Klasifikasi Prestasi Akademik Siswa Menggunakan Algoritma Random Forest
Keywords:
Random Forest, klasifikasi, prestasi akademik, data mining, GradeClassAbstract
Prestasi akademik termasuk salah satu tolak ukur utama dalam menilai keberhasilan proses pembelajaran siswa. Proses identifikasi kategori prestasi akademik secara manual cenderung memakan banyak waktu dan menjadi kurang efisien, terutama ketika jumlah data siswa terus bertambah. Tujuan dari penelitian ini untuk mengimplementasikan algoritma Random Forest untuk mengklasifikasikan kategori prestasi akademik siswa (GradeClass) berdasarkan variabel StudyTimeWeekly, Absences, Tutoring, dan GPA. Data yang dipakai adalah Student Performance Dataset yang bersumber dari Kaggle dengan jumlah 2.392 data. Tahapan penelitian meliputi preprocessing data, pembagian data ke dalam 80% data latih dan 20% data uji, Pembangunan pada model Random Forest menggunakan 60 decision tree, serta evaluasi melalui Accuracy, Macro F1-Score, Confusion Matrix, dan 5-Fold Cross Validation. Pada hasil pengujian menunjukkan bahwa model Random Forest memperoleh akurasi sebesar 92,3%. Pengujian variasi jumlah decision tree menunjukkan bahwa penggunaan 60 decision tree memberikan keseimbangan yang baik antara akurasi dan waktu pelatihan, sedangkan analisis feature importance menunjukkan bahwa GPA merupakan variabel yang paling dominan dalam memprediksi GradeClass. Oleh karena itu, sistem yang dikembangkan berpotensi mendukung proses evaluasi akademik agar lebih objektif, cepat, dan efisien.
References
[1] S. Apandi, “Pemodelan Klasifikasi Siswa Berprestasi dengan Random Forest: Studi Kasus pada Bimbingan Belajar,” Faktor Exacta, vol. 18, no. 1, p. 63, Jul. 2025, doi: 10.30998/faktorexacta.v18i1.27163.
[2] M. Firmansyah Tubira, Y. Findawati, R. Dijaya, and Y. Rahmwati, “Prediksi Status Pekerjaan Lulusan SMK Menggunakan Algoritma Random Forest: Analisis Multifaktor Akademis, Sosial, dan Keluarga,” SMATIKA, vol. 15, no. 2, p. 15, 2025, doi: 10.32664/smatika.v15i02.1804.
[3] A. H. Fajar, S. B. Jeffersen, R. Fadilla, A. R. Zaini, A. Sucipto, and B. O. Lubis, “PREDIKSI KELAYAKAN SISWA SMA NEGERI JAKARTA SELATAN MENGGUNAKAN ALGORITMA C.45 BEDASARKAN ZONASI, PRESTASI, DAN RAPOR,” Jakarta, Apr. 2025. [Online]. Available: https://arsip.siap-ppdb.com.
[4] S. Matogu and B. Silalahi, “Optimasi Random Forest untuk Identifikasi Dini Siswa Berisiko di Sekolah Menengah OPTIMIZING RANDOM FOREST ALGORITHM FOR EARLY IDENTIFICATION OF AT-RISK STUDENTS IN SECONDARY SCHOOL,” Jurnal Inovasi Informatika (JII), vol. 08, no. 01, pp. 34–48, 2026, doi: 10.51170/jii.v8i1.330.
[5] A.- Husaini, I. Hariyanti, and A. R. Raharja, “Perbandingan Algoritma Decision Tree dan Naive Bayes dalam Klasifikasi Data Pengaruh Media Sosial dan Jam Tidur Terhadap Prestasi Akademik Siswa,” Technologia : Jurnal Ilmiah, vol. 15, no. 2, p. 332, Apr. 2024, doi: 10.31602/tji.v15i2.14381.
[6] Z. Fatah and A. Ibrohim, “Klasifikasi Prestasi Akademik Siswa Menggunakan Algoritma Decision Tree dengan RapidMiner,” Situbondo, 2026.
[7] A. Fatunnisa and H. Marcos, “Prediksi Kelulusan Tepat Waktu Siswa SMK Teknik Komputer Menggunakan Algoritma Random Forest,” Jurnal Manajemen Informatika (JAMIKA), vol. 14, no. 1, pp. 101–111, Apr. 2024, doi: 10.34010/jamika.v14i1.12114.
[8] S. Chayy Bilqisth and R. M. Ikhsanuddin, “ANALISIS PERBANDINGAN AKURASI KLASIFIKASI KEPUASAN SISWA TERHADAP KINERJA GURU MENGGUNAKAN ALGORITMA SVM, C4.5, DAN RANDOM FOREST,” Jurnal Teknik Elektro dan Informatika, vol. 20, pp. 37–44, 2025.
[9] Sofiyatus Zawiyah, Lailatul Qodriyah, and Moh. Badri Tamam, “Klasifikasi Prestasi Akademik Mahasiswa Menggunakan Metode Random Forest,” Journal of Digital Business and Information Technology, vol. 1, no. 2, pp. 61–71, Jan. 2025, doi: 10.23971/jobit.v1i2.317.
[10] H. Ghani, R. Santos, F. Supriadi, and D. Setiadi, “PREDIKSI JUMLAH PENGUNJUNG PERPUSTAKAAN MENGGUNAKAN ALGORITMA RANDOM FOREST,” Sumedang, Apr. 2026.
[11] M. A. Rachman, D. Ridho Maulana, B. Timothy, and R. Annisa, “JURNAL MEDIA INFORMATIKA [JUMIN] Aplikasi Prediksi Tingkat Kelulusan Mahasiswa Berdasarkan Data Akademik dan Demografi Menggunakan Algoritma Klasifikasi Random Forest,” Pontianak, Jan. 2026.
[12] J. Kuswanto, H. Lukmanul, A. Info, and K. Kunci, “Penerapan Algoritma Random Forest untuk memprediksi Performa Akademik Mahasiswa,” vol. 5, no. 1, pp. 262–270, 2025, doi: 10.51454/del.
[13] R. B. Hidayah, K. Latifah, and B. A. Herlambang, “PREDIKSI GAYA BELAJAR MENGGUNAKAN ALGORITMA RANDOM FOREST DENGAN OPTIMASI HYPERPARAMETER TUNING BERBASIS WEB,” Rabit : Jurnal Teknologi dan Sistem Informasi Univrab, vol. 10, no. 2, pp. 864–873, Jul. 2025, doi: 10.36341/rabit.v10i2.6393.
[14] Y. Caesarita, N. Wahyudi, and A. Kurniawan Faisol, “Prediksi Kelulusan Mahasiswa Tepat Waktu Menggunakan Perbandingan Algoritma Random Forest Dan XGBoost,” INTER TECH, vol. 4, no. 1, pp. 38–45, May 2026, doi: 10.54732/4nzaxe76.
[15] E. Novianto, S. Suhirman, and D. Prasetyo, “PERBANDINGAN METODE KLASIFIKASI RANDOM FOREST DAN SUPPORT VECTOR MACHINE DALAM MEMPREDIKSI CAPAIAN STUDI MAHASISWA,” JIPI (Jurnal Ilmiah Penelitian dan Pembelajaran Informatika), vol. 9, no. 4, pp. 1821–1833, Nov. 2024, doi: 10.29100/jipi.v9i4.5423.
