Penerapan Algoritma Random Forest untuk Prediksi Performa Akademik Siswa
Keywords:
Random Forest, Prediksi Performa Akademik Siswa, Python, RapidMiner, Cross ValidationAbstract
Pendidikan merupakan aspek penting dalam meningkatkan kualitas sumber daya manusia, sehingga diperlukan metode yang mampu memprediksi performa akademik siswa secara akurat. Namun, proses prediksi performa akademik di sekolah masih banyak dilakukan secara konvensional, yang cenderung kurang efisien dan berpotensi menghasilkan kesimpulan yang kurang akurat, terutama karena kompleksitas data dan banyaknya variabel yang memengaruhi performa akademik. Oleh karena itu, penelitian ini bertujuan untuk menerapkan algoritma Random Forest serta membandingkan kinerja model menggunakan dua tools, yaitu Python dan RapidMiner, dalam memprediksi performa akademik siswa di salah satu Sekolah Menengah Pertama (SMP) di Kota Bogor. Evaluasi model dilakukan menggunakan teknik cross validation dengan skema 5-fold dan 10-fold. Hasil penelitian menunjukkan bahwa implementasi Random Forest menggunakan Python memperoleh akurasi sebesar 86.75% pada skema 5-fold dan 85.43% pada skema 10-fold. Sementara itu, RapidMiner menghasilkan akurasi yang stabil yaitu sebesar 84.11% pada kedua skema pengujian. Selisih akurasi sebesar 1.32% hingga 2.64% menunjukkan bahwa performa kedua tools relatif ekuivalen. Secara keseluruhan, algoritma Random Forest menunjukkan kemampuan yang baik dalam memprediksi performa akademik siswa sesuai kategori yang telah ditentukan. Hasil penelitian diharapkan dapat menjadi acuan bagi pihak sekolah dalam pemanfaatan machine learning serta memberikan kontribusi dalam pengembangan penerapan machine learning di dunia pendidikan.
References
Aditya, A., Wahyuddin, P., Leo, S., Santoso, W., Wahyu, G., Wibowo, N., Khrisna, A., Rahmaddeni, W., Wahidin, A. J., Eka, G., Elisawati, Y., Rizqi, R., & Abdurrasyid, W. (2023). MACHINE LEARNING. PT Global Eksekutif Teknologi. Padang.
Afandi, K., Arief, M. H., Laily, N. F., & Nugroho, D. M. (2024). Analisis Performa Akademik Mahasiswa Menggunakan Social Network Analysis. Journal of Technology and Informatics (JoTI), 5(2), 65–69. https://doi.org/10.37802/joti.v5i2.514
Cahyani, N., Irsyada, R., & Kartini, A. Y. (2025). Implementasi Machine Learning Model sebagai Sistem Prediksi Penyakit Breast Cancer. Digital Transformation Technology, 4(2), 1112–1120. https://doi.org/10.47709/digitech.v4i2.5209
Desmawan, D., Aleyda, F., Darwin, R., Salsyabila, S., Rizqina, A., & Ikhsanudin. (2023). Analisis Peran Pendidikan Terhadap Kualitas Sumber Daya Manusia Guna Meningkatkan Produktivitas Masyarakat Di DKI Jakarta. Jurnal Ilmu Manajemen, Ekonomi Dan Kewirausahaan, 1(2), 214–224. https://doi.org/10.59024/jumek.v1i2.75
Diponegoro, M. H., Kusumawardani, S. S., & Hidayah, I. (2021). Tinjauan Pustaka Sistematis: Implementasi Metode Deep Learning pada Prediksi Kinerja Murid (Implementation of Deep Learning Methods in Predicting Student Performance: A Systematic Literature Review). Jurnal Nasional Teknik Elektro Dan Teknologi Informasi, 10(2), 131–138. https://doi.org/10.22146/jnteti.v10i2.1417
Efendi, M. S., Sarwido, & Zyen, A. K. (2024). Penerapan Algoritma Random Forest Untuk Prediksi Penjualan Dan Sistem Persediaan Produk. 5(1), 12–20. https://doi.org/10.30865/resolusi.v5i1.2149
Elmore, W. M., Young, J. K., Harris, S., & Mason, D. (2016). The Relationship between Individual Student Attributes and Online Course Completion. In Handbook of Research on Building, Growing, and Sustaining Quality E-Learning Programs (pp. 151–173). IGI Global, Hershey, PA (Pennsylvania).
Fathurohman, A. (2021). MACHINE LEARNING UNTUK PENDIDIKAN: MENGAPA DAN BAGAIMANA. Jurnal Informatika Dan Tekonologi Komputer JITEK, 1(3), 57–62. https://doi.org/10.55606/jitek.v1i3.306
Imam, A. K., Ridfah, A., & Akmal, N. (2023). Efektivitas Pemberian Sugesti Positif Terhadap Peningkatan Performa Akademik Mahasiswa Fakultas Psikologi UNM. Jurnal Sinestesia, 13(2), 1311–1320. https://sinestesia.pustaka.my.id/journal/article/view/495
Muyassaaroh, I. K. (2021). Belajar Efektif dan Efisien untuk Problem Belajar Siswa yang Berprestasi Rendah. Journal of Islamic Education, 1(1), 87–96. https://doi.org/10.14421/hjie.11-08
Primajaya, A., & Sari, B. N. (2018). Random Forest Algorithm for Prediction of Precipitation. Indonesian Journal of Artificial Intelligence and Data Mining (IJAIDM), 1(1), 27–31. http://dx.doi.org/10.24014/ijaidm.v1i1.4903
Rahman, A. (2023). Klasifikasi Performa Akademik Siswa Menggunakan Metode Decision Tree dan Naive Bayes. Jurnal SAINTEKOM, 13(1), 22–31. https://doi.org/10.33020/saintekom.v13i1.349
Saefudin, W., Sriwiyanti, & Mohamad Yusoff, S. H. (2021). SPIRITUAL WELL-BEING SEBAGAI PREDIKTOR PERFORMA AKADEMIK SISWA DI MASA PANDEMI. 9(2), 247–262.
Saeprani, R., Handayani, M., & Taryo, T. (2025). Analisis Dan Perbandingan Algoritma Decision Tree, Naïve Bayes, Dan Random Forest Dalam Evaluasi Prestasi Siswa Smk (Study Kasus: Smkn 8 Kabupaten Tangerang), Tesis, Pasca Sarjana Ilmu Komputer, Univ. Pamulang, Tangerang Selatan.
Sudrajat, D., Purnamasari, A. I., Dikananda, A. R., Kurnia, D. A., & Bahtiar, A. (2022). Klasifikasi Mutu Pembelajaran Hybrid berdasarkan Algoritma C.45, Random Forest dan Naïve Bayes dengan Optimasi Bootsrap Areggating (Bagging) pada masa COVID-19. JURIKOM (Jurnal Riset Komputer), 9(6), 2227–2233. https://doi.org/10.30865/jurikom.v9i6.5179
Sukmaningtyas, Y. N., Akbar, R. M., & Asyafiiyah, G. R. U. (2024). Penerapan Predictive Analytics untuk Analisis Faktor-faktor yang Mempengaruhi Performa Akademik Siswa. Arcitech: Journal of Computer Science and Artificial Intelligence, 4(2), 127–145. https://doi.org/10.29240/arcitech.v4i2.12048
