<![CDATA[Prestasi akademik termasuk salah satu tolak ukur utama dalam menilai keberhasilan proses pembelajaran siswa. Proses identifikasi kategori prestasi akademik secara manual cenderung memakan banyak waktu dan menjadi kurang efisien, terutama ketika jumlah data siswa terus bertambah. Tujuan dari penelitian ini untuk mengimplementasikan algoritma Random Forest untuk mengklasifikasikan kategori prestasi akademik siswa (GradeClass) berdasarkan variabel StudyTimeWeekly, Absences, Tutoring, dan GPA. Data yang dipakai adalah Student Performance Dataset yang bersumber dari Kaggle dengan jumlah 2.392 data. Tahapan penelitian meliputi preprocessing data, pembagian data ke dalam 80% data latih dan 20% data uji, Pembangunan pada model Random Forest menggunakan 60 decision tree, serta evaluasi melalui Accuracy, Macro F1-Score, Confusion Matrix, dan 5-Fold Cross Validation. Pada hasil pengujian menunjukkan bahwa model Random Forest memperoleh akurasi sebesar 92,3%. Pengujian variasi jumlah decision tree menunjukkan bahwa penggunaan 60 decision tree memberikan keseimbangan yang baik antara akurasi dan waktu pelatihan, sedangkan analisis feature importance menunjukkan bahwa GPA merupakan variabel yang paling dominan dalam memprediksi GradeClass. Oleh karena itu, sistem yang dikembangkan berpotensi mendukung proses evaluasi akademik agar lebih objektif, cepat, dan efisien.]]>
Copyrights © 2026
