%T PREDIKSI KINERJA AKADEMIK MATEMATIKA SISWA
BERDASARKAN KEPRIBADIAN BIG FIVE MENGGUNAKAN 
RANDOM FOREST DENGAN TEKNIK SYNTHETIC MINORITY 
OVER-SAMPLING
%X Masa 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%.
%A Annisa Nurul Pratiwi
%K Big Five, Educational Data Mining, Kinerja Siswa, Random Forest,
SMOTE, Student Performance.
%I Universitas AMIKOM Yogyakarta
%L universitasamikomyogyakarta31751
%D 2025