Implementasi dan Analisis Perbandingan Support Vector Machine dan Random Forest untuk Mengklasifikasikan Gaya Belajar Siswa (Studi Kasus: SMPN 1 Rancabungur)

Abstrak

Pemetaan gaya belajar peserta didik berdasarkan model Visual, Auditorial, dan Kinestetik (VAK) merupakan instrumen krusial dalam mendukung pembelajaran terdiferensiasi di tingkat sekolah menengah pertama. Namun, proses identifikasi konvensional menggunakan kuesioner fisik dan perhitungan manual membutuhkan waktu yang relatif lama serta rentan terhadap inefisiensi administratif. Penelitian ini bertujuan untuk mengimplementasikan serta menganalisis perbandingan performa algoritma Support Vector Machine dan Random Forest dalam mengklasifikasikan gaya belajar siswa secara otomatis. Metodologi penelitian dirancang berbasis kerangka kerja Cross-Industry Standard Process for Data Mining (CRISP-DM) untuk pemodelan komputasi cerdas, didukung metode Waterfall dalam merancang sistem berbasis web terintegrasi menggunakan arsitektur Flask API. Dataset diperoleh dari respons 42 butir kuesioner model VAK yang diisi oleh siswa SMPN 1 Rancabungur, dilanjutkan dengan prapemrosesan data yang mencakup pemetaan skala Likert, penjumlahan skor kualitatif, serta pembagian dataset (80% data latih dan 20% data uji). Evaluasi performa model dilakukan melalui pengujian Confusion Matrix berbasis metrik Accuracy, Precision, Recall, dan F1-Score. Hasil pengujian menunjukkan bahwa kedua algoritma mampu mengenali pola preferensi belajar secara efektif. Algoritma Support Vector Machine unggul dengan tingkat kestabilan dan akurasi yang lebih tinggi dibandingkan Random Forest pada karakteristik dataset kuesioner yang bervariasi. Penelitian ini menyimpulkan bahwa pengintegrasian algoritma klasifikasi terbaik ke dalam sistem berbasis web terbukti mampu memangkas durasi rekapitulasi data secara signifikan, sekaligus memberikan rekomendasi prediktif yang presisi bagi tenaga pendidik untuk menyelaraskan strategi pembelajaran sesuai kebutuhan individual siswa.