Uji Algoritma Stacking Ensemble Classifier pada Kemampuan Adaptasi Mahasiswa Baru dalam Pembelajaran Online

Perubahan metode pembelajaran dari sistem kelas ke online membawa dampak yang sangat signifikan. Mahasiswa dituntut mampu beradaptasi pada perubahan pola belajar mengajar. Penelitian ini bertujuan untuk melakukan klasifikasi kemampuan adaptasi mahasiswa baru dalam pembelajaran online dengan pendekatan machine learning menggunakan algoritma stacking ensemble. Metode penelitian menggunakan penggabungan single classifier dengan teknik ensemble stacking atau stacked generalization menggunakan Random Forest, Decision Tree, K-Nearest Neighbor, Support Vector Machine, dan Neural Network sebagai base learner dan Logistic Regression sebagai meta learner. Dari penelitian yang dilakukan, didapatkan f-1 score pada Random Forest sebesar 89.26%, Decision Tree 88.58%, K-NN 84.25%, SVM 88.98%, Neural Network 89.06%, Logistic Regression 89.07%, dan Stacking 88.86%. Meski dibandingkan dengan single classifier seperti Decision Tree dan K- NN, akurasi pada Stacking meningkat, akan tetapi tidak lebih optimal dari Random Forest, SVM, Neural Network, maupun Logistic Regression. Validasi keakuratan model menggunakan Cross Validation menghasilkan f-1 score konstan berada pada angka 88% untuk setiap n-fold yang menunjukkan bahwa model stacking yang diimplementasikan sudah baik dan stabil. Hal tersebut juga ditunjukkan pada hasil uji stabilitas algoritma stacking menggunakan data random yang berjumlah 10 dan 5 record masing-masing sebanyak 5 kali percobaan, hasil yang didapatkan f-1 score konsisten berada pada angka 88%.