KOMPARASI DECISION TREE, RANDOM FOREST, DAN K-NN MEMPREDIKSI KELULUSAN SISWA MENGGUNAKAN ORANGE

Abstrak

Prediksi kelulusan siswa merupakan salah satu tantangan dalam dunia pendidikan yang memerlukan pendekatan berbasis data. Tidak hanya nilai akhir yang berperan, tetapi juga faktor lain seperti tingkat kehadiran, jam belajar per minggu, nilai ujian sebelumnya, dan aktivitas ekstrakurikuler. Penelitian ini membandingkan kinerja tiga algoritma klasifikasi, yaitu Decision Tree, Random Forest, dan k-Nearest Neighbor (k-NN) dalam memprediksi status kelulusan siswa berdasarkan dataset Student Performance dari Kaggle yang terdiri dari 708 data siswa. Pemodelan dilakukan menggunakan Orange Data Mining dengan pendekatan visual workflow. Evaluasi model dilakukan dengan metode cross-validation sebanyak 20-fold dan diukur menggunakan metrik AUC, akurasi, precision, recall, F1-score, dan MCC. Hasil menunjukkan bahwa algoritma Random Forest memberikan performa terbaik dengan nilai AUC 97,1%, akurasi 94,1%, F1-score 94,2%, precision 94,2%, recall 94,1%, dan MCC 79,7%. Decision Tree dan k-NN juga menunjukkan performa yang cukup baik namun tidak melebihi Random Forest. Temuan ini menunjukkan bahwa Random Forest merupakan model yang paling akurat dan stabil dalam melakukan klasifikasi kelulusan siswa, serta membuktikan bahwa penggunaan Orange Data Mining dapat menjadi alat yang efektif dalam menerapkan teknik data mining di bidang pendidikan