Prediksi Gaya Belajar dan Tipe Kepribadian Siswa Berdasarkan Esai dengan Metode Support Vector Machine

Oleh :
Zidan Firkhan Ali - K3522085 - Fak. KIP

Zidan Firkhan Ali. K3522085. Pembimbing I : Febri Liantoni S.ST., M.KOM.PREDIKSI GAYA BELAJAR DAN TIPE KEPRIBADIAN SISWABERDASARKAN ESAI DENGAN METODE SUPPORT VECTORMACHINE. Skripsi. Surakarta: Fakultas Keguruan dan Ilmu PendidikanUniversitas Sebelas Maret Surakarta, Juni 2026.Penelitian ini bertujuan untuk mengetahui apakah algoritma Support VectorMachine dapat memprediksi gaya belajar (Visual, Auditory, Read/Write, danKinesthetic) dan tipe kepribadian (Ekstrovert dan Introvert) siswa berdasarkan esaidengan akurasi lebih dari 70%. Penelitian ini merupakan penelitian kuantitatifdengan teknik eksperimen berbasis machine learning. Populasi pada penelitian iniadalah siswa SMA 2 Batik Surakarta dengan sampel sebanyak 135 siswa yangdiambil menggunakan teknik purposive sampling. Pengumpulan data dilakukanmenggunakan instrumen kuesioner VARK, kuesioner MBTI, dan panduanpenulisan esai. Validasi model menggunakan Stratified 5-fold Cross-Validation.Analisis data mencangkup tahapan pra-pemrosesan teks, ekstraksi fitur TermFrequency-Inverse Document frequency (TF-IDF), augmentasi data berbasisparafrase, serta klasifikasi menggunakan algoritma SVM. Hasil penelitian iniadalah sebagai berikut. Pertama, model SVM dengan representasi fitur TF-IDFberhasil mencapai rata-rata akurasi sebesar 77,50% pada klasifikasi gaya belajardan 83,33% pada klasifikasi tipe kepribadian, sehingga melampaui target yangditetapkan dan Hipotesis Alternatif (H1) diterima. Kedua berdasarkan evaluasiperforma tiap kelas, pada klasifikasi gaya belajar, kelas Visual memperolehprecision tinggi, sedangkan untuk kelas Read/Write menunjukkan performaterendah akibat kemiripan pola kebahasaan dengan kelas Kinesthetic. Padaklasifikasi tipe kepribadian, kelas Ekstrovert memperoleh nilai precision yang lebihtinggi, sementara kelas Introvert lebih unggul pada nilai recall. Ketiga penerapanteknik augmentasi data memberikan kontribusi yang baik terhadap peningkatanperforma model yang sebelumnya hanya memiliki akurasi dibawah 70%. Adapunkendala atau kesalahan prediksi umumnya terjadi ketika teks esai memuat indikatorkarakteristik kelas ganda (overlapping), keterbatasan model berbasis TF-IDF dalammemahami konteks kalimat secara utuh, serta adanya distribusi data kelas yang tidak seimbang .