KOMPARASI ALGORITMA XGBOOST DAN ADABOOST UNTUK ANALISIS KLASIFIKASI KEPUASAN MAHASISWA ILMU KOMPUTER FMIPA UNIVERSITAS HALU OLEO TERHADAP PEMBELAJARAN DARING
Penelitian ini bertujuan untuk mengetahui hasil komparasi dua algoritma machine learning, yaitu Extreme Gradient Boosting (XGBoost) dan Adaptive Boosting (AdaBoost), dalam mengklasifikasikan tingkat kepuasan mahasiswa Ilmu Komputer FMIPA Universitas Halu Oleo terhadap pembelajaran daring. Pembelajaran daring telah menjadi salah satu inovasi penting dalam bidang pendidikan, dengan memanfaatkan teknologi informasi dan komunikasi sebagai media utama dalam proses pembelajaran. Efektivitas pembelajaran daring sangat dipengaruhi oleh berbagai faktor, seperti pemahaman materi, kemudahan interaksi, kemudahan pengumpulan tugas, pemanfaatan e-learning, fasilitas mengikuti kuliah daring, dan koneksi jaringan. Data diperoleh melalui kuesioner yang diisi oleh 80 mahasiswa Program Studi Ilmu Komputer FMIPA Universitas Halu Oleo. Pengujian kinerja algoritma menggunakan sistem analisis klasifikasi kepuasan mahasiswa. Parameter utama yang diuji berupa learning rate dan n_estimators. Evaluasi performa model dilakukan menggunakan metrik klasifikasi seperti akurasi, presisi, recall, F1-score, dan Area Under the Curve (AUC). Hasil pengujian menunjukkan bahwa AdaBoost mencapai AUC tertinggi sebesar 0.964 pada skenario II (70:30) dengan parameter learning rate 0.3 dan n_estimator 200. Sementara, XGBoost memperoleh AUC sebesar 0.914 pada skenario II (70:30) dengan parameter larning rate 0.1, 0.2 dan 0.3 pada seluruh variasi jumlah n_estimator. Hasil AUC tersebut menunjukkan bahwa algoritma AdaBoost lebih unggul dibandingkan XGBoost
Affiliations come from OpenAlex; journal OAI-PMH metadata carries none. Authors without an OpenAlex ID are matched by name, which can merge or split people.