<![CDATA[Peningkatan kualitas pendidikan tidak hanya bergantung pada metode pembelajaran, tetapi juga pada kemampuan institusi untuk memahami dan mengantisipasi performa akademik siswa. Penelitian ini bertujuan untuk membangun dan membandingkan tiga model prediksi nilai ujian siswa berdasarkan data kebiasaan harian menggunakan algoritma Regresi Linier, Random Forest, dan XGBoost. Data diperoleh dari platform publik dengan jumlah 1000 entri siswa yang mencakup berbagai atribut seperti durasi belajar, kehadiran, aktivitas ekstrakurikuler, dan kesehatan mental. Setiap model diuji menggunakan metrik evaluasi seperti Root Mean Squared Error (RMSE), Mean Absolute Error (MAE), dan koefisien determinasi (R²). Hasil penelitian menunjukkan bahwa model Regresi Linier memberikan performa terbaik dengan nilai RMSE terendah sebesar 5,139 dan R² tertinggi sebesar 0,897. Analisis lebih lanjut menunjukkan bahwa variabel durasi belajar memiliki kontribusi paling dominan dalam prediksi nilai ujian. Temuan ini mengindikasikan bahwa hubungan antara variabel input dan nilai ujian siswa cenderung linear dan stabil, sehingga dapat dimodelkan secara efektif menggunakan pendekatan sederhana. Penelitian ini memberikan kontribusi dalam penerapan analisis prediktif berbasis machine learning untuk keperluan evaluasi pendidikan dan dapat menjadi dasar bagi pengembangan sistem pendukung keputusan di lingkungan sekolah maupun perguruan tinggi.]]>
Copyrights © 2025
