Implementasi Algoritma XGBoost (Extreme Gradient Boosting) untuk Klasifikasi Gaya Pembelajaran (Learning Style) pada Adaptive HLE (Hypermedia Learning Environment)

Firdausya, Maulana Akbar (2025) Implementasi Algoritma XGBoost (Extreme Gradient Boosting) untuk Klasifikasi Gaya Pembelajaran (Learning Style) pada Adaptive HLE (Hypermedia Learning Environment). Undergraduate thesis, Politeknik Negeri Jember.

	Text (Abstract) Abstract.pdf - Submitted Version Available under License Creative Commons Attribution Share Alike. Download (7kB)
	Text (Bab 1 Pendahuluan) Bab 1 Pendahuluan.pdf - Submitted Version Available under License Creative Commons Attribution Share Alike. Download (25kB)
	Text (Daftar Pustaka) Daftar Pustaka.pdf - Submitted Version Available under License Creative Commons Attribution Share Alike. Download (88kB)
	Text (Laporan Lengkap) Laporan Lengkap.pdf - Submitted Version Restricted to Registered users only Download (4MB) | Request a copy

Abstract

Platform sistem pembelajaran E-Learning menjadi solusi pencapaian tujuan pembelajaran di masa pandemi, namun E-Learning belum cocok pada semua jenis materi dan karakteristik siswa. Pengembangan sistem pembelajaran adaptive menjadi solusi dengan menyajikan konten sesuai karakteristik siswa. Platform HLE dapat menjadi alternatif sistem pembelajaran yang fleksibel dengan metode materi multimedia sehingga pengguna dapat menyesuaikan kebutuhan. HLE dengan sistem adaptive dapat meningkatkan tujuan pembelajaran, namun pengembangan adaptive HLE saat ini hanya mengukur kemampuan self-monitoring siswa. Penelitian ini bertujuan mengembangkan klasifikasi learning style VARK pada adaptive HLE menggunakan algoritma XGBoost. XGBoost merupakan algortima yang dibangun di atas pohon keputusan dengan metode gradient boosting yang kuat dan akurat pada dataset minim. Menggunakan 165 data, model dilatih dan menghasilkan akurasi 92,68%, presisi 93,52% dan recall 92,86%. Pengujian model pada 10 data tes menunjukkan model dapat memprediksi 9 dari 10 data. Integrasi model pada aplikasi menggunakan framewok Laravel. Pengujian Black-Box pada aplikasi menunjukkan fitur utama sesuai harapan dan beberapa poin perlu penyesuaian.

Actions (login required)

View Item