Optimasi Random Forest untuk Identifikasi Dini Siswa Berisiko di Sekolah Menengah

OPTIMIZING RANDOM FOREST ALGORITHM FOR EARLY IDENTIFICATION OF AT-RISK STUDENTS IN SECONDARY SCHOOL

Abstract

Pemanfaatan Educational Data Mining (EDM) kini menjadi instrumen vital dalam manajemen pendidikan modern untuk meningkatkan kualitas pembelajaran. Namun, di tingkat sekolah menengah, deteksi dini terhadap kegagalan akademik siswa masih menghadapi kendala, di mana metode evaluasi konvensional sering kali terlambat karena hanya berfokus pada nilai ujian akhir dan mengabaikan pola perilaku siswa. Penelitian ini bertujuan mengatasi masalah tersebut dengan mengembangkan model Early Warning System (EWS) berbasis Machine Learning. Solusi yang diusulkan adalah implementasi algoritma Random Forest yang dioptimasi, dengan mengintegrasikan variabel akademik historis serta data perilaku berupa presensi dan poin kedisiplinan. Evaluasi performa dilakukan dengan membandingkan model yang diusulkan terhadap algoritma Support Vector Machine (SVM) dan Naive Bayes menggunakan simulasi dataset siswa jenjang menengah. Hasil eksperimen menunjukkan bahwa Random Forest mencatatkan kinerja terbaik dengan akurasi mencapai 95,0%, mengungguli SVM (94,0%) dan Naive Bayes (93,5%), dengan variabel poin kedisiplinan teridentifikasi sebagai fitur prediktor yang paling signifikan. Kontribusi utama penelitian ini adalah penyediaan model prediktif yang tidak hanya akurat tetapi juga mampu memberikan wawasan dini bagi pendidik untuk melakukan tindakan intervensi preventif sebelum kegagalan akademik terjadi.