KLASIFIKASI PERFORMA AKADEMIK SISWA MENGGUNAKAN PENDEKATAN MACHINE LEARNING

Wardana, Kadek Aditya Ananta Wisnu (2025) KLASIFIKASI PERFORMA AKADEMIK SISWA MENGGUNAKAN PENDEKATAN MACHINE LEARNING. S1 - Sarjana thesis, Universitas AMIKOM Yogyakarta.

	Text (COVER-ABSTRAK) COVER.pdf Download (1MB)
	Text (BAB I) BAB I.pdf Download (241kB)
	Text (BAB II) BAB II.pdf Restricted to Registered users only Download (995kB)
	Text (BAB III) BAB III.pdf Restricted to Registered users only Download (425kB)
	Text (BAB IV) BAB IV.pdf Restricted to Registered users only Download (572kB)
	Text (BAB V) BAB V.pdf Download (36kB)
	Text (DAFTAR PUSTAKA-LAMPIRAN) Daftar Pustaka dan Lampiran.pdf Restricted to Registered users only Download (300kB)
	Archive (SOURCE CODE) Sourcecode - 21.11.4392.zip Restricted to Repository staff only Download (375kB)
	Text (PUBLIKASI) Publikasi.pdf Restricted to Repository staff only Download (539kB)

Abstract

Demografis sebagai salah satu factor utama yang mempengaruhi rendahnya performa akademik siswa dalam pendidikan. Beberapa studi sebelumnya yang telah dilakukan untuk mengatasi performa akademik siswa belum menghasilkan akurasi yang cukup memuaskan dengan masalah utama seperti ketidakseimbangan data dan outlier data. Oleh karena itu, digunakan beberapa teknik Machine Learning, yaitu K-Nearest Neighbors, Support Vector Machine, Random Forest, dan Extreme Gradient Boost dalam mengklasifikasikan performa akademik siswa berdasarkan dataset Ibrahim Aljarah. Metode penelitian yang digunakan dalam penelitian ini meliputi preprocessing data, serta pelatihan dan evaluasi model Machine Learning. Dataset diproses dengan teknik normalisasi dan mengatasi ketidakseimbangan data. Model Machine Learning yang diuji meliputi K-Nearest Neighbors, Support Vector Machine, Random Forest, dan Extreme Gradient Boost. Setiap model dilatih menggunakan teknik cross-validation dan dievaluasi berdasarkan metrik akurasi, presisi, recall, f1-score, dan AUC untuk menentukan performa terbaik dalam klasifikasi performa akademik siswa. Hasil penelitian menunjukkan bahwa random forest menjadi algoritma dengan nilai akurasi paling tinggi yaitu dengan akurasi sebesar 0,86, recall sebesar 0,86, presisi sebesar 0,88, f1-score sebesar 0,86, dan AUC sebesar 0,9561. Penelitian ini memberikan kontribusi bagi institusi pendidikan dalam meningkatkan proses evaluasi akademik berbasis data. Penelitian ini dapat digunakan untuk dataset lain dan menerapkan algoritma canggih seperti deep learning.

Actions (login required)

View Item