Perbandingan Algoritma Boosting Untuk Klasifikasi Gaya Belajar Siswa Sekolah Menengah Kejuruan
Abstract
Education is a planned activity to improve human resources. However, based on interviews at SMKN 2 Mataram, the learning process has not been running optimally because the teaching method is not in accordance with the student learning styles. This study aims to identify students learning styles (Visual, Auditory, and Kinesthetic) using the Boosting method, namely AdaBoost, Gradient Boosting, and XGBoost. Data were obtained from questionnaires that had been tested for validity and reliability, and distributed to 203 students in grades X and XI from the TKJ, RPL, and ULW department. The dataset was divided into tree schemes: 70:30, 80:20, and 90:10. The best result were obtainet from XGBoost in the 70:30 scheme with an accuracy of 0.93, precision of 1.00, recall of 0.97, anf f1-score of 0.97. GradentBoost followed with an accuracy of 0.92, while ADaBoost had the lowest accuracy of 0.80. thus, XGBoost is superior and can be used as a refence in determining learning methods according to student charateristics.
Keywords: Boosting Algorithm; Classification; Learning Style; Algorithm Comparison
Abstrak
Pendidikan merupakan aktivitas terencana untuk meningkatkan mutu sumber daya manusia. Namun, berdasarkan wawancara di SMKN 2 Mataram, proses pembelajaran belum berjalan optimal karena metode pengajaran tidak sesuai dengan gaya belajar siswa. Penelitian ini bertujuan untuk mengidentifikasi gaya belajar siswa (Visual, Auditori, dan Kinestetik) menggunakan metode Boosting, yaitu AdaBoost, Gradient Boosting, dan XGBoost. Data diperoleh dari kuesioner yang telah diuji validitas dan reliabilitasnya, dan disebarkan kepada 203 siswa kelas X dan XI dari jurusan TKJ, RPL, dan ULW. Dataset dibagi dalam tiga skema: 70:30, 80:20, dan 90:10. Hasil terbaik diperoleh dari XGBoost pada skema 70:30 dengan akurasi 0.93, precision 1.00, recall 0.97, dan f1-score 0.97. Gradient Boosting menyusul dengan akurasi 0.92, sedangkan ADaBoost memiliki akurasi terendah sebesar 0.80. Dengan demikian, XGBoost lebih unggul dan dapat dijadikan referensi dalam menentukan metode pembelajaran sesuai karakteristik siswa.
Keywords
References
U. Minasari and R. Susanti, “Penerapan Model Problem Based Leaning Berbasis Berdiferensiasi berdasarakan Gaya Belajar Peserta Didik pada Pelajaran Biologi,” Ideguru J. Karya Ilm. Guru, vol. 8, no. 2, pp. 282–287, 2023, doi: 10.51169/ideguru.v8i2.543.
S. I. E. Tambun, G. Sirait, and J. Simamora, “Analisis Undang-Undang Nomor 20 Tahun 2003 Tentang Sistem Pendidikan Nasional Mencakup Bab Iv Pasal 5 Mengenai Hak Dan Kewajiban Warga Negara, Orang Tua Dan Pemerintah,” Visi Sos. dan Hum., vol. I, no. 1, pp. 82–88, 2020.
R. Yuditya Andiansah and N. Amalia, “Jurnal Inovasi Pendidikan dan Pembelajaran Sekolah Dasar Analisis Faktor Penyebab Kurang Optimalnya Hasil Belajar Peserta Didik di Sekolah Dasar Negeri 1 Sobokerto, Kabupaten Boyolali, Jawa Tengah,” J. Inov. Pendidik. dan Pembelajaran Sekol. Dasar, vol. 8, no. 1, pp. 135–145, 2024, [Online]. Available: http://ejournal.unp.ac.id/index.php/jippsd/indexDOI:https://doi.org/10.24036/jippsd.v8i1
R. Hidayati, M. Triyanto, A. Sulastri, and M. Husni, “Faktor Penyebab Menurunnya Motivasi Belajar Siswa Kelas IV SDN 1 Peresak,” J. Educ. FKIP UNMA, vol. 8, no. 3, pp. 1153–1160, 2022, doi: 10.31949/educatio.v8i3.3223.
D. Susilowati et al., “Do Computational Thinking and Self Regulated Learning Affect Computer Programming Problem Solving Skills ? : An Experimental Study Jurnal Kependidikan : Do Computational Thinking and Self Regulated Learning Affect Computer Programming Problem Solving Skil,” no. September, 2024, doi: 10.33394/jk.v10i3.12415.
F. Handayani, “Aplikasi Aplikasi Data Mining Menggunakan Algoritma K-Means Clustering untuk Mengelompokan Mahasiswa Berdasarkan Gaya Belajar,” J. Teknol. dan Inf., vol. 12, no. 1, pp. 46–63, 2022, doi: 10.34010/jati.v12i1.6733.
A. Deri, M. Munir, and M. Nursalman, “Identifikasi Gaya Belajar Pada Siswa Baru Menggunakan Index of Learning Styles pada LMS Moodle Sesuai Felder-Silverman Learning Styles Model,” J. Pendidik. Tambusai, vol. 7, pp. 13633–13639, 2023, [Online]. Available: https://jptam.org/index.php/jptam/article/view/8562%0Ahttps://jptam.org/index.php/jptam/article/download/8562/6988
Muhammad Dasep, Risa Salsabila, and Melinda Ayu Azzahra, “Pentingnya Mengenali Gaya Belajar Siswa Sekolah Dasar Dalam Kegiatan Pembelajaran,” J. Abdi Nusa, vol. 3, no. 3, pp. 157–163, 2023, doi: 10.52005/abdinusa.v3i3.104.
L. Susiana, I. T. Utami, and J. Junaidi, “Penerapan Metode Boosting Pada Cart Untuk Mengklasifikasikan Korban Kecelakaan Lalu Lintas Di Kota Palu,” Nat. Sci. J. Sci. Technol., vol. 8, no. 2, pp. 106–109, 2019, doi: 10.22487/25411969.2019.v8.i2.13536.
S. Bharathi and N. Navaprakash, “Prediction of Indian GDP using XGBoost Compared with Adaboost,” in 2024 International Conference on Advances in Data Engineering and Intelligent Computing Systems (ADICS), IEEE, Apr. 2024, pp. 1–4. doi: 10.1109/ADICS58448.2024.10533574.
N. Sulistianingsih and G. H. Martono, “Enhancing Predictive Models: An In-depth Analysis of Feature Selection Techniques Coupled with Boosting Algorithms,” MATRIK J. Manajemen, Tek. Inform. dan Rekayasa Komput., vol. 23, no. 2, pp. 353–364, 2024, doi: 10.30812/matrik.v23i2.3788.
A. Kisnu Darmawan and M. Makruf, “KLIK: Kajian Ilmiah Informatika dan Komputer Deteksi Gaya Belajar Siswa SMA pada Virtual Based Learning Environment(VBLE) dengan Decision Tree C4.5 dan Naive Bayes,” Media Online, vol. 3, no. 5, pp. 532–544, 2023, [Online]. Available: https://djournals.com/klik
A. T. Jatmiko, W. Sukmo Wardhono, and S. H. Wijoyo, “Analisis Komparasi Algoritme C4.5 dan Naïve Bayes dalam Kasus Klasifikasi Kecenderungan Gaya Belajar Visual Auditori Kinestetik (VAK),” J. Pengemb. Teknol. Inf. dan Ilmu Komput., vol. 7, no. 7, pp. 3507–3516, 2023, [Online]. Available: http://j-ptiik.ub.ac.id
B. D. Pranata, U. Mahdiyah, and P. Kasih, “Pemodelan Gaya Belajar Siswa dengan Menggunakan Support Vector Machine,” Nusant. Eng., vol. 6, no. 2, pp. 144–150, 2023, doi: 10.29407/noe.v6i2.20884.
H. T. Sigit, Suherman, and A. Rahmatullah, “Klasifikasi Gaya Belajar Pada Mahasiswa Menggunakan Metode Algoritma C4.5,” ProTekInfo(Pengembangan Ris. dan Obs. Tek. Inform., vol. 10, no. 2, pp. 5–13, 2023, doi: 10.30656/protekinfo.v10i2.6555.
M. Abduh, T. Alawiyah, G. Apriansyah, R. A. Sirodj, and M. W. Afgani, “Survey Design: Cross Sectional dalam Penelitian Kualitatif,” J. Pendidik. Sains dan Komput., vol. 3, no. 01, pp. 31–39, 2022, doi: 10.47709/jpsk.v3i01.1955.
R. Sitaraman, “Qualitative, Quantitative, and Mixed-Methods Research,” Microbe Mag., vol. 4, no. 11, pp. 485–486, 2009, doi: 10.1128/microbe.4.485.2.
Sugiyono, Metode Penelitian Kuantitatif, Kualitatif dan R&D. Alfabeta: Bandung, 2013.
F. D. P. Anggraini, A. Aprianti, V. A. V. Setyawati, and A. A. Hartanto, “Pembelajaran Statistika Menggunakan Software SPSS untuk Uji Validitas dan Reliabilitas,” J. Basicedu, vol. 6, no. 4, pp. 6491–6504, 2022, doi: 10.31004/basicedu.v6i4.3206.
E. Rosita, W. Hidayat, and W. Yuliani, “Uji Validitas Dan Reliabilitas Kuesioner Perilaku Prososial,” FOKUS (Kajian Bimbing. Konseling dalam Pendidikan), vol. 4, no. 4, p. 279, 2021, doi: 10.22460/fokus.v4i4.7413.
J. A. Kurniawan and M. T. Nawawi, “Pengaruh Kompensasi Motivasi dan Kepuasan Kerja terhadap Kinerja Karyawan PT. Kurnia Mandiri Jaya pada Divisi Distribusi Kantor Pusat di Cirebon,” J. Manajerial Dan Kewirausahaan, vol. 2, no. 3, pp. 723-732, 2020, doi: 10.24912/jmk.v2i3.9585.
S. Y. Fahrezi, A. Nugraha, A. Luthfiarta, and N. Dwi, “Optimizing Performance of AdaBoost Algorithm through Undersampling and Hyperparameter Tuning on CICIoT 2023 Dataset,” pp. 175–184, 2023.
S. Emami and G. Martínez-Muñoz, “A Gradient Boosting Approach for Training Convolutional and Deep Neural Networks,” IEEE Open J. Signal Process., vol. 4, pp. 313–321, 2023, doi: 10.1109/OJSP.2023.3279011.
R. D. Mendrofa, M. H. Siallagan, J. Amalia, and D. P. Pakpahan, “Credit Risk Analysis With Extreme Gradient Boosting and Adaptive Boosting Algorithm,” J. Inf. Syst. Hosp. Technol., vol. 5, no. 1, pp. 1–7, 2023, doi: 10.37823/insight.v5i1.233.
S. E. Herni Yulianti, Oni Soesanto, and Yuana Sukmawaty, “Penerapan Metode Extreme Gradient Boosting (XGBOOST) pada Klasifikasi Nasabah Kartu Kredit,” J. Math. Theory Appl., vol. 4, no. 1, pp. 21–26, 2022, doi: 10.31605/jomta.v4i1.1792.
M. Y. Shams, A. M. Elshewey, E. S. M. El-kenawy, A. Ibrahim, F. M. Talaat, and Z. Tarek, “Water quality prediction using machine learning models based on grid search method,” Multimed. Tools Appl., vol. 83, no. 12, pp. 35307–35334, 2024, doi: 10.1007/s11042-023-16737-4.
A. C. Nugraha and M. I. Irawan, “Komparasi Deteksi Kecurangan pada Data Klaim Asuransi Pelayanan Kesehatan Menggunakan Metode Support Vector Machine (SVM) dan Extreme Gradient Boosting (XGBoost),” J. Sains dan Seni ITS, vol. 12, no. 1, 2023, doi: 10.12962/j23373520.v12i1.107032.
S. Lutfiani, T. H. Saragih, F. Abadi, M. R. Faisal, and D. Kartini, “Perbandingan Metode Extreme Gradient Boosting Dan Metode Decision Tree Untuk Klasifikasi Genre Musik,” J. Inform. Polinema, vol. 9, no. 4, pp. 373–382, 2023, doi: 10.33795/jip.v9i4.1319.
How To Cite This :
Refbacks
- There are currently no refbacks.