Skripsi
Explainable AI untuk pola interpretasi klasifikasi kualitas proposisi peta konsep dengan feature importance pada decision tree / Klara Vensa Ramadani L
Abstrak
Penilaian kualitas proposisi pada peta konsep umumnya masih dilakukan secara manual oleh pengajar sehingga membutuhkan waktu yang relatif lama dan berpotensi menimbulkan ketidakkonsistenan penilaian. Seiring berkembangnya pemanfaatan machine learning untuk mendukung penilaian otomatis sebagian besar pendekatan yang digunakan bersifat black box sehingga sulit dipahami oleh pengguna di bidang pendidikan. Penelitian ini bertujuan menerapkan pendekatan Explainable Artificial Intelligence (XAI) untuk menginterpretasikan hasil klasifikasi kualitas proposisi peta konsep menggunakan algoritma Decision Tree melalui analisis feature importance. Data penelitian berupa proposisi peta konsep mahasiswa pada materi Basis Data Relasional yang telah dilabeli berdasarkan penilaian pakar dari penelitian terdahulu. Data teks diproses melalui tahapan prapemrosesan dan direpresentasikan menggunakan metode Term Frequency ndash Inverse Document Frequency (TF-IDF) sebelum dilakukan pelatihan model. Hasil penelitian menunjukkan bahwa model Decision Tree mampu mengklasifikasikan kualitas proposisi dengan performa yang memadai. Analisis feature importance mengungkap fitur-fitur yang berkontribusi dominan dalam proses pengambilan keputusan model sehingga memberikan penjelasan yang dapat ditelusuri secara konseptual. Pendekatan ini diharapkan dapat meningkatkan transparansi dan membantu pengguna memahami dasar keputusan dalam sistem penilaian otomatis berbasis AI di bidang pendidikan