Scribd
Unggah
2 tayangan2 halaman

Ujian Pembelajaran Mesin: Prediksi Aktivitas Mahasiswa

Dokumen ini adalah panduan untuk ujian tengah semester mata kuliah Pembelajaran Mesin di Universitas Sriwijaya, yang mencakup pengembangan sistem prediksi keaktifan mahasiswa dalam pembelajaran online menggunakan algoritma KNN, Decision Tree, dan Random Forest. Terdapat pertanyaan mengenai pra-pemrosesan data, pemilihan algoritma berdasarkan pola data, serta evaluasi performa model. Hasil evaluasi menunjukkan bahwa Random Forest memiliki akurasi tertinggi dan performa yang lebih stabil dibandingkan model lainnya.

Diunggah oleh

Arya hatta
Hak Cipta
© All Rights Reserved
Kami menangani hak cipta konten dengan serius. Jika Anda merasa konten ini milik Anda, ajukan klaim di sini.
Format Tersedia
Unduh sebagai PDF, TXT atau baca online di Scribd
2 tayangan2 halaman

Ujian Pembelajaran Mesin: Prediksi Aktivitas Mahasiswa

Dokumen ini adalah panduan untuk ujian tengah semester mata kuliah Pembelajaran Mesin di Universitas Sriwijaya, yang mencakup pengembangan sistem prediksi keaktifan mahasiswa dalam pembelajaran online menggunakan algoritma KNN, Decision Tree, dan Random Forest. Terdapat pertanyaan mengenai pra-pemrosesan data, pemilihan algoritma berdasarkan pola data, serta evaluasi performa model. Hasil evaluasi menunjukkan bahwa Random Forest memiliki akurasi tertinggi dan performa yang lebih stabil dibandingkan model lainnya.

Diunggah oleh

Arya hatta
Hak Cipta
© All Rights Reserved
Kami menangani hak cipta konten dengan serius. Jika Anda merasa konten ini milik Anda, ajukan klaim di sini.
Format Tersedia
Unduh sebagai PDF, TXT atau baca online di Scribd

UNIVERSITAS SRIWIJAYA

FAKULTAS ILMU KOMPUTER


JURUSAN TEKNIK INFORMATIKA
Jalan Palembang – Prabumulih Km. 32 Inderalaya Ogan Ilir Kode Pos 30662
Telepon (0711) 7072729, 379249, 581700 Fax (0711) 379248, 581710
Email: ilkom@[Link]

UJIAN TENGAH SEMESTER PEMBELAJARAN MESIN SEMESTER GANJIL 2025/2026

Mata Kuliah : Pembelajaran Mesin Dosen : Rizki Kurniati


Jurusan : Teknik Informatika Waktu : 90 Menit
Kelas : Reguler Sifat :-
Hari / Tanggal : Selasa / 14 Oktober 2025 Ket. :-

Nama :
NIM :
Kelas :
TTD :

Fakultas ingin mengembangkan sistem sederhana untuk memprediksi apakah seorang mahasiswa akan
aktif atau pasif dalam pembelajaran online. Data diambil dari platform e-learning dengan fitur-fitur
berikut:

Fitur Deskripsi
attendance_rate Persentase kehadiran (0–100%)
avg_quiz_score Nilai rata-rata kuis (0–100)
forum_posts Jumlah posting di forum diskusi
assignment_completion Persentase tugas yang diselesaikan (%)
login_frequency Jumlah login per minggu
activity_class Target: 1 = Aktif, 0 = Pasif

Gunakan model K-Nearest Neighbors (KNN), Decision Tree, Random Forest untuk memprediksi
activity_class mahasiswa di akhir semester.

Soal :

1. Sebutkan dua langkah pra-pemrosesan data yang perlu dilakukan sebelum model KNN, Decision
Tree, dan Random Forest dilatih. Jelaskan mengapa langkah tersebut penting.
2. Jika data mahasiswa menunjukkan pola yang tidak linear dan memiliki banyak fitur yang
saling berhubungan, algoritma mana (KNN, Decision Tree, atau Random Forest) yang paling
sesuai digunakan? Jelaskan alasannya.
3. Gunakan ketiga algoritma berikut untuk membuat model prediksi keaktifan mahasiswa ( K-
Nearest Neighbors , Decision Tree, Random Forest ). Langkah yang harus dilakukan:

1. Bagi data menjadi 70% data latih dan 30% data uji.
2. Latih ketiga model dengan parameter default.
3. Tampilkan nilai akurasi untuk masing-masing model.

Tuliskan hasil dan bandingkan performanya.

4. Misalkan hasil evaluasi ketiga model sebagai berikut:

Recall
Model Akurasi Precision (Aktif)
(Aktif)
KNN 82% 75% 80%
Decision Tree 84% 78% 85%
Random Forest 90% 88% 89%

a. Berdasarkan hasil di atas, model mana yang paling stabil dan dapat diandalkan?
b. Jelaskan secara sederhana mengapa model tersebut memiliki performa lebih baik dibanding dua
lainnya.

Anda mungkin juga menyukai