Prediksi Kinerja Siswa SMP Berdasarkan Data Akademik dan Perilaku Menggunakan Machine Learning
DOI:
https://doi.org/10.30989/teknomatika.v18i2.1639Keywords:
Student Performance, Machine Learning, Academic Data, Student Behavior, PredictionAbstract
Kinerja akademik siswa merupakan indikator penting dalam menilai efektivitas proses pembelajaran di tingkat Sekolah Menengah Pertama (SMP). Penelitian ini bertujuan untuk membangun model prediksi kinerja siswa menggunakan pendekatan machine learning berdasarkan kombinasi data akademik dan perilaku. Data yang digunakan mencakup nilai Matematika, nilai Bahasa Indonesia, waktu belajar di luar sekolah, keaktifan dalam kegiatan ekstrakurikuler, tingkat kehadiran, dan jumlah absensi dalam satu semester. Tiga algoritma machine learning digunakan dalam penelitian ini, yaitu Logistic Regression, Decision Tree, dan Neural Network, untuk membandingkan performa model dalam memprediksi kinerja siswa. Hasil evaluasi menggunakan confusion matrix menunjukkan bahwa setiap algoritma memiliki tingkat akurasi yang bervariasi tergantung pada proporsi pembagian data latih dan uji. Neural Network mencatat akurasi tertinggi sebesar 59% pada skenario pembagian data 60:40 dan 57% pada skenario 70:30. Decision Tree menunjukkan peningkatan performa signifikan pada skenario 80:20 dengan akurasi mencapai 59%, sedangkan Logistic Regression cenderung stabil dengan akurasi terbaik 52% pada skenario 70:30. Temuan ini menunjukkan bahwa pendekatan machine learning dapat memberikan kontribusi signifikan dalam proses identifikasi dini siswa yang berisiko mengalami penurunan prestasi. Dengan penerapan yang tepat, model ini berpotensi membantu guru dan sekolah dalam merancang strategi pembelajaran yang lebih adaptif. Penelitian ini menjadi dasar pengembangan sistem pendukung keputusan berbasis data di lingkungan pendidikan.
References
[1] T. Gori, A. Sunyoto, and H. Al Fatta, “Preprocessing Data dan Klasifikasi untuk Prediksi Kinerja Akademik Siswa,” J. Teknol. Inf. dan Ilmu Komput., vol. 11, no. 1, pp. 215–224, 2024.
[2] F. J. Hamu, D. Wea, and N. Setiyaningtiyas, “Faktor-faktor yang memperngaruhi kinerja akademik mahasiswa: Analisis structural equation model,” J. Paedagogy, vol. 10, no. 1, pp. 175–186, 2023.
[3] I. Gligorea, M. U. Yaseen, M. Cioca, H. Gorski, and R. Oancea, “An Interpretable Framework for an Efficient Analysis of Students’ Academic Performance,” Sustainability, vol. 14, no. 14, p. 8885, Jul. 2022, doi: 10.3390/su14148885.
[4] I. Issah, O. Appiah, P. Appiahene, and F. Inusah, “A systematic review of the literature on machine learning application of determining the attributes influencing academic performance,” Decis. Anal. J., vol. 7, p. 100204, Jun. 2023, doi: 10.1016/j.dajour.2023.100204.
[5] H. Chavez, B. Chavez-Arias, S. Contreras-Rosas, J. M. Alvarez-Rodríguez, and C. Raymundo, “Artificial neural network model to predict student performance using nonpersonal information,” Front. Educ., vol. 8, Feb. 2023, doi: 10.3389/feduc.2023.1106679.
[6] L. R. Pelima, Y. Sukmana, and Y. Rosmansyah, “Predicting University Student Graduation Using Academic Performance and Machine Learning: A Systematic Literature Review,” IEEE Access, vol. 12, pp. 23451–23465, 2024, doi: 10.1109/ACCESS.2024.3361479.
[7] H. Pallathadka, A. Wenda, E. Ramirez-Asís, M. Asís-López, J. Flores-Albornoz, and K. Phasinam, “Classification and prediction of student performance data using various machine learning algorithms,” Mater. Today Proc., vol. 80, pp. 3782–3785, 2023, doi: 10.1016/j.matpr.2021.07.382.
[8] Y. Baashar et al., “Toward Predicting Student’s Academic Performance Using Artificial Neural Networks (ANNs),” Appl. Sci., vol. 12, no. 3, p. 1289, Jan. 2022, doi: 10.3390/app12031289.
[9] H. P. Singh and H. N. Alhulail, “Predicting Student-Teachers Dropout Risk and Early Identification: A Four-Step Logistic Regression Approach,” IEEE Access, vol. 10, pp. 6470–6482, 2022, doi: 10.1109/ACCESS.2022.3141992.
[10] A. M. Rabelo and L. E. Zárate, “A model for predicting dropout of higher education students,” Data Sci. Manag., vol. 8, no. 1, pp. 72–85, Mar. 2025, doi: 10.1016/j.dsm.2024.07.001.
[11] M. Yağcı, “Educational data mining: prediction of students’ academic performance using machine learning algorithms,” Smart Learn. Environ., vol. 9, no. 1, 2022, doi: 10.1186/s40561-022-00192-z.
[12] E. Alhazmi and A. Sheneamer, “Early Predicting of Students Performance in Higher Education,” IEEE Access, vol. 11, pp. 27579–27589, 2023, doi: 10.1109/ACCESS.2023.3250702.
[13] A. Hussain, M. Khan, and K. Ullah, “Student’s performance prediction model and affecting factors using classification techniques,” Educ. Inf. Technol., vol. 27, no. 6, pp. 8841–8858, Jul. 2022, doi: 10.1007/s10639-022-10988-8.
[14] O. A. Olabanjo, A. S. Wusu, and M. Manuel, “A machine learning prediction of academic performance of secondary school students using radial basis function neural network,” Trends Neurosci. Educ., vol. 29, p. 100190, Dec. 2022, doi: 10.1016/j.tine.2022.100190.
[15] H. Waheed, S.-U. Hassan, R. Nawaz, N. R. Aljohani, G. Chen, and D. Gasevic, “Early prediction of learners at risk in self-paced education: A neural network approach,” Expert Syst. Appl., vol. 213, p. 118868, Mar. 2023, doi: 10.1016/j.eswa.2022.118868.
