STMIKJAYAKARTASTMIKJAYAKARTA
Jurnal Manajamen Informatika JayakartaJurnal Manajamen Informatika JayakartaPesatnya perkembangan teknologi menyebabkan keterlimpahan data di berbagai bidang termasuk pendidikan. Hal ini membantu sekolah dan pengambil keputusan dalam merencanakan program pendidikan yang efektif dan mendukung keberhasilan siswa. Metode ini bekerja dengan membagi data menjadi beberapa node keputusan yang saling terkait. Setiap node keputusan menggambarkan atribut yang relevan dalam prediksi kelulusan siswa, seperti nilai rata-rata, kehadiran siswa, dan partisipasi dalam kegiatan ekstrakurikuler, Selain itu, data juga mencakup informasi tentang latar belakang sosio ekonomi siswa seperti tingkat pendidikan orang tua, pekerjaan orang tua, dan status kepemilikan rumah. Di dunia pendidikan tentu banyak data yang dapat digali, mulai dari data kinerja pengajar data nilai siswa, data proses pembelajaran dalam beberapa tahun terakhir, terdapat siswa yang lulus tidak tepat waktu di Sekolah Menengah Akhir SMA ISLAM AL-AZHAR 5 CIREBON. Metode yang digunakan dalam Laporan Tugas Akhir ini yaitu Knowledge Discovery in Database (KDD) dengan tahapan selection, preprocessing, transformation, data mining dan evaluation dan juga menggunakan algoritma decision tree untuk menentukan tingkat kelulusan siswa apakah siswa dinyatakan lulus atau belum lulus. Oleh karena itu, perlu dilakukan prediksi status kelulusan siswa untuk mengidentifikasi faktor yang mempengaruhi kelulusan siswa, yang juga dapat digunakan untuk membantu sekolah memecahkan masalah menjadi lebih mudah. Untuk mengatasi masalah tersebut, peneliti memprediksi kelulusan siswa berdasarkan informasi kelulusan siswa. Hasil dari Laporan Tugas Akhir ini memperoleh akurasi sebesar 91,43% Recall sebesar 75,00% dan Precison sebesar 60,00%.
Penelitian ini menerapkan metode Decision Tree untuk klasifikasi kelulusan siswa.Langkah-langkahnya melibatkan seleksi data dengan menggunakan atribut seperti nama siswa, nilai rata-rata semester, jurusan, dan status.Setelah seleksi, dataset dibagi menjadi subset pelatihan dan pengujian, tanpa adanya data anomali atau kesalahan cetak.Tidak diperlukan transformasi data, sehingga proses dilanjutkan ke tahap data mining.Hasil analisis klasifikasi menunjukkan performa yang baik dengan akurasi mencapai 91,43%.Evaluasi menggunakan confusion matrix, presisi, recall, dan kurva ROC juga menunjukkan hasil yang positif.Dengan demikian, dapat disimpulkan bahwa model Decision Tree memberikan prediksi kelulusan siswa yang dapat diandalkan dan akurat berdasarkan atribut yang telah dipilih.
Berdasarkan hasil penelitian ini, beberapa saran penelitian lanjutan dapat dipertimbangkan. Pertama, penelitian lebih lanjut dapat dilakukan dengan menambahkan variabel lain yang mungkin mempengaruhi kelulusan siswa, seperti tingkat motivasi belajar, dukungan orang tua, atau faktor lingkungan sekolah. Kedua, eksplorasi algoritma machine learning lainnya, seperti Support Vector Machine (SVM) atau Neural Network, dapat dilakukan untuk membandingkan performa prediksi kelulusan siswa dengan metode Decision Tree. Ketiga, pengembangan sistem informasi berbasis web atau mobile yang terintegrasi dengan model prediksi kelulusan siswa dapat membantu sekolah dalam mengidentifikasi siswa yang berpotensi mengalami kesulitan belajar dan memberikan intervensi yang tepat. Sistem ini juga dapat memberikan rekomendasi program pembelajaran yang sesuai dengan kebutuhan masing-masing siswa, sehingga dapat meningkatkan tingkat kelulusan secara keseluruhan. Penelitian-penelitian ini diharapkan dapat memberikan kontribusi yang signifikan dalam meningkatkan kualitas pendidikan dan membantu siswa mencapai potensi terbaik mereka.
- Analisis Tren Minat Masyarakat Indonesia terhadap Artificial Intelligence dalam Menyongsong Society 5.0:... doi.org/10.33379/gtech.v7i4.3091Analisis Tren Minat Masyarakat Indonesia terhadap Artificial Intelligence dalam Menyongsong Society 5 0 doi 10 33379 gtech v7i4 3091
- KLASIFIKASI KELULUSAN SISWA TAHUN 2024 MENGGUNAKAN METODE DECISION TREE (STUDI KASUS SMA ISLAM ALAZHAR... journal.stmikjayakarta.ac.id/index.php/JMIJayakarta/article/view/1408KLASIFIKASI KELULUSAN SISWA TAHUN 2024 MENGGUNAKAN METODE DECISION TREE STUDI KASUS SMA ISLAM ALAZHAR journal stmikjayakarta ac index php JMIJayakarta article view 1408
| File size | 1.32 MB |
| Pages | 12 |
| DMCA | Report |
Related /
STMIKJAYAKARTASTMIKJAYAKARTA Dari ketiga metode, nilai akurasi paling tinggi sebesar 0,985 dengan penanganan Missing Value dilakukan dengan menghapus data dengan tingkat Missing ValueDari ketiga metode, nilai akurasi paling tinggi sebesar 0,985 dengan penanganan Missing Value dilakukan dengan menghapus data dengan tingkat Missing Value
STMIKBINSASTMIKBINSA Penelitian ini menghasilkan sebuah model yang dapat digunakan untuk melakukan pengelompokan mahasiswa berdasarkan minat belajarnya sehingga dapat terdeteksiPenelitian ini menghasilkan sebuah model yang dapat digunakan untuk melakukan pengelompokan mahasiswa berdasarkan minat belajarnya sehingga dapat terdeteksi
IAINU KEBUMENIAINU KEBUMEN Penggunaan media ini meningkatkan motivasi belajar siswa dan memberikan dampak positif pada pemahaman materi fikih, khususnya materi sedekah. Hasil penilaianPenggunaan media ini meningkatkan motivasi belajar siswa dan memberikan dampak positif pada pemahaman materi fikih, khususnya materi sedekah. Hasil penilaian
STMIKJAYAKARTASTMIKJAYAKARTA Program Indonesia Pintar (PIP) melalui Kartu Indonesia Pintar (KIP) adalah program pemerintah yang ditawarkan dalam wujud pembiayaan pendidikan langsungProgram Indonesia Pintar (PIP) melalui Kartu Indonesia Pintar (KIP) adalah program pemerintah yang ditawarkan dalam wujud pembiayaan pendidikan langsung
BUMIGORABUMIGORA Hasil evaluasi validitas klaster menunjukan bahwa algoritma Dynamic cluster pada K-means memperoleh nilai DBI lebih kecil dibandingkan dengan algoritmaHasil evaluasi validitas klaster menunjukan bahwa algoritma Dynamic cluster pada K-means memperoleh nilai DBI lebih kecil dibandingkan dengan algoritma
LENTERADUALENTERADUA Algoritma Support Vector Machine (SVM) secara konsisten memberikan akurasi terbaik dibandingkan algoritma lainnya yang diuji. Penggunaan hanya lima atribut,Algoritma Support Vector Machine (SVM) secara konsisten memberikan akurasi terbaik dibandingkan algoritma lainnya yang diuji. Penggunaan hanya lima atribut,
TUNASBANGSATUNASBANGSA Sistem pendukung keputusan pemutusan hubungan kerja dengan metode Analytic Network Process berhasil dibuat. Pengujian terhadap 5 karyawan bagian BreedingSistem pendukung keputusan pemutusan hubungan kerja dengan metode Analytic Network Process berhasil dibuat. Pengujian terhadap 5 karyawan bagian Breeding
TUNASBANGSATUNASBANGSA Dalam hal ini pemerintah belum memiliki informasi tentang data pengelompokkan rata-rata konsumsi kalori per hari menurut provinsi. Tujuan dari penelitianDalam hal ini pemerintah belum memiliki informasi tentang data pengelompokkan rata-rata konsumsi kalori per hari menurut provinsi. Tujuan dari penelitian
Useful /
IAIN SUIAIN SU Temuan mengungkapkan bahwa al-hukm al-taklifi berfungsi sebagai jembatan epistemis yang menghubungkan wahyu ilahi, kognisi rasional, dan tujuan moral.Temuan mengungkapkan bahwa al-hukm al-taklifi berfungsi sebagai jembatan epistemis yang menghubungkan wahyu ilahi, kognisi rasional, dan tujuan moral.
UnimorUnimor Perlakuan yang diuji terdiri dari R0: tanpa bokashi (Kontrol); R1: Bokashi feses ayam; R2: Bokashi feses sapi; R3: Bokashi feses kambing. Variabel yangPerlakuan yang diuji terdiri dari R0: tanpa bokashi (Kontrol); R1: Bokashi feses ayam; R2: Bokashi feses sapi; R3: Bokashi feses kambing. Variabel yang
STMIKJAYAKARTASTMIKJAYAKARTA Hal ini dapat memicu konflik. Penelitian ini menggunakan pendekatan Sistem Causal Loop Diagram (CLD) untuk memetakan hubungan dinamis tersebut. TujuannyaHal ini dapat memicu konflik. Penelitian ini menggunakan pendekatan Sistem Causal Loop Diagram (CLD) untuk memetakan hubungan dinamis tersebut. Tujuannya
TUNASBANGSATUNASBANGSA Data dikelompokkan menjadi dua cluster: 13 provinsi dengan potensi pengangguran tertinggi dan 21 provinsi terendah. Hasilnya diharapkan membantu pemerintahData dikelompokkan menjadi dua cluster: 13 provinsi dengan potensi pengangguran tertinggi dan 21 provinsi terendah. Hasilnya diharapkan membantu pemerintah