<![CDATA[Pendidikan memiliki peran penting dalam membentuk kualitas sumber daya manusia yang unggul. Untuk meningkatkan mutu pendidikan, teknologi data mining digunakan untuk mengungkap pola-pola tersembunyi dalam data akademik. Penelitian ini bertujuan untuk memprediksi prestasi akademik siswa berdasarkan pola kehadiran dan aktivitas belajar menggunakan metode Naive Bayes dan Logistic Regression. Data diperoleh dari institusi pendidikan dan diolah melalui tahap preprocessing, meliputi pembersihan, transformasi, dan seleksi fitur. Model prediktif divalidasi menggunakan teknik k-fold cross-validation dan dievaluasi menggunakan metrik akurasi, presisi, recall, serta F1-score.Hasil penelitian menunjukkan bahwa metode Naive Bayes mencapai akurasi sebesar 85,7%, presisi 83,2%, recall 84,5%, dan F1-score 83,8%. Sementara itu, metode Logistic Regression menghasilkan akurasi sebesar 88,9%, presisi 87,1%, recall 86,7%, dan F1-score 86,9%. Kombinasi kedua metode memberikan performa lebih baik, dengan akurasi mencapai 90,3%, presisi 89,5%, recall 88,8%, dan F1-score 89,1%. Temuan ini menunjukkan bahwa penggunaan teknik data mining secara terintegrasi dapat meningkatkan akurasi prediksi prestasi akademik siswa.Penelitian ini diharapkan dapat memberikan kontribusi signifikan dalam mendukung pengambilan keputusan berbasis data untuk meningkatkan kualitas pembelajaran di institusi pendidikan]]>
Copyrights © 2024
