<![CDATA[Klasifikasi prestasi akademik dapat membantu sekolah mengidentifikasi siswa yang memerlukan perhatian dan dukungan pembelajaran secara lebih terarah. Penelitian ini bertujuan menerapkan algoritma Decision Tree untuk mengklasifikasikan prestasi akademik matematika siswa menggunakan dataset Student Performance yang diperoleh dari Kaggle dan bersumber dari UCI Machine Learning Repository. Dataset terdiri atas 395 data siswa dengan atribut demografis, keluarga, sekolah, sosial, perilaku, dan akademik. Variabel target dibentuk dari nilai akhir matematika G3 menjadi tiga kategori, yaitu Rendah untuk nilai 0-9, Sedang untuk nilai 10-14, dan Tinggi untuk nilai 15-20. Variabel G3 tidak digunakan sebagai prediktor guna mencegah kebocoran data, sedangkan G1 dan G2 tetap digunakan untuk merepresentasikan capaian akademik sebelumnya. Pemodelan dilakukan menggunakan Orange Data Mining dengan kedalaman maksimum pohon lima, minimum lima data pada setiap daun, dan kriteria penghentian ketika mayoritas kelas mencapai 95%. Evaluasi dilakukan melalui validasi silang 10 lipatan terstratifikasi menggunakan metrik AUC, akurasi, presisi, recall, F1-score, dan Matthews Correlation Coefficient. Hasil pengujian menunjukkan nilai AUC sebesar 0,934, akurasi 0,871, presisi 0,871, recall 0,871, F1-score 0,871, dan MCC 0,791. Confusion matrix menunjukkan 344 dari 395 data diklasifikasikan dengan benar. Struktur pohon menempatkan G2 sebagai atribut pemisah utama, diikuti G1 dan beberapa atribut pendukung. Temuan ini menunjukkan bahwa Decision Tree mampu menghasilkan klasifikasi yang akurat, transparan, dan mudah diinterpretasikan untuk mendukung analisis prestasi matematika siswa setelah nilai periode pertama dan kedua tersedia.]]>
Copyrights © 2026
