Analisis Pemanfaatan Artificial Intelligence dalam Pendidikan Menggunakan Multi-Layer Perceptron (MLP) dan Extreme Gradient Boosting (XGBoost

• INDRA BUDI AJI
• 14230009

---

ABSTRAK

ABSTRAK

Nama              : Indra Budi Aji

NIM                 : 14230009

Program Studi : Ilmu Komputer

Fakultas           : Teknologi Informasi

Jenjang             : Strata Dua (S2)

Peminatan : Artificial Intelligence dan Blockchain Judul Tesis : Analisis Pemanfaatan Artificial Intelligence Dalam Pendidikan Menggunakan Multi-Layer Perceptron (MLP) dan Extreme Gradient Boosting (XGBoost)

Perkembangan teknologi Artificial Intelligence (AI) telah membawa dampak transformasional dalam dunia pendidikan, terutama dalam meningkatkan efektivitas, efisiensi, dan personalisasi proses pembelajaran. Penelitian ini bertujuan menganalisis pemanfaatan AI dalam pendidikan berdasarkan persepsi siswa dengan menggunakan dua algoritma machine learning, yaitu Multi-Layer Perceptron (MLP) dan Extreme Gradient Boosting (XGBoost), untuk membandingkan tingkat akurasi, presisi, recall, dan F1-score dalam memprediksi persepsi terhadap AI. Dataset yang digunakan berasal dari Kaggle berjudul “Survey on Students’ Perceptions of AI in Education” yang berisi 16 fitur dan 91 instance, melalui tahapan preprocessing data berupa imputasi nilai hilang, encoding fitur kategorikal, normalisasi skala data, penyeimbangan kelas menggunakan metode SMOTE-TomekLinks, serta optimisasi bobot model dengan Adam Optimizer. Hasil analisis menunjukkan bahwa algoritma XGBoost memiliki performa lebih unggul dibandingkan MLP pada seluruh metrik evaluasi, dengan rata-rata F1-score sebesar 0.78 untuk XGBoost dan 0.75 untuk MLP, serta distribusi prediksi yang lebih stabil pada variabel utama seperti AI Awareness, AI Source of Information, dan Advantage in Learning. Temuan ini membuktikan bahwa XGBoost lebih adaptif dalam menangani pola non-linear dan data tidak seimbang, sehingga dapat dijadikan model prediktif yang lebih akurat untuk menganalisis persepsi siswa terhadap AI.

KATA KUNCI

Artificial Intelligence

---

DAFTAR PUSTAKA

DAFTAR PUSTAKA

[1]. W. Ertel, Introduction to Artificial Intelligence. Springer Fachmedien Wiesbaden, 2025. doi: 10.1007/978-3-658-43102-0.

[2]. J. E. (Hans). Korteling, G. C. van de Boer-Visschedijk, R. A. M. Blankendaal, R. C. Boonekamp, and A. R. Eikelboom, “Human- versus Artificial Intelligence,” Frontiers in Artificial Intelligence, vol. 4, Mar. 2021, doi: 10.3389/frai.2021.622364.

[3]. A. Datnow, “The role of teachers in educational reform: A 20-year perspective,” Journal of Educational Change, vol. 21, no. 3, pp. 431–441, Feb. 2020, doi: 10.1007/s10833-020-09372-5.

[4]. T. K. F. Chiu and C. Chai, “Sustainable Curriculum Planning for Artificial Intelligence Education: A Self-Determination Theory Perspective,” Sustainability, vol. 12, no. 14, p. 5568, Jul. 2020, doi: 10.3390/su12145568.

[5]. “The Impact of AI on Teaching and Learning in Higher Education Technology,” Journal of Higher Education Theory and Practice, vol. 22, no. 13, Oct. 2022, doi: 10.33423/jhetp.v22i13.5514.

[6]. S. Ji et al., “Understanding cycling distance according to the prediction of the XGBoost and the interpretation of SHAP: A non-linear and interaction effect analysis,” Journal of Transport Geography, vol. 103, p. 103414, Jul. 2022, doi: 10.1016/j.jtrangeo.2022.103414.

[7]. M. H. Jarrahi, C. Lutz, and G. Newlands, “Artificial intelligence, human intelligence and hybrid intelligence based on mutual augmentation,” Big Data & Society, vol. 9, no. 2, Jul. 2022, doi: 10.1177/20539517221142824.

[8] A. Sumayli and S. M. Alshahrani, “Modeling and prediction of biodiesel production by using different artificial intelligence methods: Multi-layer perceptron (MLP), Gradient boosting (GB), and Gaussian process regression (GPR),” Arabian Journal of Chemistry, vol. 16, no. 7, p. 104801, Jul. 2023, doi: 10.1016/j.arabjc.2023.104801.

[9]. G. Kumar, S. Basri, A. A. Imam, S. A. Khowaja, L. F. Capretz, and A. O. Balogun, “Data Harmonization for Heterogeneous Datasets: A Systematic Literature Review,” Applied Sciences, vol. 11, no. 17, p. 8275, Sep. 2021, doi: 10.3390/app11178275.

[10]. Y. Gong, G. Liu, Y. Xue, R. Li, and L. Meng, “A survey on dataset quality in machine learning,” Information and Software Technology, vol. 162, p. 107268, Oct. 2023, doi: 10.1016/j.infsof.2023.107268.

[11]. K. Maharana, S. Mondal, and B. Nemade, “A review: Data pre-processing and data augmentation techniques,” Global Transitions Proceedings, vol. 3, no. 1, pp. 91–99, Jun. 2022, doi: 10.1016/j.gltp.2022.04.020.

[12]. V. Desai and D. H A, “A Hybrid Approach to Data Pre-processing Methods,” 2020 IEEE International Conference for Innovation in Technology (INOCON), pp. 1–4, Nov. 2020, doi: 10.1109/inocon50539.2020.9298378.

[13]. J. Miao and W. Zhu, “Precision–recall curve (PRC) classification trees,” Evolutionary Intelligence, vol. 15, no. 3, pp. 1545–1569, Apr. 2021, doi: 10.1007/s12065-021-00565-2.

[14]. C. Miller, T. Portlock, D. M. Nyaga, and J. M. O’Sullivan, “A review of model evaluation metrics for machine learning in genetics and genomics,” Frontiers in Bioinformatics, vol. 4, Sep. 2024, doi: 10.3389/fbinf.2024.1457619.