Analisis Faktor Akademik dan Sosial Terhadap Prestasi Siswa Menggunakan Pendekatan Educational data Mining
DOI:
https://doi.org/10.31004/joecy.v6i2.13974Keywords:
: Educational Data Mining, Accuracy, Random Forest, Recall, Confusion MatrixAbstract
Pencapaian prestasi peserta didik dipengaruhi oleh sejumlah faktor, tidak hanya dari pemahaman akademik, tetapi juga dari kondisi sosial serta lingkungan tempat siswa berinteraksi. Penelitian ini dilakukan untuk menganalisis dan mengidentifikasi faktor akademik serta sosial yang berkaitan dengan kategori prestasi siswa melalui pendekatan Educational Data Mining (EDM) dengan algoritma Random Forest. Data yang digunakan berasal dari dataset pendidikan publik yang memuat 395 data siswa dan 16 atribut yang menggambarkan karakteristik akademik maupun sosial siswa. Proses penelitian dilakukan melalui beberapa tahapan, yaitu data cleaning, seleksi fitur, encoding pada data kategorikal, normalisasi menggunakan metode Min-Max. Penentuan dataset dibagi 80:20 untuk data training 80% dan untuk data testing 20%, dan pemodelan menggunakan algoritma Random Forest. Model menggunakan 100 decision tree dan kinerjanya dinilai berdasarkan confusion matrix, Accuracy, Precision, Recall, dan F1-Score. Pengujian 79 data testing diperoleh 42 klasifikasi benar dan 37 klasifikasi salah. Nilai evaluasi yang diperoleh meliputi Accuracy sebesar 53,16%, Precision 51,14%, Recall 53,16%, dan F1-Score 47,90%. Berdasarkan hasil evaluasi, model menunjukkan performa terbaik dalam mengklasifikasikan siswa pada kategori prestasi sedang, yang ditunjukkan oleh nilai Recall sebesar 84,21%. Sementara itu, kategori prestasi tinggi menjadi kategori yang paling sulit dikenali oleh model dengan nilai Recall sebesar 6,67%. Hasil tersebut mengindikasikan bahwa Random Forest memiliki potensi untuk menganalisis pola prestasi siswa berdasarkan faktor akademik dan sosial, namun kemampuan klasifikasinya masih belum optimal dan belum merata pada setiap kategori. Dengan demikian, penelitian selanjutnya perlu mempertimbangkan pengembangan model dan strategi pemrosesan data yang lebih baik, khususnya untuk meningkatkan identifikasi terhadap siswa dengan tingkat prestasi tinggi
References
Agung, A., Daniswara, A., Kadek, I., & Nuryana, D. (2023). Data Preprocessing Pola Pada Penilaian Mahasiswa Program Profesi Guru. Journal of Informatics and Computer Science, 05.
Ardiansyah, & Jailani, Ms. (2023). Teknik Pengumpulan Data Dan Instrumen Penelitian Ilmiah. IHSANJurnal Pendidikan Islam, 1–9. http://ejournal.yayasanpendidikandzurriyatulquran.id/index.php/ihsan
Armawan, I., Tinggi, S., Dakwah, I., Komunikasi, D., & Bogor, I. (2022). PENGARUH KOMUNIKASI DAN KARAKTERISTIK PESERTA DIDIK TERHADAP KUALITAS PEMBELAJARAN DI STIDKI BOGOR. TABAYYUN: Jurnal Komunikasi Dan Penyiaran Islam, 3(1). https://ejournal-stidkibogor.ac.id/index.php/tabayyun
Foody, G. M. (2023). Challenges in the real world use of classification accuracy metrics: From recall and precision to the Matthews correlation coefficient. PLoS ONE, 18(10 October). https://doi.org/10.1371/journal.pone.0291908
Guntara, M., & Astuti, F. D. (2025). Komparasi Kinerja Label-Encoding dengan One-Hot-Encoding pada Algoritma K-Nearest Neighbor menggunakan Himpunan Data Campuran. JIKO (Jurnal Informatika Dan Komputer), 9(2), 352. https://doi.org/10.26798/jiko.v9i2.1605
Hidayat, I., Elektro, T., Deddy, R., Dako, R., & Ilham, J. (n.d.). Volume 5 Nomor 2 Juli 2023 Analisis Data Eksploratif Capaian Indikator Kinerja Utama 3 Fakultas Teknik. Jambura Journal of Electrical and Electronics Engineering, 185.
Indahyanti, U., Azizah, N. L., & Setiawan, H. (2022). Educational Data Mining on Student Academic Performance Prediction: A Survey Educational Data Mining Pada Prediksi Kinerja Akademik Mahasiswa : Sebuah Survey. https://ieeexplore.ieee.org/
Joseph, V. R., & Vakayil, A. (2022). SPlit: An Optimal Method for Data Splitting. Technometrics, 64(2), 166–176. https://doi.org/10.1080/00401706.2021.1921037
Marín, Y. R., Huatangari, L. Q., Tuesta, J. N. A., Caro, O. C., Guevara, J. L. M., Bardales, E. S., & Santos, R. C. (2025). Analysis of factors affecting the academic performance of university students using machine learning. Scientific Reports, 15(1). https://doi.org/10.1038/s41598-025-28870-1
Rinjani Bawana, E., Seniwati, E., Kristami, P. F., Martin, A. M., & Hartanti, N. T. (2025). Studi Kinerja Algoritma K-Nearest Neighbors (KNN) untuk Klasifikasi Pasien Diabetes (Vol. 4, Number 2). https://subset.id/index.php/IJCSR
Roslan, M. H. bin, & Chen, C. J. (2022). Educational Data Mining for Student Performance Prediction: A Systematic Literature Review (2015-2021). International Journal of Emerging Technologies in Learning, 17(5), 147–179. https://doi.org/10.3991/ijet.v17i05.27685
Sahputri, D., Maulita, Y., Studi Sistem Informasi, P., & KAPUTAMA Binjai, S. (2023). DATA MINING USING K-MEANS CLUSTERING ALGORITHM TO KNOW STUDENTS’ INTERESTS AND TALENTS IN EXTRACURRICULAR ACTIVITIES (Case Study: SMK Setia Budi Binjai). Journal of Engineering, Technology and Computing, 2(3), 107–115.
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. https://doi.org/10.1016/j.caeai.2024.100263
Sutriyanti, & Mohammad Muspawi. (2024). Jenis jenis Data dalam Ilmu Pendidikan Pendekatan Kualitatif dan Kuantitatif. Edu Research IICLS, 5(5), 195–204.
Yağcı, M. (2022). Educational data mining: prediction of students’ academic performance using machine learning algorithms. Smart Learning Environments, 9(1). https://doi.org/10.1186/s40561-022-00192-z
Downloads
Published
How to Cite
Issue
Section
License
Copyright (c) 2026 Ninik Tri Hartanti, Erni Seniwati, Ifraweri Raja Mangkuto HP
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.
