Skripsi
Evaluasi model gradient boosting dan extreme gradient boosting pada klasifikasi penilaian kualitas open-ended concept map / Muhammad Naufal Farras
Abstrak
Penelitian peta konsep terbuka secara manual seringkali membutuhkan waktu yang lama tidak konsisten dan cenderung subjektif. Oleh karena itu penelitian ini bertujuan untuk mengevaluasi dan membandingkan performa algoritma Gradient Boosting dan Extreme Gradient Boosting dalam klasifikasi penilaian kualitas peta konsep open-ended berbasis teks. Data yang digunakan merupakan hasil peta konsep dari 30 peserta didik pada materi ldquo Basis Data Relasional rdquo yang telah diberi skor oleh ahli menggunakan skala ordinal dari 0 hingga 3. Proses penelitian mengikuti metode CRISP-DM dimulai dari preprocessing teks (case folding tokenisasi stopword removal) pembobotan menggunakan TF-IDF hingga pemodelan dan evaluasi. Evaluasi dilakukan dengan tiga skenario pembagian data (90 10 80 20 dan 70 30) serta menggunakan metrik akurasi presisi recall dan F1-score. Hasil penelitian menunjukkan bahwa Extreme Gradient Boosting unggul pada skenario 90 10 dengan akurasi sebesar 87% sementara Gradient Boosting menunjukkan performa yang lebih stabil dan unggul pada skenario 80 20 dan 70 30. Penelitian ini menyimpulkan bahwa kedua algoritma efektif digunakan dalam penilaian otomatis peta konsep terbuka namun efektivitasnya bergantung pada proporsi data latih dan distribusi data. Temuan ini diharapkan dapat menjadi referensi bagi pengembangan sistem evaluasi pembelajaran yang lebih objektif efisien dan adaptif