Prediksi Minat Jurusan Siswa Di SMAN 1 Manokwari Menggunakan Algoritma Decision Tree
Article Sidebar
Main Article Content
Abstract
Pemilihan jurusan pada tingkat Sekolah Menengah Atas (SMA), khususnya dalam penerapan Kurikulum Merdeka seperti di SMAN 1 Manokwari, merupakan tahapan penting yang berdampak pada arah pendidikan dan pengembangan karier siswa. Namun, tidak sedikit siswa yang merasa kebingungan dalam menentukan jurusan yang sesuai dengan kemampuan dan minatnya. Penelitian ini bertujuan untuk memprediksi minat jurusan siswa berdasarkan data nilai akademik dan kecenderungan minat awal menggunakan pendekatan algoritma klasifikasi C4.5. Data diperoleh dari 247 siswa kelas 10 dan mencakup berbagai atribut nilai mata pelajaran serta informasi mengenai minat siswa. Algoritma yang digunakan membentuk pohon keputusan berdasarkan pola distribusi data dan menghasilkan klasifikasi jurusan dengan tingkat akurasi yang dapat diukur. Hasil penelitian menunjukkan bahwa model klasifikasi yang dibangun mampu mencapai akurasi sebesar 72,87% dengan nilai Kappa 0,6202. Temuan ini menunjukkan bahwa pendekatan klasifikasi berbasis algoritma C4.5 memiliki potensi yang baik dalam mendukung proses penjurusan siswa secara lebih objektif dan data-driven. Diharapkan hasil penelitian ini dapat menjadi acuan bagi pihak sekolah dalam memberikan rekomendasi pemilihan jurusan yang lebih tepat dan terarah bagi siswa
Article Details
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.
References
Fitriyah and Wulandari, “Penerapan Decision Tree dalam sistem rekomendasi akademik,” Jurnal Pendidikan Data Mining, vol. 9, no. 2, pp. 85–94, 2021.
Suherman et al., “Evaluasi akurasi klasifikasi akademik menggunakan algoritma C4.5,” Journal of Educational Technology, vol. 7, no. 1, pp. 23–31, 2022.
Neptunus et al., “Model klasifikasi berbasis Decision Tree untuk prediksi pemilihan jurusan,” International Journal of Data Science in Education, vol. 10, no. 3, pp. 145–159, 2024.
Marselina and Syawaludin, “Comparative analysis of classification algorithms for student major prediction,” Computational Intelligence in Academic Decision-Making, vol. 6, no. 4, pp. 217–230, 2024.
Rezafauzan and Journal Manager, “Cross validation technique for academic data analysis,” Indonesian Journal of Data Analytics, vol. 5, no. 2, pp. 78–92, 2023.
Journal Data Research, “Integration of Decision Tree in academic systems,” Data Science and Education Journal, vol. 8, no. 1, pp. 34–47, 2022.
Academic Mining Journal, “Optimizing educational recommendations using C4.5,” International Journal of Educational Data Mining, vol. 9, no. 2, pp. 65–81, 2023.
Journal of Educational Computing, “Decision Tree-based classification for academic improvement,” Educational Computing Review, vol. 4, no. 3, pp. 112–126, 2022.
Data Mining and Learning Journal, “Enhancing student career path prediction using machine learning,” Journal of Learning Analytics, vol. 7, no. 2, pp. 99–113, 2023.
Educational Science Journal, “Implementation of artificial intelligence in student decision support,” Science and Technology in Education, vol. 6, no. 1, pp. 55–68, 2022.
ntelligent Education Journal, “Analyzing educational patterns with Decision Tree algorithms,” Intelligent Systems for Education, vol. 5, no. 4, pp. 176–190, 2023.
Machine Learning in Education, “Data-driven approaches to student classification,” Journal of Applied Machine Learning in Academia, vol. 7, no. 3, pp. 88–102, 2024.
Computational Decision-Making Journal, “Evaluating classification effectiveness for student decision-making,” Academic Data Science Review, vol. 5, no. 2, pp. 203–217, 2023.
Journal of Academic AI, “AI-enhanced recommendation systems in student counseling,” Artificial Intelligence in Academia Journal, vol. 8, no. 1, pp. 45–58, 2024.
Education Data Journal, “Comparative study of classification models in academic decision-making,” Advanced Educational Data Analytics, vol. 6, no. 3, pp. 120–136, 2023.