%K Random Forest, Decision Tree, Simulated Annealing, Prediksi Nilai
%I Universitas AMIKOM Yogyakarta
%L universitasamikomyogyakarta31441
%X Penelitian ini bertujuan untuk mengembangkan dan memprediksi nilai
Asesmen Standardisasi Pendidikan Daerah (ASPD) menggunakan pendekatan
machine learning dengan algoritma Random Forest dan Decision Tree, serta
mengoptimalkan performa model menggunakan metode Simulated Annealing. Data
yang digunakan berasal dari 119 siswa SMP Negeri 2 Mlati pada tahun ajaran 
2023/2024, mencakup nilai literasi membaca, literasi sains, dan numerasi dari hasil 
Try Out serta ASPD(Asesmen Standardisasi Pendidikan Daerah). Data diproses
melalui tahap pembersihan, konversi tipe data, penanganan missing value, dan
pemilihan fitur. Pemilihan fitur dilakukan dengan kombinasi metode SelectKBest 
(Univariate) dan Importance Random Forest (multivariat) untuk mengidentifikasi
6 fitur paling relevan: bahasa indonesial, rata-rata Literasil, ASPD Literasi, bahasa 
indonesia2, ASPD Numerasi, dan ASPD Sains. Model diuji dengan membagi data
menjadi 80% data latih dan 20% data uji. Hasil penelitian menunjukkan bahwa
model Random Forest dan Decision Tree yang dioptimalkan dengan Simulated
Annealing mampu memprediksi nilai ASPD dengan akurasi sangat tinggi, yaitu
Random Forest 94.55% dan Decision Tree 82.70%. Pendekatan ini diharapkan
dapat mendukung peningkatan kualitas pendidikan dan mutu pembelajaran di
tingkat SMP.
%D 2025
%A Meylani Eka Pertiwi
%T ANALISIS KINERJA RANDOM FOREST DAN DECISION TREE DENGAN OPTIMASI SIMULATED ANNEALING UNTUK MEMPREDIKSI NILAI ASPD