<![CDATA[Keberhasilan siswa menjadi indikator penting dalam menilai kualitas sistem pendidikan. Oleh karena itu, prediksi kelulusan siswa berdasarkan data demografis dan akademik sangat penting untuk membantu institusi pendidikan melakukan tindakan pencegahan. Tujuan dari penelitian ini adalah untuk menganalisis dan membandingkan kinerja dua algoritma klasifikasi, K-Nearest Neighbor (KNN) dan Random Forest, ketika digunakan untuk memprediksi kelulusan siswa. Dataset kinerja siswa mencakup informasi seperti jenis kelamin, kelompok etnis, pendidikan orang tua, status makan siang, program persiapan ujian, matematika, membaca, dan nilai ujian menulis. Nilai rata-rata dari ketiga mata pelajaran tersebut digunakan untuk menentukan kelulusan siswa. Hasil penelitian menunjukkan bahwa algoritma Random Forest memiliki akurasi 100% dan KNN memiliki akurasi 90%. Hasil penelitian ini diharapkan dapat digunakan sebagai referensi dalam pengembangan sistem pendukung keputusan berbasis data di bidang pendidikan]]>
Copyrights © 2025
