Sistem Pendidikan Kinerja Siswa Berbasis Web Menggunakan Algoritma Decision Tree dan XGBost

Assyifa Salsabila  Hairani; Rahmatulloh  Cahyono; Athib Abi  Balta

Penulis

Assyifa Salsabila Hairani Universitas Bina Sarana Informatika
Rahmatulloh Cahyono Universitas Bina Sarana Informatika
Athib Abi Balta Universitas Bina Sarana Informatika

Kata Kunci:

decision tree, Kinerja Siiswa, Prediksi, Sistem WEB, XGBoost

Abstrak

Pemanfaatan data akademik di sekolah masih terbatas sehingga diperlukan sistem prediktif untuk mendukung keputusan berbasis bukti. Penelitian ini bertujuan untuk mengembangkan model prediksi kinerja siswa menggunakan algoritma Decision Tree dan XGBoost serta mengintegrasikannya ke dalam sistem prediksi berbasis web untuk mendukung pemantauan akademik secara real-time. Data penelitian menggunakan dataset Student Performance dari Kaggle yang terdiri dari 1.000 siswa dengan delapan atribut akademik dan demografis. Tahap penelitian meliputi preprocessing data, seleksi fitur, pelatihan model, serta hyperparameter tuning menggunakan GridSearchCV dan RandomizedSearchCV. Hasil penelitian menunjukkan bahwa XGBoost memberikan performa terbaik dengan akurasi 0,885, F1-score 0,885, dan AUC 0,954, sedangkan Decision Tree hanya mencapai akurasi 0,826 dan AUC 0,839. Analisis information gain menegaskan bahwa writing score merupakan variabel paling berpengaruh dalam klasifikasi. Model terbaik kemudian diintegrasikan ke dalam sistem web berbasis Flask, sehingga memungkinkan pengguna melakukan prediksi secara cepat tanpa instalasi tambahan. Kontribusi penelitian ini mencakup penerapan konsep Educational Data Mining (EDM) melalui kombinasi model pembelajaran mesin dan platform web prediktif real-time. Temuan ini diharapkan dapat membantu sekolah dalam mendeteksi risiko akademik siswa lebih awal dan mendukung pengambilan keputusan berbasis data.

Unduhan

Data unduhan belum tersedia.

Referensi

Q. Aini, A. Kurniawan, and T. B. Sulistiyowati, “Digital Transformation: Best Practices of Educational Platform in Indonesia,” J. Transform., vol. 10, no. 1, pp. 42–59, 2024, doi: DOI: 10.21776/ub.transformative.2024.010.01.3.

F. M. Siddiq, “Prediksi Prestasi Akademik Siswa Jurusan PPLG dengan Metode Algoritma Decision Tree (Studi Kasus: SMK Negeri 1 Depok),” Syntax Lit. J. Ilm. Indones., vol. 10, no. 1, pp. 1–11, 2025, doi: https://doi.org/10.36418/syntax-literate.v10i1.17220.

P. A. Thamrin, R. Nasuah, N. Talaohu, Maharani, and M. Almasi, “Digital Transformation In Education Management Optimizing Technology For Effective Learning,” JIEMAN J. Islam. Educ. Manag., vol. 6, no. 2, pp. 73–88, 2024, doi: https://doi.org/10.35719/jieman.v6i2.259.

A. Fathurohman, “Machine Learning Untuk Pendidikan: Mengapa dan Bagaimana,” J. Inform. dan Teknol. Komput., vol. 1, no. 3, pp. 57–62, 2021.

S. A. A. Kharis and A. H. A. Zili, “Learning Analytics dan Educational Data Mining pada Data Pendidikan,” J. Ris. Pembelajaran Mat. Sekol., vol. 6, no. 1, pp. 12–20, 2022, doi: https://doi.org/10.21009/jrpms.061.02.

Nurbaeti, N. Sulistiyaningsih, and R. Rismayati, “Comparison of Random Forest, Decision Tree, and XGBoost Models in Predicting Student Academic Success,” J. Artif. Intell. Softw. Eng., vol. 5, no. 3, pp. 920–929, 2025, doi: http://dx.doi.org/10.30811/jaise.v5i3.7138.

S. Dipa, J. Santoso, and F. H. Chandra, “Prediction of Student Performance in the Results of the Online Learning Process Assessment in Informatics Subjects in High School,” J-Intech J. Inf. Technol., vol. 12, no. 1, pp. 73–81, 2024, doi: https://doi.org/10.32664/j-intech.v12i1.1259.

M. F. H. Febrian, W. A. Triyanto, and D. L. Fithri, “Perbandingan Kinerja KKN dan Decision Tree dalam Klasifikasi Akademik Siswa SMP Wilayah Mejobo,” Rabit J. Teknol. Dan Sist. Inf. Univrab, vol. 10, no. 2, pp. 887–897, 2025, doi: https://doi.org/10.36341/rabit.v10i2.6412.

T. H. Hasibuan and D. Mahdiana, “Prediksi Kelulusan Mahasiswa Tepat Waktu Menggunakan Algoritma C4.5 Pada UIN Syarif Hidayatullah Jakarta,” J. Skanika, vol. 6, no. 1, pp. 61–74, 2023, doi: https://doi.org/10.36080/skanika.v6i1.2976.

M. T. Nururrohman and E. Setyati, “Sistem Rekomendasi Penerima Beasiswa pada Calon Mahasiswa Menggunakan Algoritma XGBoost di Universitas Islam Darul ‘Ulum Lamongan,” J. Inform., vol. 14, no. 1, 2025, doi: https://doi.org/10.35706/syji.v14i01.13070.

L. F. Sari, “Analisis Pengaruh Faktor-faktor Eksternal Terhadap Kinerja Komputer Menggunakan Machine Learning,” J. Dunia Data, vol. 1, no. 4, pp. 1–16, 2024.

R. Simanullang, D. Hartama, Poningsih, I. Parlina, and M. R. Lubis, “Model Aturan dalam Menentukan Prestasi Nilai Siswa di SMK GKPS 1 Raya Menggunakan Algoritma C4.5,” J. Ilmu Komput. dan Inform., vol. 2, no. 1, pp. 1–24, 2022, doi: https://doi.org/10.54082/jiki.16.

C. E. Murwaningtyas, “Identification of Demographic Factors Affecting Student Performance using Tree-Based Machine Learning Models,” JTAM (Jurnal Teor. dan Apl. Mat., vol. 9, no. 2, pp. 467–481, 2025, doi: https://doi.org/10.31764/jtam.v9i2.28815.

I. Akbar, I. S. Samad, Rahmat, and S. Rosmiana, “Data Mining Analysis of K-means Algorithm and Decision Tree for Early Detection of Students at Risk of Dropping Out,” J. Informatics, Inf. Syst. Softw. Eng. Appl., vol. 7, no. 2, pp. 148–162, 2025, doi: https://doi.org/10.20895/inista.v7i2.1630.

A. I. Gufroni, Purwanto, and Farikhin, “Academic Performance Prediction Using Supervised Learning Algorithms in University Admission,” JOIV Int. J. Inform. Vis., vol. 9, no. 1, pp. 184–194, 2025, doi: http://dx.doi.org/10.62527/joiv.9.1.2974.

T. W. Putra, A. Triayudi, and Andrianingsih, “Analisis Sentimen Pembelajaran Daring menggunakan Metode Naïve Bayes, KNN, dan Decision Tree,” J. JTIK (Jurnal Teknol. Inf. Dan Komunikasi), vol. 6, no. 1, p. 21, 2022, doi: 10.35870/jtik.v6i1.368.

H. Amalia, A. Puspita, A. F. Lestari, and Friieyadie, “Application of Decision Tree and Naive Bayes on Student Performannce Dataset,” J. Pilar Nusa Mandiri, vol. 18, no. 1, pp. 53–58, 2022, doi: https://doi.org/10.33480/pilar.v18i1.2714.

I. D. Ayulani, A. M. Yunawan, T. Prihutaminingsih, D. Sarwinda, G. Ardaneswari, and B. D. Handari, “Tree-Based Ensemble Methods and Their Applications for Predicting Students’ Academic Performance,” nt. J. Adv. Sci. Eng. Inf. Technol, vol. 13, no. 3, pp. 919–927, 2023, doi: https://doi.org/10.18517/ijaseit.13.3.16880.

S. Hasan and N. Muhammad, “Sistem Informasi Pembayaran Biaya Studi Berbasis Web pada Politeknik Sains dan Teknologi Wiratama Maluku Utara,” IJIS-Indonesian J. Inf. Syst., vol. 5, no. 1, pp. 44–55, 2020, doi: https://doi.org/10.36549/ijis.v5i1.66.

L. G. R. Putra, D. D. Prasetya, and Mayadi, “Student Dropout Prediction Using Random Forest and XGBoost Method,” INTENSIF J. Ilm. Penelit. Dan Penerapan Teknol. Sist. Inf., vol. 9, no. 1, pp. 147–157, 2025, doi: https://doi.org/10.29407/intensif.v9i1.21191.

M. Al Hafidz, A. C. Puspitaningrum, M. S. Prasetya, and L. D. Fitrani, “Implementasi Aplikasi Prestasi Siswa Berbasis Web pada Sekolah Menengah Atas di Indonesia,” Sist. J. Sist. Inf., vol. 13, no. 4, pp. 2540–9719, 2024, [Online]. Available: http://sistemasi.ftik.unisi.ac.id

D. N. Muhammady, H. A. E. Nugraha, V. R. S. Nastiti, and C. A. K. Sri, “Students Final Academic Score Prediction Using Boosting Regression Algorithms,” J. Ilm. Tek. Elektro Komput. dan Inform., vol. 10, no. 1, pp. 154–165, 2024, doi: 10.26555/jiteki.v10i1.28352.