<![CDATA[Identifikasi gaya belajar mahasiswa dengan mempertimbangkan fitur disabilitas memiliki peran penting dalam menciptakan pengalaman belajar yang inklusif dan personal. Namun, ketidakseimbangan data dalam kategori gaya belajar dan disabilitas menimbulkan tantangan yang signifikan bagi model klasifikasi. Penelitian ini bertujuan mengatasi tantangan tersebut dengan menerapkan teknik stratified split untuk menjaga keseimbangan distribusi kelas, khususnya pada variabel disabilitas dan gaya belajar. Algoritma Random Forest dan Multilayer Perceptron (MLP) digunakan untuk mengklasifikasikan gaya belajar mahasiswa berdasarkan model Visual, Auditory, dan Kinesthetic (VAK). Data yang digunakan berasal dari Open University Learning Analytics Dataset (OULAD), yang diproses melalui penggabungan data, pengkodean label, dan transformasi fitur untuk meningkatkan kinerja model. Evaluasi model dilakukan menggunakan metrik akurasi, presisi, recall, dan F1-score. Hasil penelitian menunjukkan bahwa model MLP mencapai kinerja sempurna dengan skor 100% pada semua metrik, sementara Random Forest menunjukkan performa sangat baik dengan skor 99%. Implementasi stratified split terbukti efektif dalam menjaga keseimbangan distribusi data, memastikan representasi yang memadai untuk semua kelas, termasuk mahasiswa dengan disabilitas. Penelitian ini memberikan kontribusi penting dalam mengembangkan model klasifikasi gaya belajar yang lebih akurat dan mendukung pendekatan pembelajaran yang lebih inklusif. Abstract Identifying students' learning styles by considering disability features plays an important role in creating an inclusive and personalized learning experience. However, the imbalance of data in learning style and disability categories poses significant challenges for classification models. This research aims to overcome these challenges by applying a stratified split technique to maintain a balanced class distribution, especially in the disability and learning style variables. Random Forest and Multilayer Perceptron (MLP) algorithms are used to classify student learning styles based on the Visual, Auditory, and Kinesthetic (VAK) model. The data used comes from the Open University Learning Analytics Dataset (OULAD), which is processed through data merging, label coding, and feature transformation to improve model performance. Model evaluation was conducted using accuracy, precision, recall, and F1-score metrics. The results showed that the MLP model achieved perfect performance with a score of 100% on all metrics, while Random Forest showed excellent performance with a score of 99%. The implementation of stratified split proved effective in maintaining the balance of data distribution, ensuring adequate representation for all classes, including students with disabilities. This research makes an important contribution in developing more accurate learning style classification models and supporting more inclusive learning approaches.]]>
