Optimasi Artificial Neural Network Untuk Klasifikasi Gaya Belajar Mahasiswa Menggunakan Model Visual, Auditori, dan Kinestetik (VAK)

Penelitian ini mengusulkan kerangka kerja Artificial Neural Network (ANN) teroptimasi untuk klasifikasi otomatis gaya belajar mahasiswa berdasarkan model Visual, Auditori, dan Kinestetik (VAK) guna mendukung personalisasi pembelajaran. Sistem memanfaatkan data kuesioner sebanyak 36 butir yang dipraproses menggunakan standarisasi z-score dan dikodekan menjadi fitur numerik. Berbagai konfigurasi ANN dievaluasi untuk menganalisis pengaruh kedalaman arsitektur jaringan, fungsi aktivasi, kekuatan regularisasi (λ = 1 × 10⁻⁴ hingga 1 × 10⁻²), serta jumlah iterasi pelatihan terhadap kinerja klasifikasi. Model dilatih menggunakan optimizer Adam dengan mekanisme early stopping untuk menjaga stabilitas konvergensi. Hasil eksperimen menunjukkan bahwa standarisasi data dan regularisasi yang tepat meningkatkan generalisasi dan stabilitas model. Konfigurasi terbaik dengan dua lapisan tersembunyi (64–32 neuron), fungsi aktivasi ReLU, dan λ = 1 × 10⁻² mencapai akurasi 91,9% dan nilai macro-F1 sebesar 0,908. Temuan ini menegaskan bahwa optimasi hiperparameter berperan penting dalam meningkatkan ketangguhan ANN untuk sistem pembelajaran adaptif.