<![CDATA[Evaluasi tingkat pemahaman siswa pada praktikum laboratorium komputer masih sering dilakukan secara manual berdasarkan nilai dan observasi guru, sehingga membutuhkan waktu dan berpotensi menimbulkan subjektivitas. Penelitian ini bertujuan menerapkan algoritma Extreme Gradient Boosting (XGBoost) sebagai solusi untuk memprediksi tingkat pemahaman siswa secara objektif, cepat, dan berbasis data. Penelitian menggunakan pendekatan kuantitatif dengan 120 data siswa yang terbagi seimbang ke dalam kategori rendah, sedang, dan tinggi. Variabel prediktor meliputi nilai kuis, nilai praktikum, kehadiran, waktu pengerjaan, keaktifan, dan observasi guru. Tahapan penelitian mencakup pengumpulan dan prapemrosesan data, pengodean label, serta pembagian data secara terstratifikasi dengan komposisi 80% data latih dan 20% data uji. Model kemudian dilatih menggunakan XGBoost dan dievaluasi melalui matriks konfusi, akurasi, presisi, recall, dan F1-score. Hasil pengujian menunjukkan bahwa model berhasil mengklasifikasikan 23 dari 24 data uji dengan benar, dengan akurasi sebesar 95,83%, presisi 95,62%, recall 95,83%, dan F1-score 95,69%. Analisis kepentingan fitur menunjukkan bahwa nilai kuis merupakan variabel paling berpengaruh. Dengan demikian, XGBoost efektif digunakan sebagai pendukung evaluasi pembelajaran untuk membantu guru mengidentifikasi tingkat pemahaman siswa secara lebih akurat dan efisien.]]>
Copyrights © 2026
