<![CDATA[Prediksi hasil belajar diperlukan untuk membantu mengidentifikasi peserta didik yang berisiko mengalami kesulitan akademik dan mendukung pemberian intervensi secara lebih awal. Penelitian ini bertujuan menganalisis penerapan machine learning berbasis data historis dalam prediksi hasil belajar peserta didik dengan mengidentifikasi algoritma yang digunakan, variasi data historis, performa model, serta kontribusinya terhadap early warning system. Penelitian menggunakan metode Systematic Literature Review dengan kerangka PICOC dan pedoman PRISMA. Pencarian dilakukan melalui Google Scholar dan Crossref terhadap publikasi tahun 2021-2026 menggunakan bantuan Publish or Perish. Dari proses seleksi diperoleh 12 jurnal utama yang dianalisis secara naratif dan deskriptif. Hasil sintesis menunjukkan bahwa Naïve Bayes merupakan algoritma yang paling sering digunakan, diikuti Random Forest dan Decision Tree. Data historis mencakup data akademik, kehadiran, aktivitas pembelajaran atau log LMS, serta data sosial-demografis. Performa model bervariasi bergantung pada karakteristik data, preprocessing, dan metode pengujian sehingga nilai akurasi tidak dapat dibandingkan secara langsung. Kontribusi terhadap early warning system masih terbatas, dengan implementasi yang paling jelas berupa sistem berbasis web untuk membantu guru mengidentifikasi peserta didik berisiko.]]>
Copyrights © 2026
