Article Per Year (5 Year)
p-Index From 2021 - 2026
0.23
P-Index
This Author published in this journals
All Journal Jurnal Sistem Informasi, Teknik Informatika dan Teknologi Pendidikan (JUSTIKPEN)
Aditya Aji Sagara
Universitas Indo Global Mandiri
Computer Science & IT Decision Sciences, Operations Research & Management Economics, Econometrics & Finance Engineering Mechanical Engineering Social Sciences Other

Published : 1 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 1 Documents
Search

 1 
Klasifikasi Risiko Burnout Akade Klasifikasi Risiko Burnout Akademik Pada Siswa Kelas XI SMA LTI IGM Berdasarkan Pola Belajar Menggunakan Algoritma Decision Tree: Klasifikasi Risiko Burnout Akademik pada Siswa Kelas XI SMA LTI IGM Berdasarkan Pola Belajar Menggunakan Algoritma Decision Tree Aditya Aji Sagara; Herri Setiawan; Muhammad Haviz Irfani
Jurnal Sistem Informasi, Teknik Informatika dan Teknologi Pendidikan Vol. 6 No. 1 (2026): Edisi April - September 2026 IN PRESS
Publisher : Utiliti Project Solution

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Burnout akademik merupakan kondisi kelelahan emosional, fisik, dan mental akibat tekanan akademik yang berkepanjangan yang dapat menurunkan motivasi, prestasi belajar, serta kesejahteraan psikologis siswa. Oleh karena itu, diperlukan suatu metode deteksi dini untuk membantu sekolah mengidentifikasi siswa yang berisiko mengalami burnout akademik. Penelitian ini bertujuan mengklasifikasikan tingkat risiko burnout akademik siswa menggunakan algoritma Decision Tree. Penelitian dilakukan terhadap 101 siswa kelas XI SMA LTI IGM dengan menggunakan data hasil kuesioner yang memuat berbagai indikator burnout akademik. Tahapan penelitian meliputi preprocessing data, seleksi fitur menggunakan Information Gain, pembangunan model Decision Tree, penyeimbangan data menggunakan teknik oversampling, serta evaluasi menggunakan confusion matrix, accuracy, precision, recall, dan F1-score. Hasil penelitian menunjukkan bahwa model sebelum proses balancing memperoleh akurasi sebesar 86%, sedangkan setelah dilakukan oversampling performa model meningkat menjadi 94%, dengan nilai precision, recall, dan F1-score masing-masing sebesar 94%. Hasil seleksi fitur juga menunjukkan bahwa indikator keraguan terhadap potensi diri, kecemasan berlebihan, dan kekhawatiran terhadap masa depan merupakan faktor yang paling berpengaruh dalam klasifikasi risiko burnout akademik. Hasil penelitian menunjukkan bahwa penerapan Decision Tree yang dikombinasikan dengan Information Gain dan oversampling mampu meningkatkan performa klasifikasi serta berpotensi digunakan sebagai alat bantu deteksi dini burnout akademik untuk mendukung pengambilan keputusan dan penyusunan intervensi yang lebih tepat di lingkungan sekolah.
Co-Authors Herri Setiawan Muhammad Haviz Irfani