Optimasi Supervised Learning dengan Seleksi Fitur: Meningkatkan Prestasi Belajar Mahasiswa di Era Pasca Pandemi

Penelitian Rahmadeyan dan Mustakim (2023) menggarisbawahi pentingnya seleksi fitur dalam meningkatkan performa model supervised learning, terutama dalam klasifikasi prestasi belajar mahasiswa. Dengan penerapan Chi-Square dan Mutual Information, hasil penelitian ini menunjukkan peningkatan akurasi dan pengurangan waktu komputasi yang signifikan, terutama pada model CART. Data ini memberikan bukti empiris bahwa seleksi fitur mampu menyederhanakan proses analisis data tanpa mengorbankan akurasi hasil prediksi. Hal ini relevan bagi institusi pendidikan yang perlu memahami faktor-faktor penentu prestasi akademik di era pasca-pandemi.

Selain itu, dari perspektif praktis, penelitian ini menawarkan cara baru untuk meningkatkan kualitas pembelajaran. Dengan fokus pada fitur-fitur kunci yang memengaruhi hasil akademik, seperti pemahaman materi dan waktu belajar, institusi pendidikan dapat merancang pendekatan yang lebih adaptif dan efektif. Ini berpotensi meningkatkan kualitas lulusan yang lebih siap menghadapi tantangan di masa depan.

Sebagai kesimpulan, seleksi fitur adalah alat yang kuat dalam meningkatkan akurasi model supervised learning dan sangat penting untuk diterapkan dalam berbagai bidang, termasuk pendidikan. Penelitian ini memberikan wawasan berharga bagi para peneliti dan praktisi di bidang data mining serta pendidikan untuk memanfaatkan teknik ini demi menghasilkan keputusan yang lebih tepat dan efisien.

Referensi

Rahmadeyan, A., & Mustakim. (2023). Seleksi fitur pada supervised learning: Klasifikasi prestasi belajar mahasiswa saat dan pasca pandemi COVID-19. Jurnal Nasional Teknologi dan Sistem Informasi, 9(1), 21--32. https://doi.org/10.25077/TEKNOSI.v9i1.2023.21-32