu memengaruhi sekaligus mengubah perilaku peserta didik.
Suatu pembelajaran dapat dikatakan berhasil apabila prosesnya terlaksana sesuai dengan sistem kurikulum yang diterapkan di lembaga pendidikan tempat pembelajaran berlangsung .
Sesuai dengan Undang-Undang Sistem Pendidikan Nasional (UU Sisdikna.
No.
20 Tahun 2003, pendidikan nasional bertujuan meningkatkan kemampuan individu sekaligus membangun karakter serta peradaban bangsa yang bermartabat, guna mewujudkan kehidupan bangsa yang cerdas.
Pendidikan juga diarahkan untuk mengembangkan potensi peserta didik secara optimal, sehingga dapat menjadi individu yang beriman dan bertakwa kepada Tuhan Yang Maha Esa, berakhlak mulia, sehat, berilmu, kompeten, kreatif, mandiri, serta tumbuh menjadi warga negara yang demokratis dan bertanggung jawab .
Faktor terpenting untuk mendukung tujuan tersebut diperlukan tenaga pendidik yang kompeten dalam bidangnya masing-masing.
Tidak hanya faktor tenaga pendidik saja yang diperlukan, namun juga faktor lain seperti kesehatan antara tenaga pendidik dan peserta didik yang perlu diperhatikan.
Kesehatan menjadi faktor penting lainnya untuk dapat melangsungkan kegiatan pembelajaran.
Pembelajaran Jarak Jauh (PJJ) sangat ditentukan oleh minat serta keseriusan peserta didik dalam mengikuti dan berpartisipasi aktif pada kegiatan belajar daring.
Dalam hal ini, pendidik memiliki keterbatasan dalam memantau aktivitas belajar siswa melalui berbagai platform online, seperti Google Meet.
Zoom, dan sejenisnya.
Selama masa pandemi COVID-19, proses pembelajaran dilaksanakan melalui sistem dalam jaringan .
yang dikenal dengan istilah daring.
Untuk mendukung pelaksanaannya, pemerintah memberikan subsidi kuota internet bagi pendidik dan peserta didik, mengingat semakin banyaknya masyarakat yang terinfeksi Covid-19.
PJJ pada dasarnya merupakan model pembelajaran yang menekankan kemandirian, di mana guru tetap dapat menyampaikan materi kepada peserta didik tanpa harus melakukan pertemuan tatap muka secara langsung di ruang kelas yang sama .
Pandemi COVID-19 memberikan pengaruh yang signifikan terhadap sektor Pendidikan.
Pandemi mengharuskan pihak sekolah untuk menerapkan sistem pembelajaran online.
Perubahan cara kerja pembelajaran yang semula diterapkan melalui sistem pembelajaran tatap muka kemudian dilakukan secara online menyebabkan siswa dan para orang tua perlu melakukan adaptasi untuk perubahan tersebut.
Maka dari itu, penulis melakukan studi lanjut untuk klasifikasi kemampuan adaptasi siswa dengan diberlakukannya pembelajaran online menggunakan bantuan Algoritma Naive Bayes .
METODE PENELITIAN
Tujuan dari penelitian ini adalah untuk melakukan klasifikasi terhadap kemampuan adaptasi siswa dengan diberlakukannya pembelajaran online dengan menggunakan bantuan Algoritma Nayve Bayes.
Metode lain yang digunakan adalah metode untuk melakukan feature selection.
1 Kerangka Penelitian Klasifikasi Tingkat Kemampuan Adaptasi Siswa pada Pembelajaran Online menggunakan Nayve Bayes Jurnal Surya Informatika Journal homepage: https://jurnal.
id/index.
php/surya_informatika P-ISSN: 2477-3042.
E-ISSN: 3026-3034
Vol.
No.
Mei 2026.
Pp.
Alur kerja dari sistem yang telah dibuat dijelaskan Total jumlah baris pada dataset ini adalah 1205 Dalam penelitian ini, dataset dibagi menjadi melalui flowchart pada Gambar 1.
70% data training .
ejumlah 843 dat.
dan 30% data testing .
ejumlah 342 dat.
5 Data Processing Data model yang dipergunakan adalah algoritma Nayve Bayes.
dataset yang telah dipisahkan kedalam data train akan melewati fase pembelajaran pada dengan Algoritma klasifikasi Naive Bayes.
Hasilnya yakni predictive model berupa probabilitas prior serta probabilitas bersyarat dari tiap-tiap feature yang dimiliki pada data training.
Setelah memastikan sistem telah menghasilkan predictive model dari Naive Bayes beserta Features Ranking dari Information Gain maka dapat dilakukan evaluasi terhadap data testing dengan 4 fase percobaan, dimana masing-masing percobaannya secara berturutturut memakai feature sejumlah 3, 6, 9, dan 13 sesuai dengan ranking terbaik.
Gambar 1.
Flowchart Sistem Pada Gambar 1 menjelaskan bahwa setelah proses dimulai kemudian dilakukan splitting data yang dibagi menjadi data training dan data testing, dilanjutkan dengan feature selection dan features ranking.
Kemudian dilakukan pemodelan dengan menggunakan algoritma Nayve Bayes.
Setelah itu dilakukan evaluasi dan kemudian selesai.
2 Data Collection Dalam penelitian ini, dataset yang digunakan bersumber dari Kaggle yang dapat diakses pada link berikut dengan judul AuStudents Adaptability Level in Online EducationAy.
Dataset ini memiliki 13 feature :
yaitu Gender.
Age.
Education Level.
Institution Type.
IT Student.
Location in Town.
Load-shedding.
Financial Condition.
Internet Type.
Network Type.
Class Duration.
Self LMS, dan Device.
Serta memiliki 1 target yaitu Adaptivity level (Low.
Moderate.
Hig.
dengan jumlah total data sebanyak 1205.
3 Data Preprocessing Penelitian ini memiliki tujuan untuk meningkatkan nilai accuracy, pada eksperimen ini dilakukan feature selection menggunakan metode Information Gain.
metode tersebut, dapat diperoleh nilai information gain yang digunakan untuk perankingan.
Semakin besar nilai gain dari suatu feature maka semakin berpengaruh feature tersebut untuk prediksi.
4 Data Splitting Algoritma Nayve Bayes Algoritma Naive Bayes merupakan salah satu algoritma yang terdapat pada teknik klasifikasi.
Naive Bayes merupakan pengklasifikasian dengan metode probabilitas dan statistik yang dikemukakan oleh ilmuwan Inggris Thomas Bayes, yaitu memprediksi peluang di masa depan berdasarkan pengalaman di masa sebelumnya sehingga dikenal sebagai Teorema Bayes .
, .
, .
, .
Teorema tersebut dikombinasikan dengan Naive dimana diasumsikan kondisi antar atribut saling bebas.
Klasifikasi Naive Bayes diasumsikan bahwa ada atau tidak ciri tertentu dari sebuah kelas tidak ada hubungannya dengan ciri dari kelas Probabilitas yang digunakan untuk mendapatkan estimasi akhir dihitung dari total frekuensi Keputusan.
Naive Bayes Classifier menunjukkan kinerja yang sangat baik dibandingkan dengan model klasifikasi lainnya.
Persamaan dari teorema Bayes dijelaskan pada Persamaan .
adalah : .
, .
ycU) = Dimana :
ya ycE.
ycU) ycE.
cU) ycE.
cU) .
Data dengan class atau label yang belum diketahui.
Hipotesis data ycU merupakan suatu class khusus.
Untuk bukti (X), peluang hipotesis (H) benar .
osteriori probabilit.
Probabilitas awal dari hipotesis ya .
rior probabilit.
Potensi data sampel (X) jika hipotesis (H) benar.
Peluang data sampel X.
= ycE.
Klasifikasi Tingkat Kemampuan Adaptasi Siswa pada Pembelajaran Online menggunakan Nayve Bayes Jurnal Surya Informatika Journal homepage: https://jurnal.
id/index.
php/surya_informatika P-ISSN: 2477-3042.
E-ISSN: 3026-3034
Vol.
No.
Mei 2026.
Pp.
: Kelas F1.
Fn : Karakteristik petunjuk yang dibutuhkan untuk melakukan klasifikasi.
Dengan demikian, rumus tersebut menggambarkan bahwa probabilitas suatu sampel dengan karakteristik tertentu untuk termasuk dalam kelas C .
diperoleh dari hasil perkalian antara peluang awal kelas C sebelum sampel diproses .
dan peluang kemunculan karakteristik sampel dalam kelas C .
, kemudian dibagi dengan peluang kemunculan karakteristik sampel secara keseluruhan .
Oleh sebab itu, rumus tersebut dapat pula ditulis secara sederhana sebagai berikut :
ycEycuycycyceycycnycuyc = ycEycycnycuyc ycoycnycoyceycoycnEaycuycuycc yceycycnyccyceycuycayce .
Nilai evidence bersifat konstan untuk setiap kelas pada satu sampel.
Selanjutnya, nilai posterior tersebut akan dibandingkan dengan nilai posterior dari kelas lainnya untuk menentukan kategori kelas yang paling sesuai bagi sampel tersebut.
Penjabaran lebih lanjut rumus Bayes tersebut dilakukan dengan menjabarkan .
A , yayc.
menggunakan aturan perkalian sebagai P(C|F1.
= P(C) P(F1.
C) = P(C) P(F.
C) P(F2.
C,F.
= P(C) P(F.
C) P(F.
C,F.
P(F3.
C,F1,F.
P(C) P(F.
C) P(F.
C,F.
P(F.
C,F1,F.
P(F.
C,F1,F2,F3,.
,Fn-.
Dapat dilihat bahwa hasil penjabaran tersebut menyebabkan semakin banyak dan semakin kompleksnya faktor Ae faktor syarat yang mempengaruhi nilai probabilitas, yang hampir mustahil untuk dianalisa satu persatu.
Akibatnya, perhitungan tersebut menjadi sulit untuk dilakukan.
Disinilah digunakan asumsi independensi yang sangat tinggi .
, bahwa masing Ae petunjuk (F1,F2,.
,F.
saling bebas .
satu sama lain.
Dengan asumsi tersebut, maka berlaku suatu kesamaan sebagai berikut :
cEyc.
= ycE.
aycn n yay.
= ycE.
untuk i O j, sehingga ycE.
ya, yay.
= ycE.
Dari Persamaan .
dapat disimpulkan bahwa asumsi independensi naif tersebut membuat syarat peluang menjadi sederhana, sehingga perhitungan menjadi mungkin untuk dilakukan.
Selanjutnya, penjabaran P(C|F1,F2,.
,F.
dapat disederhanakan menjadi :
P(C|F1,F2,.
,F.
= P(C)P(F.
C) P(F.
C)P(F.
C) P(F.
C) = P(C)i=1nP(F.
C) .
Information Gain Information Gain menjadi sebuah metode seleksi fitur sederhana untuk menjadi sebuah bantuan dalam mengklasifikasikan data, salah satu tantangan dalam melakukan proses pembelajaran adalah banyaknya jumlah feature pada dataset.
Banyaknya jumlah feature dapat berakibat pada mahalnya waktu serta proses komputasi dimana juga akan berpengaruh terhadap performansi pemodelan.
Oleh karena itu perlu adanya teknik untuk mengurangi jumlah feature yang ada.
Dimana dalam pembahasan topik Machine Learning hal ini disebut sebagai Seleksi Fitur.
Pada klasifikasi tujuan utama dari Feature Selection yakni untuk memilah dan memilih fitur-fitur mana saja yang berkontribusi besar dalam mengklasifikasikan data.
Seleksi fitur memiliki variasi yang berbeda-beda seperti Chi-Squared.
Likelihood-Ratio.
DKM Criterion dan masih banyak yang lainnya.
Adapun dalam penelitian ini mengimplementasi Seleksi Fitur dengan metode Information Gain.
Information Gain Entropy.
Entropy dipergunakan untuk mengukur sebuah ketidakpastian kelas dengan menggunakan ketidakpastian kejadian akan suatu atau sebuah atribut tertentu .
Dimana :
ycEycn Total dari nilai yang terdapat pada kelas klasifikasi Total dari jumlah sample untuk kelas i.
Dimana :
ya yc Atribut / features Nilai ycOycaycoycyce .
cIycO | .
cI| yaycuycycycuycyy.
ycIycO | ya Kumpulan nilai atribut ya Total sample untuk nilai yc Total keseluruhan data Entropy untuk sample nilai yc Dalam bidang Information Theory.
Information Gain merupakan reduksi terhadap Information Entropy.
Dimana Entropy dapat diartikan sebagai ukuran keragaman suatu himpunan data.
Pada persamaan .
menyatakan jumlah kelas sementara Klasifikasi Tingkat Kemampuan Adaptasi Siswa pada Pembelajaran Online menggunakan Nayve Bayes Jurnal Surya Informatika Journal homepage: https://jurnal.
id/index.
php/surya_informatika P-ISSN: 2477-3042.
E-ISSN: 3026-3034
Vol.
No.
Mei 2026.
Pp.
menyatakan porsi data sampel pada kelas terhadap jumlah semua sampel di keseluruhan himpunan data.
Information Gain dapat digunakan sebagai mengklasifikasikan data.
Pada persamaan .
fitur, sementara adalah himpunan nilai yang mungkin pada fitur .
adalah jumlah sampel untuk nilai , sementara adalah jumlah seluruh sampel data, dan menyatakan entropy untuk sampel-sampel yang memiliki nilai .
Sebagai contoh pada dataset terdapat feature Gender d, maka perhitungannya sebagaimana langkahlangkah dijelaskan pada Gambar 2:
Gambar 3.
Information Gain pada setiap features .
Membagi dataset menjadi 70 % data training sejumlah 843 data dan 30% data testing sebanyak 342 data.
Menghitung jumlah data dan probabilitas pada tiap class target pada data training.
Gambar 2.
Contoh Langkah Perhitungan pada Features Gender 6 Evaluation Model Model evaluasi yang dipergunakan adalah nilai accuracy nya.
Accuracy dilakukan dengan membandingkan nilai dengan perhitungan manual maupun hitungan HASIL DAN PEMBAHASAN Berdasarkan langkah-langkah dari Algoritma Naive Bayes yang telah dijabarkan pada metodologi penelitian, pada bagian pembahasan ini akan dijelaskan secara rinci mengenai perhitungan manual dari dataset tersebut.
Langkah-langkah secara detailnya yaitu :
Di tahap awal penulis melakukan perhitungan information gain di tiap fiturnya terhadap keseluruhan dataset.
Berdasarkan komponen pada persamaan 8 dan 9 maka dibawah ini disajikan perhitungan manual untuk salah satu fitur yakni fitur Gender dengan nilai kategori Boy dan Girl.
Berikut merupakan perhitungannya yang dijelaskan pada Gambar 3, yaitu:
Penghitungan manual dihitung dengan memanfaatkan microsoft excel untuk membantu penghitungan.
Kemudian dilakukan penghitungan untuk masing-masing kategori yang berada dalam class target.
Selanjutnya dilakukan penghitungan nilai Probabilitas yang dijelaskan pada Gambar 4:
ycEycycuycaycaycaycnycoycnycycayc = ycuycnycoycaycn ycoycaycyceyciycuycycn yccycaycycn ycaycoycaycyc ycycaycyciyceyc ycycycoycoycaEa ycycuycycayco ycyceycycnycaycy ycoycaycyceyciycuycycn yccycaycoycayco ycaycoycaycyc ycycaycyciyceyc Dari rumus pada persamaan .
menghasilkan nilai yang telah dituliskan pada Tabel 1.
Tabel 1 Penghitungan Manual Output (Class Targe.
Class Target Low Prob (Lo.
Mod Prob (Mo.
High Prob (Hig.
Jumlah Jumlah 0,405 0,512 0,081 .
Menghitung probabilitas pada tiap kelas feature pada data training.
Perhitungan manual dihitung dengan memanfaatkan microsoft excel untuk membantu penghitungan.
Kemudian dilakukan penghitungan untuk masing-masing kategori yang berada dalam kelas feature.
Klasifikasi Tingkat Kemampuan Adaptasi Siswa pada Pembelajaran Online menggunakan Nayve Bayes Jurnal Surya Informatika Journal homepage: https://jurnal.
id/index.
php/surya_informatika P-ISSN: 2477-3042.
E-ISSN: 3026-3034
Vol.
No.
Mei 2026.
Pp.
Kemudian dilakukan penghitungan nilai Probabilitas Tabel 7.
menjelaskan mengenai probabilitas dengan cara:
mengenai feature AuDeviceAy.
ycEycycuycaycaycaycnycoycnycycayc = ycycycoycoycaEa ycoyceycoycycuycaycycoycaycu ycoycaycyceyciycuycycn ycu ycyycayccyca ycoycaycyceyciycuycycn ycycaycyciyceyc yc ycycycoycoycaEa kemunculan kategori target y Tabel 7.
Probabilitas Feature AoDeviceAo Class Target Mobile Tab Computer Berdasarkan hasil perhitungan Information Gain, kami menuliskan 6 probabilitas feature terbaik.
Tabel 2.
menjelaskan mengenai mengenai feature AuClass DurationAy.
Tabel 2.
Probabilitas Feature AoClass DurationAo Class Target Low Moderate High Tabel 3.
menjelaskan mengenai mengenai feature AuFinancial ConditionAy.
Tabel 3.
Probabilitas Feature AoFinancial ConditionAo Class Target Poor Mid Rich Class Target Government Non Government Boy Boy Boy Girl University School School University Institution Type Government Non Gov Non Gov Non Gov Student Moderate High Tabel 6.
menjelaskan mengenai mengenai feature AuLocationAy.
Tabel 6.
Probabilitas Feature AoLocationAo Class Target Yes Education Level Low Low Moderate High Age Tabel 5.
Probabilitas Feature AoInstitution TypeAo Gender High Tabel 5.
menjelaskan mengenai mengenai feature AuInstitution TypeAy.
High Tabel 8.
Prediksi terhadap class target setiap instance Moderate Tabel 4.
Probabilitas Feature AoAgeAo Class Low Moderate High Target Moderate .
Memprediksi class target pada data testing dengan menggunakan persamaan .
, dilakukan prediksi class target pada tiap instance.
Low Tabel 4.
menjelaskan mengenai probabilitas mengenai feature AuAgeAy.
Low Financial Condition Mid Mid Mid Mid Location Yes Yes Yes Yes Loadshedding Low Low Low Low Internet Type Network Type Wifi Mobile Data Mobile Data Wifi Class Duration Self Lms Yes Device Computer Mobile Mobile Tab P(Low | x.
=[P(Boy | Lo.
-20 | Lo.
P(University | Lo.
P(Government | Lo.
P(No | Lo.
P(Yes | Lo.
P(Low | Lo.
P(Mid | Lo.
P(Wifi | Lo.
G | Lo.
-3 | Lo.
P(Yes | Lo.
P(Computer | Lo.
P(Adaptivity Level = Lo.
P(Moderate | x.
=[P(Boy | Moderat.
-20 | Moderat.
P(University | Moderat.
P(Government |Moderat.
P(No | Moderat.
P(Yes | Moderat.
P(Low | Moderat.
P(Mid | Moderat.
P(Wifi | Moderat.
G | Moderat.
-3 | Moderat.
P(Yes | Moderat.
P(Computer | Moderat.
P(Adaptivity Level = Moderat.
Klasifikasi Tingkat Kemampuan Adaptasi Siswa pada Pembelajaran Online menggunakan Nayve Bayes Jurnal Surya Informatika Journal homepage: https://jurnal.
id/index.
php/surya_informatika P-ISSN: 2477-3042.
E-ISSN: 3026-3034
Vol.
No.
Mei 2026.
Pp.
P(High | x.
=[P(Boy | Hig.
-20 | Hig.
P(UniverDari Tabel 10.
Dihasilkan bahwa features yang ditsity | Hig.
P(Government |Hig.
P(No ampilkan dalam list tabel merupakan urutan features |Hig.
P(Yes |Hig.
P(Low | Hig.
P(Mid yang mempunyai nilai information gain dari yang | Hig.
P(Wifi | Hig.
G | Hig.
-3 | terbesar sampai yang terkecil.
Hig.
P(Yes | Hig.
P(Computer | Hig.
KESIMPULAN P(Adaptivity Level = Hig.
Dilakukan percobaan dengan memilih 3 features, 6 features, 9 features dan 13 features.
Dapat ditarik .
Hasil dari probabilitas tiap class target dibandingkesimpulan bahwa prediksi menggunakan 6 feature kan dan diambil kelas yang memiliki nilai paling terbaik (Class Duration.
Financial Condition.
Age.
Institution Type.
Location, dan Devic.
memiliki hasil Dari prediksi yang telah dilakukan dapat diperoleh akurasi paling tinggi dibandingkan dengan confusion matrix yang nilainya digunakan untuk menghi- menggunakan 3, 9, dan 13 kombinasi feature.
Pemilihan feature selection dipilih 6 feature maka tung accuracy yang akan dijelaskan pada Tabel 9.
didapatkan hasil jika dihitung dengan perhitungan Tabel 9.
Hasil penghitungan Confusion Matrix manual menghasilkan accuracy sejumlah 66.
Actual Class sedangkan jika dihitung dengan perhitungan library Predicted Low Moderate High nilai accuracy yang dihasilkan adalah 66.
Class Low Penggunaan library terpantau memiliki Moderate perbedaan hasil dibandingkan dengan perhitungan High manual karena adanya perbedaan step yang digunakan.
Namun, hasil akurasi tidak memiliki hasil yang jauh Dari Tabel 9.
diperoleh nilai accuracy sebesar berbeda dengan kombinasi terbaik menggunakan 6 dan Sedangkan penjelasan mengenai nilai infor- 9 kombinasi feature dengan ranking tertinggi.
mation gain untuk setiap features dijelaskan pada Tabel Tabel 10.
Urutan nilai information gain untuk tiap features Features Information Gain
Class Duration Financial Condition Age
Institution Type
Location Device Education Level REFERENSI