Perbandingan Algoritma Machine Learning Dalam Memprediksi Kelulusan Siswa
Abstract
Prediksi kelulusan siswa sangat penting karena dapat membantu sekolah, guru, dan orang tua merencanakan bagaimana membantu siswa yang berisiko tidak lulus. Prediksi ini juga dapat memberi lembaga pendidikan kesempatan untuk meningkatkan kualitas pembelajaran dan mengembangkan tindakan yang lebih efisien. Pada penelitian ini membahas tentang perbandingan algoritma machine learning dalam memprediksi kelulusan siswa. Masalah utama yang diidentifikasi adalah kurangnya sistem prediksi yang efektif, yang dapat memprediksi kelulusan siswa. Tujuan dari penelitian ini adalah untuk menemukan metode terbaik dengan membandingkan kinerja lima algoritma machine learning yaitu K-NN, Naive Bayes, Decision Tree, Random Forest, dan SVM dalam memprediksi kelulusan siswa berdasarkan confusion matrix. Kemudian, dataset yang digunakan untuk penelitian ini memiliki tiga kategori fitur, yaitu: dataset numerikal, dataset kategorikal, dan dataset keseluruhan (gabungan dari numerikal dan kategorikal). Hasil pengujian dari dataset numerikal algoritma Random Forest mendapatkan nilai akurasi terbaik sebesar 74.12%. Pada algoritma dengan fitur kategorikal K-NN dan SVM memiliki nilai akurasi tertinggi dengan mendapatkan nilai sebesar 93.11%. Namun, algoritma Random Forest memiliki performa yang paling konsisten dan unggul ketika seluruh fitur digabungkan. Dengan mendapatkan nilai akurasi tertinggi sebesar 76.50% dan F1-Scorenya 75.00%.
References
[2] Satrio Junaidi, R. Valicia Anggela, and D. Kariman, “Klasifikasi Metode Data Mining untuk Prediksi Kelulusan Tepat Waktu Mahasiswa dengan Algoritma Naïve Bayes, Random Forest, Support Vector Machine (SVM) dan Artificial Neural Nerwork (ANN),” Journal of Applied Computer Science and Technology, vol. 5, no. 1, pp. 109–119, Jun. 2024, doi: 10.52158/jacost.v5i1.489.
[3] N. Hamdani and A. Setyanto, “Perbandingan Algoritma Regresi Logistic Dan Neural Network Pada Prediksi Nilai Hasil Pembinaan Dan Kelulusan Tepat Waktu,” Respati, 2020.
[4] A. M. Majid and I. Nawangsih, “Perbandingan Metode Ensemble Untuk Meningkatkan Akurasi Algoritma Machine Learning Dalam Memprediksi Penyakit Breast Cancer (Kanker Payudara),” Jurnal SAINTIKOM (Jurnal Sains Manajemen Informatika dan Komputer), vol. 23, pp. 97–104, 2024, [Online]. Available: https://ojs.trigunadharma.ac.id/index.php/jis/index
[5] J. Zeniarja, A. Salam, and F. A. Ma’ruf, “Seleksi Fitur dan Perbandingan Algoritma Klasifikasi untuk Prediksi Kelulusan Mahasiswa,” Jurnal Rekayasa Elektrika, vol. 18, no. 2, Jul. 2022, doi: 10.17529/jre.v18i2.24047.
[6] F. A. Bachtiar, I. K. Syahputra, and S. A. Wicaksono, “PERBANDINGAN ALGORITME MACHINE LEARNING UNTUK MEMPREDIKSI PENGAMBIL MATA KULIAH,” Jurnal Teknologi Informasi dan Ilmu Komputer (JTIIK), vol. 6, no. 5, pp. 543–548, 2019, doi: 10.25126/jtiik.2019611755.
[7] D. Agustinawati, “Perbandingan Metode Data Mining pada Prediksi Kelulusan Mahasiswa Fakultas Teknologi Informasi di Perguruan Tinggi dengan Algoritma Naive Bayes dan K-Nearest Neighbor,” Jurnal SIMETRIS, vol. 15, no. 1, 2024.
[8] M. J. Prasetyo, I. Made, and A. Agastya, “Analisis Sentimen Ulasan Aplikasi Perbankan di Google Play Store menggunakan Algoritma Support Vector Machine Sentiment Analysis of Banking Application Reviews on Google Play Store using Support Vector Machine Algorithm,” Sistemasi: Jurnal Sistem Informasi, 2024, [Online]. Available: http://sistemasi.ftik.unisi.ac.id
[9] N. Wakhidah, S. N. Rochmah, ) Fakultas, and R. Artikel, “Klasifikasi kualitas mutu susu pasteurisasi menggunakan metode klasifikasi k-Nearest Neighbor,” AITI: Jurnal Teknologi Informasi, vol. 21, no. Maret, pp. 58–71, 2024.
[10] A. A. Bagaskara and K. D. Hartomo, “Klasifikasi Daerah Rawan Banjir menggunakan 10-Fold Cross Validation dan K-Nearest Neighbors Classification of Flood-Prone Areas Using 10-Fold Cross Validation and K-Nearest Neighbors,” SISTEMASI: Jurnal Sistem Informasi, 2024, [Online]. Available: http://sistemasi.ftik.unisi.ac.id
[11] D. Abisono Punkastyo, F. Septian, and A. Syaripudin, “Implementasi Data Mining Menggunakan Algoritma Naïve Bayes Untuk Prediksi Kelulusan Siswa,” 2024.
[12] W. Ningsih, B. Alfianda, R. Rahmaddeni, and D. Wulandari, “Perbandingan Algoritma SVM dan Naïve Bayes dalam Analisis Sentimen Twitter pada Penggunaan Mobil Listrik di Indonesia,” MALCOM: Indonesian Journal of Machine Learning and Computer Science, vol. 4, no. 2, pp. 556–562, Feb. 2024, doi: 10.57152/malcom.v4i2.1253.
[13] Chely Aulia Misrun, E. Haerani, M. Fikry, and E. Budianita, “Analisis sentimen komentar youtube terhadap Anies Baswedan sebagai bakal calon presiden 2024 menggunakan metode naive bayes classifier,” Jurnal CoSciTech (Computer Science and Information Technology), vol. 4, no. 1, pp. 207–215, Apr. 2023, doi: 10.37859/coscitech.v4i1.4790.
[14] Nurul Chairunnisa, “Prediksi Kemampuan Pembayaran Klien Home Credit Menggunakan Model Random Forest, Decision Tree, Dan Logistic Regression,” Jurnal Elektronika dan Teknik Informatika Terapan ( JENTIK ), vol. 1, no. 3, pp. 140–147, Aug. 2023, doi: 10.59061/jentik.v1i3.383.
[15] S. Budiman, A. Sunyoto, and A. Nasiri, “Analisa Performa Penggunaan Feature Selection untuk Mendeteksi Intrusion Detection Systems dengan Algoritma Random Forest Classifier,” SISTEMASI: Jurnal Sistem Informasi, vol. 10, 2021, [Online]. Available: http://sistemasi.ftik.unisi.ac.id
[16] Lukman and Herlinda, “PREDIKSI KELULUSAN SISWA DENGAN METODE SUPPORT VECTOR MACHINE (SVM) DI SMK ADILUHUR,” STRING (Satuan Tulisan Riset dan Inovasi Teknologi), vol. 9, 2024.
