<![CDATA[Penelitian ini bertujuan untuk mengembangkan model prediksi hasil belajar mahasiswa yang mengikuti pembelajaran berbasis masalah (Problem-Based Learning/PBL) menggunakan algoritma Decision Tree. Model ini dikembangkan dengan memanfaatkan data yang mencakup variabel-variabel seperti Nilai Tugas, Nilai Ujian, Tingkat Partisipasi, dan Waktu Belajar. Data yang digunakan dalam penelitian ini terdiri dari 150 data mahasiswa yang dibagi menjadi 80% untuk data pelatihan dan 20% untuk data uji. Hasil pelatihan model menunjukkan akurasi pelatihan rata-rata sebesar 91%, yang mengindikasikan kemampuan model dalam mempelajari pola-pola dalam data dengan sangat baik. Sementara itu, akurasi pengujian rata-rata sebesar 85.1% menunjukkan bahwa model dapat memprediksi hasil belajar mahasiswa pada data yang belum terlihat sebelumnya dengan ketepatan yang memadai. Meskipun terdapat sedikit perbedaan antara akurasi pelatihan dan pengujian yang mengindikasikan adanya overfitting, model ini tetap efektif dalam mengklasifikasikan hasil belajar mahasiswa. Penelitian ini juga menyarankan penggunaan teknik hyperparameter tuning dan regularisasi untuk meningkatkan performa model, khususnya dalam mengurangi overfitting dan meningkatkan akurasi pada data uji. Secara keseluruhan, hasil penelitian ini menunjukkan bahwa model Decision Tree dapat menjadi alat yang efektif dalam memprediksi hasil belajar mahasiswa dan dapat digunakan untuk memperbaiki strategi pembelajaran berbasis PBL di masa depan.]]>
Copyrights © 2024
