Perbandingan Kinerja Model Regresi Logistik, Support Vector Machine, dan Naive Bayes Dalam Memprediksi Kepuasan Mahasiswa Terhadap Proses Pembelajaran

Authors

  • Trigarcia Maleachi Randa Universitas Papua
  • Loria Amisah Lubis Universitas Papua

DOI:

https://doi.org/10.32493/sm.v7i3.54904

Keywords:

Regresi Logistik, Support Vector Machine, Naïve Bayes, Kepuasan Mahasiswa

Abstract

Penelitian ini bertujuan untuk menganalisis dan membandingkan kinerja tiga metode klasifikasi Regresi Logistik, Support Vector Machine (SVM), dan Naïve Bayes dalam memprediksi kepuasan mahasiswa terhadap proses pembelajaran pada semester gasal 2025/2026 di Universitas Papua. Data penelitian diperoleh melalui survei yang berisi delapan variabel prediktor kategorik yang berkaitan dengan aspek proses pembelajaran, sementara variabel respon terdiri atas dua kategori, yaitu puas dan tidak puas. Analisis dilakukan dengan membagi data menjadi training dan testing dengan proporsi 80:20. Hasil penelitian menunjukkan bahwa metode Regresi Logistik dan SVM memberikan akurasi tertinggi, masing-masing sebesar 95.24%, sedangkan metode Naïve Bayes menghasilkan akurasi sebesar 87.88% meskipun telah dilakukan penentuan parameter terbaik menggunakan validasi silang 5-fold dan penerapan Laplace smoothing. Temuan ini menunjukkan bahwa Regresi Logistik dan SVM merupakan metode yang paling efektif untuk memprediksi kepuasan mahasiswa pada dataset ini, sementara Naïve Bayes tetap menjadi alternatif yang efisien untuk pemodelan yang sederhana dan cepat. Hasil penelitian ini diharapkan dapat mendukung pengambilan keputusan dalam evaluasi dan peningkatan kualitas pembelajaran di perguruan tinggi.

References

Seila Amalia, Banjarnahor, R. M., Sinaga, M. R. T., Sianturi, A. A., & Dinie Triana. (2025). Model Regresi Logistik Pengaruh Aksesibilitas dan Kondisi Sosial-Ekonomi Terhadap Ketimpangan Pendidikan di Wilayah Desa Bagan Serdang Kec. Pantai Labu. STATMAT: JURNAL STATISTIKA DAN MATEMATIKA, 7(2), 170–179. Retrieved from https://openjournal.unpam.ac.id/index.php/sm/article/view/52010

Amin F, Mahmoud M. Confusion matrix in binary classification problems: A step-by-step tutorial. J Eng Res. 2022;6(5).

Aristawidya R, Indahwati I, Erfiani E, Fitrianto A, AA M. Perbandingan analisis regresi logistik biner dan naïve bayes classifier untuk memprediksi faktor risiko diabetes. J Lebesgue. 2024;5(2):782–94.

Cahyani R, Putri SA, Lestari D. Prediksi risiko penyakit diabetes menggunakan algoritma regresi logistik. J Teknol Inf dan Komput. 2022;7(2):115–24.

Fahrezi RA, Wijaya MY, Fitriyati N. Prediksi harga penutupan saham Bank Central Asia: implementasi algoritma long short-term memory dan perbandingannya dengan support vector machine. J Lebesgue. 2024;5(1):452–64.

Aldi Florensius Gea, A.F., Basir, C. 2025. Implementasi Naïve Bayes Classifier (NBC) untuk Menganalisis Sentimen Ulasan Film “Everything Everywhere All at Once” di Twitter. J. Ris. & Ap. Mat. Vol. 9 No. 2 (2025) pp. 208-218. https://doi.org/10.26740/jram.v9n2.p208-218

Hosmer DW Jr, Lemeshow S, Sturdivant RX. Applied logistic regression. New York: John Wiley & Sons; 2013.

Karabatak M. A new classifier for breast cancer detection based on Naïve Bayesian. Measurement. 2015;72:32–6.

Ma Y, Guo G. Support vector machines applications. Berlin: Springer; 2014.

Menard SW. Logistic regression: from introductory to advanced concepts and applications. Thousand Oaks: SAGE; 2010.

Roihan A, Sunarya PA, Rafika AS. Pemanfaatan machine learning dalam berbagai bidang. J Khatulistiwa Inform. 2020;5(1):1–10.

Roni S, Atmaja T. Analisis faktor-faktor yang mempengaruhi kepuasan mahasiswa di Universitas Potensi Utama. J Menara Ekon. 2024;10(2).

Sabry F. Naive Bayes classifier: fundamentals and applications. One Billion Knowledgeable; 2023.

Sari FR, Fitri F, Putra AA, Permana D. Comparison of Naive Bayes method and binary logistic regression on classification of social assistance recipients Program Keluarga Harapan (PKH). UNP J Stat Data Sci. 2023;1(2):82–9.

Wang L. Support vector machines: theory and applications. Berlin: Springer; 2005.

Downloads

Published

2025-12-31

How to Cite

Randa, T. M., & Loria Amisah Lubis. (2025). Perbandingan Kinerja Model Regresi Logistik, Support Vector Machine, dan Naive Bayes Dalam Memprediksi Kepuasan Mahasiswa Terhadap Proses Pembelajaran. STATMAT: Jurnal Statistika Dan Matematika, 7(3), 426 – 438. https://doi.org/10.32493/sm.v7i3.54904

Issue

Vol. 7 No. 3 (2025)

Section

Articles

License

Copyright (c) 2025 Trigarcia Maleachi Randa

Creative Commons License

This work is licensed under a Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.

As an Author, you have the right to a variety of uses for your article, including institutions or companies. The author's rights might do without the need for special permission.

 

Authors who publish in the Jurnal Jurnal Statistika dan Matematika (Statmat) have broad rights to use their works for education and scientific purposes without permission, including:

  1. Used to discuss in a class by the author or the author's body and presentations at meetings or conferences and participant approval;

  2. Used for internal training by the author's company;

  3. Distribution to colleagues for the use of their research;

  4. Used in preparation for further author's works;

  5. Included in a thesis or dissertation;

  6. Partial or extra reuse of articles in other works (with full acknowledgment of the last item);

  7. Prepare derivatives (other than for commercial purposes);

  8. Post voluntarily on a website opened by the author or approve the author for scientific purposes (follow CC with a SA License).