PEMENFAATAN MACHINE LEARNING (SUPERVISED LEARNING) UNTUK DETEKSI KESULITAN MEMBACA PADA ANAK USIA DINI

Abstract

Penelitian ini mengkaji efektivitas pendekatan machine learning dalam mengidentifikasi kesulitan membaca pada anak usia dini. Menggunakan dataset yang mencakup 500+ sampel dengan berbagai parameter termasuk waktu respons (AvgResponse), skor kompleksitas (avg_d_prime), dan skor disleksia (ktea_dyslexia_ss), penelitian ini menerapkan dan membandingkan dua model machine learning: Random Forest dan Support Vector Machine (SVM). Hasil menunjukkan bahwa SVM mencapai akurasi yang lebih tinggi (80.33%) dibandingkan Random Forest (72.13%) dalam mengidentifikasi kesulitan membaca. Temuan ini menggarisbawahi potensi signifikan machine learning sebagai alat skrining awal untuk kesulitan membaca, memungkinkan intervensi lebih dini dan efektif dalam pendidikan anak usia dini.