Klasifikasi Tingkat Kemampuan Fleksibilitas Siswa dalam Pembelajaran Online Menggunakan Algoritma XGBoost

Transformasi pendidikan digital menuntut fleksibilitas tinggi dari peserta didik, khususnya dalam pembelajaran daring. Kemampuan berpikir fleksibel mencakup respons terhadap perubahan, manajemen waktu, dan motivasi dalam belajar mandiri dan digital. Evaluasi fleksibilitas ini penting bagi pendidik dan pengembang platform untuk meningkatkan mutu dan efektivitas pembelajaran. Penelitian ini bertujuan memprediksi tingkat fleksibilitas siswa menggunakan dataset Student Flexibility in Online Learning dari Kaggle, dengan algoritma XGBoost sebagai model klasifikasi utama. Untuk mengatasi ketidakseimbangan kelas, digunakan teknik SMOTE, serta dilakukan tuning hyperparameter melalui GridSearchCV. Model awal XGBoost menghasilkan akurasi 85%, namun recall dan F1-score pada kelas minoritas masih rendah. Penerapan SMOTE meningkatkan kemampuan model mengenali kelas minoritas, khususnya kelas "Low", meskipun sedikit menurunkan akurasi dan presisi akibat kemiripan data sintetis. Penggunaan tuning GridSearchCV selanjutnya tidak menunjukkan peningkatan signifikan, namun membantu menjaga kestabilan model. Secara keseluruhan, kombinasi XGBoost, SMOTE, dan GridSearchCV memberikan hasil yang lebih seimbang dan andal, serta dapat menjadi dasar pengembangan sistem pendukung keputusan dalam pembelajaran daring. Temuan ini dapat digunakan sebagai dasar dalam pengembangan sistem pendukung keputusan bagi lembaga pendidikan dalam mengidentifikasi dan mendukung kebutuhan siswa berdasarkan karakter fleksibilitas siswa.