TY  - THES
UR  - http://eprints.uny.ac.id/88218/
ID  - UNY88218
N2  - Penelitian pengembangan ini bertujuan untuk mendapatkan model prediksi 
hasil belajar fisika berbasis machine learning (ML) dengan menggunakan random 
forest (RF) melalui: 1) optimasi seleksi fitur dengan item response theory (IRT), 2)
penyetelan hyperparameter berbasis genetic algorithm (GA), 3) pengujian kinerja 
prediksi ML melalui beberapa metrik evaluasi, dan 4) membandingkan antara hasil
prediksi ML dengan hasil prediksi secara konvensional.
Penelitian ini mengikuti kerangka studi ML dari model ADDIE yang meliputi
fase analyze, design, develop, implement, dan evaluate. Model prediksi hasil belajar 
fisika dilatih untuk pembelajaran fisika fase F semester genap. Data prediktor untuk
klasifikasi biner meliputi demografi, kemampuan awal siswa, kompetensi kognitif, 
afektif, dan psikomotor yang diukur melalui instrumen penelitian antara lain Force 
Concept Inventory (FCI), Force and Motion Conceptual Evaluation (FMCE), 
Rotational and Rolling Motion Conceptual Survey (RRMCS), Fluid Mechanics 
Conceptual Inventory (FMCI), Thermal Concept Evaluation (TCE), Survey of 
Thermodynamic Processes and First and Second Laws (STPFaSL), Scientific 
Abilities Assessment Rubrics (SAAR), dan Colorado Learning Attitudes about 
Science Survey (CLASS). Sebanyak 497 siswa berpartisipasi dalam penelitian ini. 
Adaptasi alat ukur dievaluasi oleh ahli konten dan validitas konstruk melalui 
confirmatory factor analysis (CFA) yang digunakan untuk ekstraksi fitur pada 
tingkat faktor. Fitur yang diekstrak pada level faktor kemudian diseleksi dengan 
model IRT sebagai input pemodelan RF. Hyperparameter RF dioptimasi dengan 
melakukan pendekatan GA. Pemodelan RF, IRT, dan GA dijalankan dengan bahasa 
pemrograman R. Kinerja prediksi diukur melalui metrik akurasi, presisi, recall, 
specificity, F1, dan AUC secara k-cross validation sebanyak 10 kali. Perbandingan 
hasil prediksi RF dan metode konvensional dilakukan dengan statistik McNemar.
Berdasarkan hasil penelitian diperoleh: 1) seleksi fitur dengan IRT menemukan 
empat fitur utama untuk prediksi hasil belajar fisika meliputi kompetensi kinematika, 
fluida statis, suhu, dan besaran termodinamika. Variabel demografi, literasi, identitas 
fisika, dan non-kognitif tidak meningkatkan kinerja prediksi RF, 2) GA menemukan 
lima hyperparameter dari model RF yang mampu membuat kinerja prediksi RF lebih 
optimal, 3) Kinerja prediksi model RF yang dioptimasi mencapai akurasi, presisi, 
recall, specificity, F1, dan AUC yang sangat baik, dan 4) terdapat perbedaan
signifikan antara hasil prediksi hasil belajar fisika model RF yang dilatih dalam 
penelitian ini dan metode prediksi secara konvensional. Model RF yang dioptimasi 
dengan IRT dan GA menunjukkan kinerja prediksi yang lebih baik daripada prediksi 
yang dibuat secara konvensional.
M1  - disertasi
AV  - restricted
KW  - genetic algorithm
KW  -  hasil belajar fisika
KW  -  item response theory
KW  -  machine 
learning
KW  -  predik
Y1  - 2025/07/18/
PB  - Sekolah Pascasarjana
TI  - Prediksi Hasil Belajar Fisika Berbasis Machine Learning dengan Optimasi 
Item Response Theory dan Genetic Algorithm.
A1  - Santoso, Purwoko Haryadi
A1  - Istiyono, Edi
ER  -