<![CDATA[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.]]>
Copyrights © 2025
