Prediksi Kelulusan Siswa Dengan Pendekatan Algortma C5.0 Pada SMAN 2 Cikarang Selatan
Article Sidebar
Main Article Content
Abstract
Penelitian yang berjudul "Prediksi Kelulusan Siswa Dengan Pendekatan Algortma C5.0 Pada SMAN 2 Cikarang Selatan". Penelitian ini bertujuan untuk menerapkan metode Decision Tree C5.0 dalam memprediksi kelulusan siswa Sekolah Menengah Atas (SMA). Data kelulusan siswa dari SMA Negeri 2 Cikarang Selatan digunakan untuk membangun model prediksi kelulusan siswa. Metode Decision Tree C5.0 berhasil menghasilkan model prediksi dengan tingkat akurasi 100%. Model ini dapat mengidentifikasi siswa yang berisiko tinggi untuk tidak lulus, sehingga tindakan perbaikan yang tepat dapat diambil. Model Decision Tree C5.0 juga memberikan interpretasi aturan keputusan yang dapat digunakan oleh sekolah dan tenaga pendidik. Penelitian ini memberikan sumbangan penting bagi dunia pendidikan dengan meningkatkan efektivitas pengambilan keputusan di bidang pendidikan. Penerapan metode Decision Tree C5.0 dalam memprediksi kelulusan siswa membantu sekolah untuk mengidentifikasi siswa yang membutuhkan perhatian khusus. Dengan tingkat akurasi 100%, model ini dapat membantu meningkatkan kualitas pendidikan dan memastikan kesuksesan siswa dalam menyelesaikan pendidikan menengah atas.
Article Details
This work is licensed under a Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
References
S. F. N. Fitri, “Problematika Kualitas Pendidikan di Indonesia,” J. Pendidik. Tambusai, vol. 5, no. 1, pp. 1617–1620, 2021.
J. Educatio, “Keberagamaan dan Pola Belajar Siswa Berprestasi Akademik di Sekolah Menengah Atas,” vol. 9, no. 2, pp. 831–840, 2023, doi: 10.31949/educatio.v9i2.5016.
V. Rahmayanti, Y. Azhar, and A. E. Pramudita, “Penerapan algoritma C5.0 pada analisis faktor-faktor pengaruh kelulusan tepat waktu mahasiswa Teknik Informatika UMM,” J. Repos., vol. 1, no. 2, p. 131, 2020, doi: 10.22219/repositor.v1i2.545.
K. Smk, M. A. Arif, N. U. Al, and M. Bekasi, “1300-Article Text-2682-1-10-20220906,” J. Teknol. Pelita Bangsa, vol. 11, no. 1, 2020.
A. Charis Fauzan, “Penerapan Algoritma Decision Tree C5.0 Untuk Memprediksi Tingkat Kematian Pasien Penyakit Gagal Jantung Application of The C5.0 Decission Tree Algorithm to Predict Patient Mortality Rate Heart Failure Disease,” J. Ilm. Intech Inf. Technol. J. UMUS, vol. 4, no. 02, pp. 216–222, 2022.
D. P. Utomo and B. Purba, “Penerapan Datamining pada Data Gempa Bumi Terhadap Potensi Tsunami di Indonesia,” Pros. Semin. Nas. Ris. Inf. Sci., vol. 1, no. September, p. 846, 2019, doi: 10.30645/senaris.v1i0.91.
W. Cholil, A. R. Dalimunthi, and L. Atika, “Model Data Mining Dalam Mengidentifikasi Pola Laju Pertumbuhan Antar Sektor Ekonomi di Provinsi Sumatera Selatan dan Bangka Belitung,” Teknika, vol. 8, no. 2, pp. 103–109, 2019, doi: 10.34148/teknika.v8i2.181.
E. D. Wahyuni, A. A. Arifiyanti, and M. Kustyani, “Exploratory Data Analysis dalam Konteks Klasifikasi Data Mining,” Pros. Nas. Rekayasa Teknol. Ind. dan Inf. XIV Tahun 2019, vol. 2019, no. November, pp. 263–269, 2019.
E. Retnoningsih and R. Pramudita, “Mengenal Machine Learning Dengan Teknik Supervised Dan Unsupervised Learning Menggunakan Python,” Bina Insa. Ict J., vol. 7, no. 2, p. 156, 2020, doi: 10.51211/biict.v7i2.1422.
I. Düntsch and G. Gediga, “Confusion Matrices and Rough Set Data Analysis,” J. Phys. Conf. Ser., vol. 1229, no. 1, 2019, doi: 10.1088/1742-6596/1229/1/012055.
S. P. Barus, “Penerapan Model Decision Tree pada Machine Learning untuk Memprediksi Calon Potensial Mahasiswa Baru,” J. Ikraith Inform., vol. 6, no. 2, pp. 59–62, 2022.