LODDOSINSTITUTELODDOSINSTITUTE

Jurnal Sistem Informasi, Teknik Informatika dan Teknologi PendidikanJurnal Sistem Informasi, Teknik Informatika dan Teknologi Pendidikan

Kelulusan siswa merupakan indikator penting dalam menilai keberhasilan pendidikan, yang dipengaruhi oleh berbagai faktor seperti nilai akademik, aktivitas ekstrakurikuler, kemampuan interpersonal, kondisi sosial ekonomi, serta dukungan orang tua. Prediksi kelulusan dapat membantu sekolah dalam mendeteksi siswa yang berisiko tidak lulus dan memberikan intervensi yang tepat waktu. Penelitian ini bertujuan untuk membangun model prediksi kelulusan siswa dengan menggunakan metode Support Vector Machine (SVM), yang dikenal efektif dalam memisahkan data ke dalam kategori tertentu secara optimal. Data yang digunakan mencakup aspek akademik dan non-akademik. Proses pemodelan meliputi pembersihan data, seleksi fitur, optimasi parameter, serta evaluasi performa menggunakan metrik akurasi, presisi, dan recall.

Berdasarkan hasil penelitian yang telah dilakukan, model Support Vector Machine (SVM) terbukti mampu memprediksi kelulusan siswa dengan tingkat akurasi sebesar 97,14%, precision sebesar 98%, dan recall sebesar 90%.Nilai-nilai ini menunjukkan bahwa model memiliki performa yang sangat kuat dalam mengklasifikasikan siswa ke dalam kategori lulus dan tidak lulus.Analisis korelasi menunjukkan bahwa variabel akademik seperti nilai tugas, UTS, dan UAS memiliki pengaruh yang kuat terhadap prediksi kelulusan.Sebaliknya, faktor non-akademik seperti kegiatan ekstrakurikuler dan kemampuan interpersonal memberikan kontribusi yang lebih rendah.Temuan ini dapat menjadi dasar bagi pihak sekolah untuk lebih memfokuskan intervensi kepada siswa yang memiliki nilai akademik rendah.Selain memberikan hasil prediksi, model SVM yang dibangun juga dapat digunakan sebagai alat bantu bagi sekolah dalam melakukan deteksi dini terhadap siswa yang berisiko tidak lulus.Dengan demikian, penelitian ini memberikan manfaat praktis sekaligus kontribusi akademik terhadap pengembangan model prediksi pendidikan.

Untuk penelitian lanjutan, disarankan untuk memperluas dataset dengan memasukkan variabel kontekstual lain seperti kondisi keluarga atau motivasi belajar. Selain itu, dapat dilakukan pengujian model dengan menggunakan algoritma lain seperti Random Forest atau Neural Network untuk membandingkan performa dan akurasi. Terakhir, penelitian dapat dilakukan dengan mengintegrasikan model prediksi kelulusan ini ke dalam sistem informasi sekolah untuk memudahkan akses dan pemanfaatan oleh pihak sekolah.

Read online
File size424.7 KB
Pages11
DMCAReport

Related /

ads-block-test