Implementasi Extreme Gradient Boosting (XGBoost) untuk Klasifikasi Penggunaan Ulang Asisten AI

Fitri Permata Sari; Rini  Budiarni

doi:10.55382/jurnalpustakadata.v5i2.1402

Penulis

Fitri Permata Sari Sekolah Tinggi Teknologi Payakumbuh
Rini Budiarni Sekolah Tinggi Teknologi Payakumbuh

DOI:

https://doi.org/10.55382/jurnalpustakadata.v5i2.1402

Kata Kunci:

Asisten AI, Klasifikasi, XGBoost, SMOTE, Hyperparameter

Abstrak

Penelitian ini menerapkan algoritma Extreme Gradient Boosting (XGBoost) untuk mengkategorikan variabel UsedAgain, yang mencerminkan kecenderungan mahasiswa untuk kembali menggunakan asisten AI dalam proses pembelajaran. Dataset sintetis yang diambil dari Kaggle yang berisi 10. 000 data dan 11 atribut diproses melalui beberapa langkah, termasuk preprocessing, konversi variabel kategori ke numerik, penyeimbangan kelas dengan metode SMOTE, serta pengaturan hyperparameter untuk mencapai konfigurasi model yang terbaik. Hasil dari pengujian menunjukkan bahwa model XGBoost dengan parameter terbaik (learning_rate = 0,1; max_depth = 5; n_estimators = 200; subsample = 0,8) memperoleh akurasi sebesar 93,25%, precision 87,09%, recall 91,25%, dan F1-score 89,12%. Temuan ini mengindikasikan bahwa XGBoost efektif dalam mengidentifikasi pola interaksi mahasiswa dengan asisten AI. Kontribusi utama penelitian ini adalah memberikan dasar analitik yang kuat untuk memahami faktor-faktor perilaku mahasiswa dalam memanfaatkan asisten AI, sehingga hasil model dapat mendukung institusi pendidikan dalam merancang strategi pembelajaran berbasis teknologi yang lebih adaptif dan tepat sasaran.

Unduhan

Data unduhan belum tersedia.

Referensi

Darmawati and Nurhafizah, “Mengintegrasikan Kecerdasan Buatan dalam Pendidikan Tinggi: Kajian Literatur Tentang Peran AI dalam Pembelajaran Mahasiswa,” Naafi: Jurnal Ilmiah Mahasiswa, vol. 1, no. 4, pp. 93–102, 2024, doi: 10.62387/naafijurnalilmiahmahasiswa.v1i1.84.

Mochammad Fauzi, Mustari Bisri, Rafli Fadillah Agustio, Riyan Pratama Mulia, and Ines Heidiani Ikasari, “Pemanfaatan Kecerdasan Buatan (AI) Dalam Lingkup Mahasiswa Melaksanakan Pembelajaran,” LOGIC?: Jurnal Ilmu Komputer dan Pendidikan, vol. 3, no. 1, pp. 99–105, 2024, [Online]. Available: https://journal.mediapublikasi.id/index.php/logic/article/view/4935

A. Sri Sugiarto, I Gusti Made Sulindra, “Emanfaatan Teknologi Artificial Intelligence Dalam Efektifitas Pembelajaran Mahasiswa Universita Samawa,” Jurnal Kependidikan, vol. 7, no. 2, pp. 19–27, 2022, [Online]. Available: http://e-journallppmunsa.ac.id/index.php/kependidikan/article/view/1676

C. Song, S. Y. Shin, and K. S. Shin, “Implementing the Dynamic Feedback-Driven Learning Optimization Framework: A Machine Learning Approach to Personalize Educational Pathways,” Applied Sciences (Switzerland), vol. 14, no. 2, 2024, doi: 10.3390/app14020916.

A. Salsabilla, A. Faroqi, and D. Ridwandono, “Peran Kepercayaan dalam Kesadaran , Penerimaan , dan Adopsi Teknologi AI di Program Studi Sistem Informasi , Fakultas Ilmu Komputer , Universitas Pembangunan Nasional ‘ Veteran ’ Jawa Timur The Role of Trust in Awareness , Acceptance , and Adoption of AI ,” vol. 5, no. 4, pp. 1175–1191, 2025.

T. Tamtomo, “Persepsi Pemelajaran Bahasa Asing Terhadap Penggunaan Aplikasi AI ChatGPT,” Jurnal KIBASP (Kajian Bahasa, Sastra dan Pengajaran), vol. 8, pp. 112–133, 2024, [Online]. Available: https://doi.org/10.31539/kibasp.v8i1.11162

S. Hadid, U. Ramadhani, S. Dian Suari, and A. G. Eka Putri, “Analisis Dampak Penggunaan Chatbot Ai Dalam Pembelajaran Di Kalangan Mahasiswa PGSD Universitas Jambi,” Jurnal Pendidikan Terapan, vol. 02, no. September, pp. 160–166, 2024, doi: 10.61255/jupiter.v2i3.461.

M. Dava Maulana, A. Id Hadiana, and F. Rakhmat Umbara, “Algoritma Xgboost Untuk Klasifikasi Kualitas Air Minum,” JATI (Jurnal Mahasiswa Teknik Informatika), vol. 7, no. 5, pp. 3251–3256, 2024, doi: 10.36040/jati.v7i5.7308.

T. A. S. Yusri, D. Rudhistiar, and A. P. Ratnasari, “Klasifikasi Varietas Kacang Menggunakan Xgboost Dengan Penyesuaian Class Weighting,” Jurnal Mnemonic, vol. 8, no. 1, pp. 115–122, 2025, doi: 10.36040/mnemonic.v8i1.12788.

M. Rizky Mubarok, R. Herteno, I. Komputer Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Lambung Mangkurat Jalan Ahmad Yani Km, and K. Selatan, “Hyper-Parameter Tuning Pada Xgboost Untuk Prediksi Keberlangsungan Hidup Pasien Gagal Jantung,” Klik - Kumpulan Jurnal Ilmu Komputer, vol. 9, no. 2, pp. 391–401, 2022, [Online]. Available: http://klik.ulm.ac.id/index.php/klik/article/view/484

H. Wijaya, D. P. Hostiadi, and E. Triandini, “Optimization XGBoost Algorithm Using Parameter Tunning in Retail Sales Prediction,” Jurnal Nasional Pendidikan Teknik Informatika (JANAPATI), vol. 13, no. 3, pp. 769–786, 2024, doi: 10.23887/janapati.v13i3.82214.

F. Tricahyo and R. Zulfiningrum, “Human-Machine Communication Dalam Interaksi Penggunaan AI,” Jurnal Professional, vol. 12, no. 1, pp. 83–92, 2025.

D. Lusiyanti, S. Musdalifah, A. Sahari, and I. Al Fajri, “Evaluasi Kinerja Algoritma Machine learning pada Dataset Skala Besar,” MathVision?: Jurnal Matematika, vol. 7, no. 1, pp. 84–92, 2025, doi: 10.55719/mv.v7i1.1661.

Ferry Andika Eminarni, Inayah Inayah, Hikmah Maulidah, and Ngurah Ayu Nyoman Murniati, “Perencanaan Berbasis Data Sebagai Strategi untuk Meningkatkan Kualitas Pendidikan pada Satuan Pendidikan,” Janacitta, vol. 8, no. 1, pp. 224–231, 2025, doi: 10.35473/janacitta.v8i1.3646