KLASIFIKASI TINGKAT PRESTASI SISWA BERDASARKAN DATA NILAI AKADEMIK DENGAN ALGORITMA C4.5
Abstract
Data akademik sangat dibutuhkan sebagai bahan evaluasi, pengolahan data akademik siswa secara sistematis diperlukan untuk mendukung identifikasi tingkat prestasi secara lebih objektif. Dalam penelitian ini masalah yang ditemukan adalah belum optimalnya pemanfaatan data nilai akademik sebagai dasar klasifikasi prestasi siswa dengan menerapkan algoritma C4.5 dengan data set sebanyak 507 data dan 11 atribut. Metode yang digunakan meliputi preprocessing data, perhitungan entropy, information gain, split information, gain ratio, pembentukan pohon keputusan, serta evaluasi model dengan pembagian data 80:20 secara stratified dan validasi silang 5-fold. Hasil penelitian menunjukkan bahwa atribut IPA menjadi pemisah awal terbaik dengan nilai entropy 1,5108, information gain 0,0742, dan gain ratio 0,0524. Model yang dihasilkan memperoleh akurasi pengujian sebesar 56,86% dan rerata akurasi validasi silang sebesar 55,42%.
Downloads
References
[2] Gul, M. N., Abbasi, W., Babar, M. Z., Aljohani, A., & Arif, M. (2025). Data Driven Decisions in Education Using a Comprehensive Machine Learning Framework for Student Performance Prediction. Discover Computing, 28, 153.
[3] Khairy, D., Alharbi, N., Amasha, M. A., Areed, M. F., Alkhalaf, S., & Abougalala, R. A. (2024). Prediction of Student Exam Performance Using Data Mining Classification Algorithms. Education and Information Technologies.
[4] Putro, A. W. G., & Setiadi, T. (2023). Penerapan Klasifikasi Decision Tree (C4.5) untuk Memprediksi Kelulusan Siswa Sekolah Dasar di Kecamatan Juai. Jurnal Format, 12(2), 151-156.
[5] Sarker, S., Paul, M. K., Thasin, S. T. H., & Hasan, M. A. M. (2024). Analyzing Students' Academic Performance Using Educational Data Mining. Computers and Education: Artificial Intelligence, 7, 100263.
[6] Yağcı, M. (2022). Educational Data Mining: Prediction of Students' Academic Performance Using Machine Learning Algorithms. Smart Learning Environments, 9, 11.
[7] Dawar, I., Negi, S., Lamba, S., & Kumar, A. (2024). Enhancing Student Academic Performance Forecasting: A Comparative Analysis of Machine Learning Algorithms. SN Computer Science, 5, 758.
[8] Kalita, E., Oyelere, S. S., Gaftandzhieva, S., Rajesh, K. N. V. P. S., Jagatheesaperumal, S. K., Mohamed, A., Elbarawy, Y. M., Desuky, A. S., Hussain, S., Cifci, M. A., Theodorou, P., Hilcenko, S., Hazarika, J., & Ali, T. (2025). Educational data mining: a 10-year review. Discover Computing, 28, 81.
[9 ] Maharana, K., Mondal, S., & Nemade, B. (2022). A review: Data pre-processing and data augmentation techniques. Global Transitions Proceedings, 3(1), 91-99.
[10] Nayak, P., Vaheed, S., Gupta, S., & Mohan, N. (2023). Predicting students’ academic performance by mining the educational data through machine learning-based classification model. Education and Information Technologies, 28, 14611-14637.
[11] Papadogiannis, I., Wallace, M., & Karountzou, G. (2024). Educational Data Mining: A Foundational Overview. Encyclopedia, 4(4), 1644-1664.
[12] Ginting, S., Buaton, R., & Khadapi, M. (2025). Implementasi Algoritma K-Nearest Neighbor untuk Klasifikasi Tingkat Bullying di Kalangan Siswa SMP Negeri 1 Salapian. Global Research and Innovation Journal, 1(3), 887–893.
[13] Patrisyah, A., Buaton, R., & Sitompul, J. N. (2024). Klasifikasi tingkat pemahaman siswa pada pelajaran matematika di MTSS PAB 5 Klambir Lima. Saturnus: Jurnal Teknologi dan Sistem Informasi, 2(4), 146–156. https://doi.org/10.61132/saturnus.v2i4.345.
This work is licensed under a Creative Commons Attribution 4.0 International License.
_uk501.png)
.2022-2026_uk200_pxl_.jpg)
.png)
3.png)
