Text
Implementasi XGBoost pada Klasifikasi Tingkat Stres Mahasiswa Selama Pembelajaran Daring (Studi Kasus: Mahasiswa Aktif Statistika UNDIP Tahun Ajaran 2021/2022)
Penetapan COVID-19 sebagai pandemi berskala global menyebabkan
kebijakan social distancing diterapkan terkhusus pembelajaran daring dalam
bidang pendidikan. Perubahan sistem pembelajaran menjadi daring berdampak
terhadap tingkat stres mahasiswa. Pendeteksian tingkat stres dan faktor yang
mempengaruhinya dilakukan sebagai tindakan pencegahan. Penelitian ini bertujuan
untuk memperoleh faktor berpengaruh terhadap tingkat stres mahasiswa selama
pembelajaran daring dan memperoleh aturan klasifikasi tingkat stres mahasiswa
menggunakan XGBoost. XGBoost memiliki kinerja yang lebih baik dalam berbagai
penelitian karena memiliki parameter regularisasi dan waktu komputasi yang relatif
cepat. Data dalam penelitian ini adalah data primer hasil kuesioner online (google
form) terhadap mahasiswa aktif statistika Universitas Diponegoro tahun ajaran
2021/2022 yang mengikuti pembelajaran daring. Data tersebut menunjukkan
adanya ketidakseimbangan jumlah data tingkat stres. Data tidak seimbang
menyebabkan hasil klasifikasi cenderung berada pada kelas mayoritas. Data tak
seimbang akan ditangani menggunakan SMOTE. Hasil penelitian menunjukkan
terdapat empat variabel yang berpengaruh terhadap tingkat stres mahasiswa selama
pembelajaran daring yaitu banyak tugas, interaksi, koneksi internet bermasalah, dan
lingkungan belajar. Model klasifikasi XGBoost dengan SMOTE dan proporsi
pembagian data 70/30 menghasilkan klasifikasi yang lebih baik dibandingkan
proporsi 60/40 dan 80/20 yaitu nilai akurasi data sebesar 69,23% dan nilai MAUC
0,9004. Nilai MAUC menunjukkan klasifikasi terkategori sangat baik karena
berada diantara 0,9 dan 1.
Kata Kunci: Klasifikasi, XGBoost, Tingkat Stres, SMOTE, MAUC
1193 E 2024 | 1193 E 2024 | Perpustakaan FSM Undip | Tersedia |
Tidak tersedia versi lain