Perbandingan Algoritma Klasifikasi dengan Seleksi Fitur Shapley Additive Explanation pada Prediksi Nilai Seleksi Calon Guru Penggerak

Oleh :
Farrel Akmal Mulyanto - M0520028 - Fak. Teknologi Informasi dan Sains Data

Program guru penggerak adalah salah satu program pendukung dalam kesuksesan merdeka belajar di Indonesia untuk identifikasi dan pelatihan calon pemimpin pendidikan. Lolos seleksi guru penggerak dipengaruhi oleh nilai yang didapatkan dalam setiap tahapannya. Namun, tidak sedikit dari para kandidat Calon Guru Penggerak (CGP) hanya berfokus pada pengalaman dan latar belakang yang dimiliki tanpa mempertimbangkan strategi dan hal yang perlu dipersiapkan sehingga mendapatkan nilai yang kurang maksimal. Oleh karena itu, perlu untuk mengetahui dan menjelaskan atribut yang mempengaruhi nilai dengan menerapkan algoritma klasifikasi dan seleksi fitur. Di sisi lain, algoritma klasifikasi belum tentu memiliki kinerja yang baik jika diterapkan pada kasus yang berbeda sehingga penelitian ini berfokus untuk membandingkan algoritma klasifikasi dalam memprediksi nilai serta mengetahui dan menjelaskan atribut yang mempengaruhi nilai seorang kandidat CGP. Algoritma klasifikasi yang digunakan yaitu Decision Tree, Random Forest, dan Naïve Bayes. Tahapan yang dilakukan pada penelitian ini yaitu pengumpulan data seleksi wawancara CGP, pra-pemrosesan data, seleksi fitur dengan SHAP, resampling dengan 5-fold cross validation, pembuatan model, dan evaluasi model. Dari percobaan yang telah dilakukan, terdapat peningkatan performa pada semua model setelah dilakukan seleksi fitur dengan akurasi tertinggi sebesar 97.1% untuk model Random Forest. Beberapa fitur yang berpengaruh secara berurutan berdasarkan nilai SHAP yaitu initiating action 22.4%, decision making 17.13%, continuous learning 10.25%, working relationship 10%, ethical maturity 9.62%, purpose 9.26%, resilience 8.4%, dan coaching 5.97%. Berdasarkan hasil tersebut, model Random Forest dengan 8 fitur terpilih dapat menjadi alternatif dalam memprediksi nilai seleksi CGP.