Uji Algoritma Stacking Ensemble Classifier pada Kemampuan Adaptasi Mahasiswa Baru dalam Pembelajaran Online
DOI:
https://doi.org/10.24002/konstelasi.v3i1.7009Keywords:
kemampuan adaptasi, klasifikasi, pembelajaran mesin, pembelajaran online, stacking ensembleAbstract
Perubahan metode pembelajaran dari sistem kelas ke online membawa dampak yang sangat signifikan. Mahasiswa dituntut mampu beradaptasi pada perubahan pola belajar mengajar. Penelitian ini bertujuan untuk melakukan klasifikasi kemampuan adaptasi mahasiswa baru dalam pembelajaran online dengan pendekatan machine learning menggunakan algoritma stacking ensemble. Metode penelitian menggunakan penggabungan single classifier dengan teknik ensemble stacking atau stacked generalization menggunakan Random Forest, Decision Tree, K-Nearest Neighbor, Support Vector Machine, dan Neural Network sebagai base learner dan Logistic Regression sebagai meta learner. Dari penelitian yang dilakukan, didapatkan f-1 score pada Random Forest sebesar 89.26%, Decision Tree 88.58%, K-NN 84.25%, SVM 88.98%, Neural Network 89.06%, Logistic Regression 89.07%, dan Stacking 88.86%. Meski dibandingkan dengan single classifier seperti Decision Tree dan K- NN, akurasi pada Stacking meningkat, akan tetapi tidak lebih optimal dari Random Forest, SVM, Neural Network, maupun Logistic Regression. Validasi keakuratan model menggunakan Cross Validation menghasilkan f-1 score konstan berada pada angka 88% untuk setiap n-fold yang menunjukkan bahwa model stacking yang diimplementasikan sudah baik dan stabil. Hal tersebut juga ditunjukkan pada hasil uji stabilitas algoritma stacking menggunakan data random yang berjumlah 10 dan 5 record masing-masing sebanyak 5 kali percobaan, hasil yang didapatkan f-1 score konsisten berada pada angka 88%.
References
M. W. S. Huda and A. Hidayat, “Quo Vadis Pendidikan di Masa Pandemi: Menyoal Tanggung Jawab Negara terhadap Hak atas Pendidikan Peserta Didik: Quo Vadis Education in a Pandemic Period: Questioning the State’s Responsibility for the Right to Education of Students,” Seminar Nasional Hukum Universitas Negeri Semarang, vol. 7, no. 1, Art. no. 1, Jul. 2021, doi: 10.15294/snhunnes.v7i1.711.
H. N. Z.r and W. Saugi, “Pengaruh Kuliah Online Terhadap Minat Belajar Mahasiswa Pendidikan Agama Islam (PAI) di IAIN Samarinda,” el-Buhuth: Borneo Journal of Islamic Studies, pp. 121–131, Jun. 2020, doi: 10.21093/el-buhuth.v2i2.2330.
R. Setiawan, “Apa itu Data Mining dan Bagaimana Metodenya?,” Dicoding Blog, Oct. 29, 2021. https://www.dicoding.com/blog/apa-itu-data-mining/ (accessed Oct. 03, 2022).
L. Loreni and S. R. Jannah, “Tingkat Adaptasi Mahasiswa Baru Terhadap Pembelajaran Akademik Secara Daring,” Jurnal Ilmiah Mahasiswa Fakultas Keperawatan, vol. 5, no. 3, Art. no. 3, Dec. 2021, Accessed: Oct. 03, 2022. [Online]. Available: http://jim.unsyiah.ac.id/FKep/article/view/19074
A. Nurmasani and Y. Pristyanto, “Algoritme Stacking Untuk Klasifikasi Penyakit Jantung Pada Dataset Imbalanced Class,” pseudocode, vol. 8, no. 1, Art. no. 1, Mar. 2021, doi: 10.33369/pseudocode.8.1.21-26.
D. Novianti, “Prediksi Status Berlangganan Klien Bank Menggunakan Algoritma Naive Bayes, C4. 5, Dan Knn Berbasis Ensemble Classifier,” 2019.
R. Jayapermana, “Implementasi Stacking Ensemble Classifier Untuk Klasifikasi Multi Kelas Topik Vaksin Covid-19 Pada Twitter,” sarjana, Universitas Siliwangi, 2021.
D. D. Sidik and T. W. Sen, “Penggunaan Stacking Classifier Untuk Prediksi Curah Hujan,” 2019, Accessed: Dec. 21, 2022. [Online]. Available: http://repository.president.ac.id/xmlui/handle/123456789/3598
Y. Pristyanto, A. Sidauruk, and A. Nurmasani, “Klasifikasi Penyakit Diabetes Pada Imbalanced Class Dataset Menggunakan Algoritme Stacking,” Jurnal Media Informatika Budidarma, vol. 6, no. 1, Art. no. 1, Jan. 2022, doi: 10.30865/mib.v6i1.3442.
A. F. Nugraha, R. F. A. Aziza, and Y. Pristyanto, “Penerapan metode Stacking dan Random Forest untuk Meningkatkan Kinerja Klasifikasi pada Proses Deteksi Web Phishing,” Jurnal Infomedia: Teknik Informatika, Multimedia & Jaringan, vol. 7, no. 1, 2022.
A. Velia, T. R. Simamora, S. N. Suherman, A. A. Pravitasari, and F. Indrayatna, “Klasifikasi Customer Churn Pada Perusahaan Telekomunikasi Menggunakan Support Vector Machine,” E-Journal BIAStatistics | Departemen Statistika FMIPA Universitas Padjadjaran, vol. 2022, no. 1, Art. no. 1, Sep. 2022, doi: 10.1234/bias.v2022i1.154.
Y. Heryadi and T. Wahyono, Machine Learning: Konsep dan Implementasi. 2020.
E. Retnoningsih and R. Pramudita, “Mengenal Machine Learning Dengan Teknik Supervised Dan Unsupervised Learning Menggunakan Python,” Bina Insani Ict Journal, vol. 7, no. 2, Art. no. 2, Dec. 2020, doi: 10.51211/biict.v7i2.1422.
F. Gorunescu, Data Mining: Concepts, Models and Techniques. Springer Science & Business Media, 2011.
I.- Ati and A. Kusyanti, “Metode Ensemble Classifier untuk Mendeteksi Jenis Attention Deficit Hyperactivity Disorder (SDHD) pada Anak Usia Dini,” Jurnal Teknologi Informasi dan Ilmu Komputer, vol. 6, no. 3, Art. no. 3, May 2019, doi: 10.25126/jtiik.2019631313.
N. F. F. da Silva, E. R. Hruschka, and E. R. Hruschka Jr., “Tweet sentiment analysis with classifier ensembles,” Decision Support Systems, vol. 66, pp. 170–179, 2014, doi: 10.1016/j.dss.2014.07.003.
Z.-H. Zhou, Ensemble Methods: Foundations and Algorithms. CRC Press, 2012.
D. H. Wolpert, “Stacked generalization,” Neural Networks, vol. 5, no. 2, pp. 241–259, Jan. 1992, doi: 10.1016/S0893-6080(05)80023-1.
