<> "The repository administrator has not yet configured an RDF license."^^ . <> . . . "Prediksi Hasil Belajar Fisika Berbasis Machine Learning dengan Optimasi \r\nItem Response Theory dan Genetic Algorithm."^^ . "Penelitian pengembangan ini bertujuan untuk mendapatkan model prediksi \r\nhasil belajar fisika berbasis machine learning (ML) dengan menggunakan random \r\nforest (RF) melalui: 1) optimasi seleksi fitur dengan item response theory (IRT), 2)\r\npenyetelan hyperparameter berbasis genetic algorithm (GA), 3) pengujian kinerja \r\nprediksi ML melalui beberapa metrik evaluasi, dan 4) membandingkan antara hasil\r\nprediksi ML dengan hasil prediksi secara konvensional.\r\nPenelitian ini mengikuti kerangka studi ML dari model ADDIE yang meliputi\r\nfase analyze, design, develop, implement, dan evaluate. Model prediksi hasil belajar \r\nfisika dilatih untuk pembelajaran fisika fase F semester genap. Data prediktor untuk\r\nklasifikasi biner meliputi demografi, kemampuan awal siswa, kompetensi kognitif, \r\nafektif, dan psikomotor yang diukur melalui instrumen penelitian antara lain Force \r\nConcept Inventory (FCI), Force and Motion Conceptual Evaluation (FMCE), \r\nRotational and Rolling Motion Conceptual Survey (RRMCS), Fluid Mechanics \r\nConceptual Inventory (FMCI), Thermal Concept Evaluation (TCE), Survey of \r\nThermodynamic Processes and First and Second Laws (STPFaSL), Scientific \r\nAbilities Assessment Rubrics (SAAR), dan Colorado Learning Attitudes about \r\nScience Survey (CLASS). Sebanyak 497 siswa berpartisipasi dalam penelitian ini. \r\nAdaptasi alat ukur dievaluasi oleh ahli konten dan validitas konstruk melalui \r\nconfirmatory factor analysis (CFA) yang digunakan untuk ekstraksi fitur pada \r\ntingkat faktor. Fitur yang diekstrak pada level faktor kemudian diseleksi dengan \r\nmodel IRT sebagai input pemodelan RF. Hyperparameter RF dioptimasi dengan \r\nmelakukan pendekatan GA. Pemodelan RF, IRT, dan GA dijalankan dengan bahasa \r\npemrograman R. Kinerja prediksi diukur melalui metrik akurasi, presisi, recall, \r\nspecificity, F1, dan AUC secara k-cross validation sebanyak 10 kali. Perbandingan \r\nhasil prediksi RF dan metode konvensional dilakukan dengan statistik McNemar.\r\nBerdasarkan hasil penelitian diperoleh: 1) seleksi fitur dengan IRT menemukan \r\nempat fitur utama untuk prediksi hasil belajar fisika meliputi kompetensi kinematika, \r\nfluida statis, suhu, dan besaran termodinamika. Variabel demografi, literasi, identitas \r\nfisika, dan non-kognitif tidak meningkatkan kinerja prediksi RF, 2) GA menemukan \r\nlima hyperparameter dari model RF yang mampu membuat kinerja prediksi RF lebih \r\noptimal, 3) Kinerja prediksi model RF yang dioptimasi mencapai akurasi, presisi, \r\nrecall, specificity, F1, dan AUC yang sangat baik, dan 4) terdapat perbedaan\r\nsignifikan antara hasil prediksi hasil belajar fisika model RF yang dilatih dalam \r\npenelitian ini dan metode prediksi secara konvensional. Model RF yang dioptimasi \r\ndengan IRT dan GA menunjukkan kinerja prediksi yang lebih baik daripada prediksi \r\nyang dibuat secara konvensional."^^ . "2025-07-18" . . . "Sekolah Pascasarjana"^^ . . . "Penelitian dan Evaluasi Pendidikan, Sekolah Pascasarjana"^^ . . . . . . . . . . . . "Edi"^^ . "Istiyono"^^ . "Edi Istiyono"^^ . . "Purwoko Haryadi"^^ . "Santoso"^^ . "Purwoko Haryadi Santoso"^^ . . . . . . "Prediksi Hasil Belajar Fisika Berbasis Machine Learning dengan Optimasi \r\nItem Response Theory dan Genetic Algorithm. (Text)"^^ . . "HTML Summary of #88218 \n\nPrediksi Hasil Belajar Fisika Berbasis Machine Learning dengan Optimasi \nItem Response Theory dan Genetic Algorithm.\n\n" . "text/html" . . . "Fisika"@en . . . "Evaluasi Pendidikan" . . . "Media Pendidikan" . .