<![CDATA[Perkembangan teknologi data memungkinkan penerapan pembelajaran mesin (machine learning) untuk memahami dan memprediksi performa akademik siswa secara lebih akurat dan komprehensif. Penelitian ini bertujuan untuk menganalisis pengaruh kebiasaan belajar dan faktor-faktor gaya hidup terhadap nilai ujian siswa menggunakan model pembelajaran mesin terawasi (supervised regression), khususnya algoritma Random Forest Regression. Dataset yang digunakan terdiri dari 1.000 data simulasi siswa yang mencakup variabel seperti jam belajar, durasi tidur, penggunaan media sosial, tingkat kesehatan mental, dan kehadiran kelas. Penelitian dilakukan melalui tahapan data preprocessing, pembangunan model, evaluasi performa menggunakan metrik R², MAE, dan RMSE, serta analisis feature importance untuk menentukan variabel yang paling berpengaruh terhadap capaian akademik. Hasil penelitian menunjukkan bahwa algoritma Random Forest Regression menghasilkan performa terbaik dengan nilai R² sebesar 0.874, MAE sebesar 4.12, dan RMSE sebesar 5.01, dibandingkan model Linear Regression dan Decision Tree Regression. Variabel jam belajar per hari dan kesehatan mental ditemukan sebagai faktor paling dominan dalam memengaruhi nilai ujian siswa. Temuan ini menunjukkan bahwa pendekatan pembelajaran mesin dapat digunakan untuk mengembangkan sistem prediksi dini (early warning system) dalam pendidikan berbasis data, serta mendukung strategi pembelajaran yang adaptif dan berorientasi pada kesejahteraan siswa.]]>
Copyrights © 2025
