PERSONALISASI ANTARMUKA ADAPTIF MENGGUNAKAN RANDOM FOREST DAN KERANGKA KERJA EXPLAINABLE HUMAN-IN-THE-LOOP

Otomasi antarmuka adaptif saat ini memicu masalah control gap akibat model black-box AI serta understanding gap karena pengabaian profil kualitatif pengguna. Penelitian tesis berjudul Personalisasi Antarmuka Adaptif Menggunakan Random Forest dan Kerangka Kerja Explainable Human-in-the-Loop ini bertujuan untuk mengatasi masalah tersebut dengan memprediksi Layout Preference secara dinamis dengan tetap mempertahankan kontrol pengguna. Batasan variabel difokuskan pada metrik perilaku interaksi dan profil Digital Persona, sedangkan metode analisis data menggunakan pendekatan kuantitatif eksperimental yang membandingkan performa klasifikasi algoritma utama Random Forest (RF) dengan Deep Neural Networks (DNN). Eksperimen komputasi divalidasi menggunakan skema Stratified k-Fold Cross-Validation dengan lima lipatan. Hasil pengujian empiris membuktikan model usulan Random Forest mengungguli arsitektur DNN, dengan capaian akurasi sebesar 87,25% berbanding 71,00%. Pembahasan menggunakan skor Mutual Information dan nilai kontribusi marginal SHAP TreeExplainer mengungkap bahwa tipe persona Minimalist dan metrik Click Rate bertindak sebagai fitur prediktor yang paling dominan secara global maupun lokal dalam memengaruhi keputusan klasifikasi rekomendasi tata letak visual. Kesimpulan penelitian membuktikan bahwa integrasi penjelasan cerdas SHAP ke dalam kerangka kerja Explainable Human-in-the-Loop (X-HITL) melalui prototype antarmuka konseptual dengan tombol setuju, tolak, dan jelaskan secara teoretis sukses memenuhi standar usabilitas ISO 9241-11. Implementasi ini berhasil mempertahankan manusia sebagai pengambil keputusan akhir dalam siklus otomasi sistem adaptif, sekaligus efektif mereduksi beban kognitif pengguna tanpa mendegradasi kebebasan kontrol mereka.