PREDIKSI KINERJA AKADEMIK MATEMATIKA SISWA BERDASARKAN KEPRIBADIAN BIG FIVE MENGGUNAKAN RANDOM FOREST DENGAN TEKNIK SYNTHETIC MINORITY OVER-SAMPLINGAnnisa NurulPratiwiauthorMasa sekolah menengah merupakan periode penting untuk perkembangan kinerja akademik dan sosial siswa. Educational data mining (EDM) menjadi salah satu metode strategis yang mampu mengeksplorasi pola dalam data pendidikan untuk memprediksi kinerja akademik berdasarkan berbagai faktor, termasuk kepribadian siswa. Namun, ketidakseimbangan data pendidikan masih menjadi masalah yang dapat menyebabkan bias pada model prediksi. Penelitian ini bertujuan untuk mengidentifikasi faktor-faktor yang berkontribusi terhadap kinerja akademik matematika siswa sekolah menengah pertama, seperti faktor akademik, demografis, dan kepribadian model Big Five. Metode Random Forest dan teknik oversampling SMOTE digunakan untuk mengidentifikasi komponen yang berkontribusi terhadap kinerja akademik siswa, serta meningkatkan performa model prediksi. Penelitian ini menunjukkan bahwa faktor akademik menjadi faktor penting, sementara faktor sosial-ekonomi dan kepribadian kurang signifikan terhadap kinerja akademik. Selain itu, penerapan teknik SMOTE terbukti efektif dalam mengatasi ketidakseimbangan data, serta model Random Forest memiliki performa optimal dengan tuning yang tepat. Kombinasi antara Random Forest,hyperparameter tuning GridSearchCV dan SMOTE berhasil mengembangkan model dengan tingkat akurasi mencapai 99%.000 Ilmu komputer, informasi dan pekerjaan umum2025-09-03Universitas AMIKOM Yogyakarta;Pascasarjana Magister InformatikaThesis