<![CDATA[Proses evaluasi siswa adalah bagian penting dalam pendidikan untuk mengukur pemahaman dan kemajuan siswa secara menyeluruh. Evaluasi yang efektif harus bersifat komprehensif dan adil, salah satunya melalui soal esai yang memungkinkan siswa menunjukkan kemampuan berpikir kritis dan analitis. Namun, penilaian esai menghadapi tantangan seperti subjektivitas, waktu koreksi yang lebih lama, dan konsistensi penilaian. Untuk mengatasi masalah ini, digunakan penilaian esai otomatis dengan algoritma machine learning. Agar model machine learning dapat bekerja dengan baik, diperlukan data berkualitas dan pendekatan yang tepat. Penelitian ini berfokus pada optimasi algoritma Support Vector Regressor (SVR) untuk meningkatkan performa model. Optimasi dilakukan dengan penyesuaian pada tahap preprocessing dan modeling. Pada preprocessing, dibuat fitur baru, sementara pada modeling dilakukan perbandingan sebelum dan setelah tuning hyperparameter menggunakan Grid Search. Hasil penelitian menunjukkan bahwa optimasi SVR dengan Grid Search berhasil meningkatkan performa model, terbukti dari penurunan nilai MSE dari 0.0393 menjadi 0.0325. Selain itu, waktu komputasi sebelum dan setelah penggunaan Grid Search juga dibandingkan, yaitu 148ms dan 502.2ms. Meskipun Grid Search memerlukan waktu lebih lama, penurunan error yang signifikan sebanding dengan waktu tambahan tersebut.]]>
Copyrights © 2025
