Article Per Year (5 Year)
p-Index From 2021 - 2026
0.23
P-Index
This Author published in this journals
All Journal Journal of Artificial Intelligence and Digital Business
Deli Ananda Delin
Universitas HKBP Nommensen Pematangsiantar
Computer Science & IT Economics, Econometrics & Finance Electrical & Electronics Engineering Engineering

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

Found 1 Documents
Search

 1 
Analisis Analisis Prediksi Kelulusan Siswa Menggunakan Algoritma Gradient Boosting Berbasis Orange Data Mining Deli Ananda Delin
RIGGS: Journal of Artificial Intelligence and Digital Business Vol. 5 No. 2 (2026): Mei-Juli
Publisher : Prodi Bisnis Digital Universitas Pahlawan Tuanku Tambusai

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31004/riggs.v5i2.12588

Abstract

Prediksi kelulusan siswa merupakan salah satu penerapan Educational Data Mining yang dapat membantu institusi pendidikan dalam mengidentifikasi siswa yang berpotensi mengalami kesulitan akademik sejak dini. Informasi tersebut dapat digunakan sebagai dasar dalam pengambilan keputusan untuk memberikan pendampingan atau intervensi akademik yang lebih tepat sasaran. Penelitian ini bertujuan untuk membangun model prediksi kelulusan siswa menggunakan algoritma Gradient Boosting dengan memanfaatkan Student Performance Dataset. Proses penelitian dilakukan menggunakan aplikasi Orange Data Mining yang meliputi tahap prapemrosesan data, pembentukan model, dan evaluasi performa. Pada tahap prapemrosesan, atribut G3 ditransformasikan menjadi atribut kategorikal Target dengan dua kelas, yaitu Lulus dan Tidak Lulus, kemudian atribut G3 dipindahkan ke bagian Ignored untuk menghindari terjadinya data leakage. Model diuji menggunakan metode 5-Fold Cross Validation dan dievaluasi berdasarkan nilai Area Under Curve (AUC), Accuracy, Precision, Recall, F1-Score, Matthews Correlation Coefficient (MCC), serta Confusion Matrix. Hasil penelitian menunjukkan bahwa algoritma Gradient Boosting menghasilkan nilai AUC sebesar 0,969, Accuracy sebesar 89,6%, Precision sebesar 0,896, Recall sebesar 0,896, F1-Score sebesar 0,896, dan MCC sebesar 0,765. Hasil tersebut menunjukkan bahwa model memiliki kemampuan klasifikasi yang sangat baik dalam membedakan siswa yang termasuk kategori Lulus dan Tidak Lulus. Dengan demikian, algoritma Gradient Boosting dapat menjadi salah satu alternatif yang efektif untuk mendukung sistem prediksi kelulusan siswa dan membantu proses pengambilan keputusan di bidang pendidikan.
Co-Authors