Implementasi Algoritma Extremely Randomized Trees pada Klasifikasi Gaya Belajar Siswa : Studi Kasus SMP Negeri 1 Rasau Jaya
Suranti, Suranti (2025) Implementasi Algoritma Extremely Randomized Trees pada Klasifikasi Gaya Belajar Siswa : Studi Kasus SMP Negeri 1 Rasau Jaya. Skripsi thesis, Universitas Tanjungpura.
|
Text (Cover-Bab I)
Cover-Bab1_H1101211010.pdf - Published Version Download (500kB) |
|
|
Text (H1101211010_SURANTI)
H1101211010_SURANTI.pdf - Accepted Version Restricted to Repository staff only Download (2MB) |
Abstract
Pemanfaatan teknologi dalam dunia pendidikan membuka peluang untuk menerapkan pendekatan pembelajaran yang lebih personal, salah satunya dengan menyesuaikan metode pengajaran terhadap gaya belajar siswa. Penelitian ini bertujuan untuk mengklasifikasikan gaya belajar siswa SMP Negeri 1 Rasau Jaya dan mengevaluasi performa algoritma Extremely Randomized Trees (Extra Trees) berdasarkan data kuesioner O'Brien berskala Likert. Gaya belajar siswa berhasil dikategorikan oleh model ke dalam tujuh kelas, yaitu visual, auditori, kinestetik, visual-auditori, visual-kinestetik, auditori-kinestetik, dan campuran (visual-auditori-kinestetik). Model dikembangkan dan dievaluasi dalam 8 skenario dengan membandingkan penggunaan Feature Engineering, optimasi hyperparameter menggunakan Grid Search, serta 2 variasi rasio data (80% data latih, 20% data uji dan 70% data latih, 30% data uji). Hasil confusion matrix yang didapat pada penelitian ini menunjukkan bahwa model Extra Trees tanpa Feature Engineering hanya mampu mencapai akurasi antara 58% sampai 61%, meskipun telah dilakukan hyperparameter tuning Grid Search pada skenario 3 dan 4. Dengan penerapan Feature Engineering, performa model meningkat secara signifikan hingga 93% untuk nilai akurasi, dengan F1-score macro dan weighted yang konsisten tinggi. Kombinasi Feature Engineering dan Grid Search memberikan sedikit peningkatan akurasi sebesar 1% dan menjadi akurasi terbaik (skenario 7 dan 8). Selain itu, variasi rasio pembagian data latih dan uji tidak menunjukkan perbedaan performa yang berarti, menandakan bahwa volume data yang digunakan sudah mencukupi. Secara keseluruhan, penelitian ini menunjukkan bahwa algoritma Extra Trees efektif digunakan untuk klasifikasi multiclass pada data tabular berskala ordinal, khususnya jika didukung oleh proses rekayasa fitur yang tepat dan informatif.
| Item Type: | Thesis (Skripsi) | ||||||
|---|---|---|---|---|---|---|---|
| Creators: |
|
||||||
| Subjects: | 000 - Komputer, Informasi dan Referensi Umum > 000 Ilmu komputer, ilmu pengetahuan dan sistem-sistem > 005 Pemrograman komputer, program dan data | ||||||
| Divisions: | Fakultas Matematika dan Ilmu Pengetahuan Alam > Sistem Informasi S1 | ||||||
| Depositing User: | Sri Yulihartini | ||||||
| Date Deposited: | 22 May 2026 04:01 | ||||||
| Last Modified: | 22 May 2026 04:01 | ||||||
| URI: | https://repository.untan.ac.id/id/eprint/5160 |
Actions (login required)
![]() |
View Item |
