PREDIKSI KINERJA AKADEMIK PESERTA DIDIK BERDASARKAN DATA MINING PENDIDIKAN MENGGUNAKAN MACHINE LEARNING

• JIMMY
• 14210178

---

ABSTRAK

ABSTRAK

• Nama : Jimmy
• NIM : 14210178
• Program Studi : Ilmu Komputer
• Fakultas : Teknologi Informasi
• Jenjang : Strata Dua (S2)

Konsentrasi : Data Mining Judul : “Prediksi Kinerja Akademik Peserta Didik Berdasarkan Data Mining Pendidikan Menggunakan Machine Learning”

Pendidikan berperan penting dalam membangun kualitas sumber daya manusia, sehingga evaluasi kinerja akademik peserta didik menjadi aspek krusial. Metode penilaian tradisional seringkali hanya menekankan aspek kognitif dan kurang memperhatikan faktor lain. Dengan berkembangnya data mining dan machine learning, data pendidikan dapat dianalisis untuk menemukan pola yang mendukung pengambilan keputusan yang lebih tepat. Penelitian ini menerapkan algoritma klasifikasi machine learning untuk memprediksi jenis prestasi siswa berdasarkan dataset pendidikan. Tahapan meliputi pra-pemrosesan (data cleaning, encoding, balancing dengan SMOTE, dan scaling) serta pengujian beberapa algoritma: Logistic Regression, Decision Tree, Random Forest, Support Vector Machine (SVM), dan K-Nearest Neighbor (KNN). Hasil penelitian menunjukkan bahwa algoritma Random Forest memberikan akurasi tertinggi sebesar 93,1%, lebih baik dibandingkan Decision Tree dan SVM (86,2%), KNN (70,6%), serta Logistic Regression (58,7%). Temuan ini menegaskan bahwa data mining efektif digunakan dalam memprediksi prestasi akademik dan bermanfaat bagi sekolah dalam merancang intervensi pendidikan yang lebih tepat sasaran.

KATA KUNCI

machine learning

---

DAFTAR PUSTAKA

DAFTAR PUSTAKA

[1] M. Ya?c?, “Educational data mining: prediction of students’ academic performance using machine learning algorithms,” Smart Learn. Environ., vol. 9, no. 1, hal. 11, 2022, doi: 10.1186/s40561-022-00192-z.

[2] M. A. S. Pawitra, H.-C. Hung, dan H. Jati, “A Machine Learning Approach to Predicting On-Time Graduation in Indonesian Higher Education,” Elinvo (Electronics, Informatics, Vocat. Educ., vol. 9, no. 2, hal. 294–308, 2024, doi: 10.21831/elinvo.v9i2.77052.

[3] M. Safar dan N. Anis, “Prediction of Indonesian Learning Achievement Using Machine Learning Models,” Int. J. Lang. Ubiquitous Learn., 2025.

[4] H. Tjahyadi dan K. N. L. Tude, “The Implementation of Educational Data Mining in Predicting Students’ Academic Achievement in Mathematics at a Private Elementary School,” Int. J. Inf. Educ. Technol., vol. 15, no. 1, hal. 154–163, 2025, doi: 10.18178/ijiet.2025.15.1.2228.

[5] F. F. Ananna, R. Nowreen, S. S. R. Al Jahwari, E. A. Costa, L. Angeline, dan S. R. Sindiramutty, “Analysing Influential Factors in Student Academic Achievement: Prediction Modelling and Insight,” Int. J. Emerg. Multidiscip. Comput. Sci. Artif. Intell., vol. 2, no. 1, hal. 1–71, 2023, doi: 10.54938/ijemdcsai.2023.02.1.254.

[6] N. M. Farhan dan B. Setiaji, “Indonesian Journal of Computer Science,” Indones. J. Comput. Sci., vol. 12, no. 2, hal. 284–301, 2023, [Daring]. Tersedia pada: http://ijcs.stmikindonesia.ac.id/ijcs/index.php/ijcs/article/view/3135

[7] A. I. Gufroni, P. Purwanto, dan F. Farikhin, “Academic Performance Prediction Using Supervised Learning Algorithms in University Admission,” Int. J. Informatics Vis., vol. 9, no. 1, hal. 184–194, 2025, doi: 10.62527/joiv.9.1.2974.

[8] S. Panggabean dan Wahyu Joko Saputro, “Analyzing Student Academic Achievement Using Machine Learning Techniques at Senior High School Darunnajah Jakarta,” Inspir. J. Teknol. Inf. dan Komun., vol. 14, no. 1, hal. 125–143, 2024, doi: 10.35585/inspir.v14i1.81. 38 Program Studi Ilmu Komputer (S2) Universitas Nusa Mandiri

[9] H. Han, J., Pei, J., & Tong, “Data Mining: Concepts and Techniques (4th ed.),” 2023.

[10] E. Kalita et al., “Educational data mining: a 10-year review,” Discov. Comput., vol. 28, no. 1, 2025, doi: 10.1007/s10791-025-09589-z.

[11] J. Huang, Y. P. Xin, dan H. H. Chang, “The Application of Machine Learning to Educational Process Data Analysis: A Systematic Review,” Educ. Sci., vol. 15, no. 7, 2025, doi: 10.3390/educsci15070888.

[12] R. Buaton, Y. Maulita, dan A. Kristiawan, “Korelasi Faktor Penyebab Tindak Kekerasan dalam Rumah Tangga Menggunakan Data Mining Algoritma A Priori,” J. Media Infotama, vol. 14, no. 1, 2018, doi: 10.37676/jmi.v14i1.468.

[13] C. Romero dan S. Ventura, “Educational data mining: A review of the state of the art,” IEEE Trans. Syst. Man Cybern. Part C Appl. Rev., vol. 40, no. 6, hal. 601–618, 2010, doi: 10.1109/TSMCC.2010.2053532.

[14] A. Kord, A. Aboelfetouh, dan S. M. Shohieb, Academic course planning recommendation and students’ performance prediction multi-modal based on educational data mining techniques, no. Ml. Springer US, 2025. doi: 10.1007/s12528-024-09426-0.

[15] S. N. Faadhilah, S. Bukhori, dan J. A. Putra, “Pengenalan Ekspresi Emosi pada Citra Wajah Menggunakan Extreme Learning Machine Studi Kasus Dataset Publik JAFFE,” MALCOM Indones. J. Mach. Learn. Comput. Sci., vol. 2, no. 2, hal. 19–27, 2022, doi: 10.57152/malcom.v2i2.363.

[16] K. M. Fadli, L. Yulianti, dan F. H. Utami, “Tingkat Pemahaman Siswa terhadap Mata Pelajaran selama Pandemi Covid-19 dengan Algoritma C4- 5,” JIRK J. Innov. Res. Knowl., vol. 2, no. 8, hal. 3173–3180, 2023.

[17] U. Suriani, “Penerapan Data Mining untuk Memprediksi Tingkat Kelulusan Mahasiswa Menggunakan Algoritma Decision Tree C4.5,” Journalcisa, vol. 3, no. 2, hal. 55–66, 2023, [Daring]. Tersedia pada: http://jesik.web.id/index.php/jesik/article/view/91

[18] D. Desyanti, “Implementasi Metode C.45 dalam Menganalisa Tingkat Kecemasan Mahasiswa Menyusun Tugas Akhir,” J. Unitek, vol. 14, no. 1, 39 Program Studi Ilmu Komputer (S2) Universitas Nusa Mandiri hal. 17–29, 2021, doi: 10.52072/unitek.v14i1.175.

[19] E. O. Ali, M. Agustin, dan R. Sari, “Implementasi Algoritma Decision Tree Dengan Fitur Seleksi Weight By Information Gain,” Multinetics, vol. 9, no. 2, hal. 118–126, 2024, doi: 10.32722/multinetics.v9i2.5715.

[20] S. Saifullah, M. Zarlis, Z. Zakaria, dan R. W. Sembiring, “Analisa Terhadap Perbandingan Algoritma Decision Tree Dengan Algoritma Random Tree Untuk Pre-Processing Data,” J-SAKTI (Jurnal Sains Komput. dan Inform., vol. 1, no. 2, hal. 180, 2017, doi: 10.30645/j-sakti.v1i2.41.

[21] M. R. Qisthiano, T. B. Kurniawan, E. S. Negara, dan M. Akbar, “Pengembangan Model Untuk Prediksi Tingkat Kelulusan Mahasiswa Tepat Waktu dengan Metode Naïve Bayes,” J. Media Inform. Budidarma, vol. 5, no. 3, hal. 987, 2021, doi: 10.30865/mib.v5i3.3030.

[22] S. Hilda Kusumahadi, H. Junaedi, dan J. Santoso, “Klasifikasi Helpdesk Menggunakan Metode Support Vector Machine,” J. Inform. J. Pengemb. IT, vol. 4, no. 1, hal. 54–60, 2019, doi: 10.30591/jpit.v4i1.1125.

[23] W. Wijiyanto, A. I. Pradana, S. Sopingi, dan V. Atina, “Teknik K-Fold Cross Validation untuk Mengevaluasi Kinerja Mahasiswa,” J. Algoritm., vol. 21, no. 1, hal. 239–248, 2024, doi: 10.33364/algoritma/v.21-1.1618.

[24] R. R. Pratama, “Analysis of Machine Learning Models on Human Activity Recognition,” MATRIK J. Manag. Inf. Eng. Comput. Eng., vol. 19, no. 2, hal. 302–311, 2020.

[25] Z. Aini, Y. Yahya, dan L. M. Samsu, “Implementasi Algoritma Naïve Bayes untuk Memprediksi Tingkat Kepatuhan Wajib Pajak di Desa Dames Damai,” J. Print. J. Pengemb. Rekayasa Inform. dan Komput., vol. 1, no. 2, hal. 64–77, 2023, doi: 10.29408/jprinter.v1i2.22005.

[26] D. Kurniadi, F. Nuraeni, dan S. M. Lestari, “Implementation of the Naïve Bayes Algorithm Using Feature Forward Selection and SMOTE to Predict the Accuracy of Undergraduate Study Periods,” J. Sist. Cerdas, vol. 5, no. 2, hal. 63–82, 2022.

[27] A. Rachmat dan Y. Lukito, “SENTIPOL: Dataset Sentimen Komentar Pada Kampanye PEMILU Presiden Indonesia 2014 dari Facebook Page,” Konf. 40 Program Studi Ilmu Komputer (S2) Universitas Nusa Mandiri Nas. Teknol. Inf. dan Komun. 2016, no. December, hal. 218–228, 2016, [Daring]. Tersedia pada: http://publikasifti.ukdw.ac.id/Paper_Klasifikasi_Komentar_Spam_pada_Instagram_Berba hasa_Indonesia_Menggunakan_K_NN_Yuan_Lukito.pdf

[28] P. Akademik, S. Smp, dan W. Mejobo, “Perbandingan kinerja knn dan,” vol. 10, no. 2, hal. 887–897, 2025.