Evaluasi Model Regresi Linier Berganda dalam Memprediksi Performance Index Menggunakan Cross Validation: Evaluation of Multiple Linear Regression Models in Predicting the Performance Index Using Cross-Validation

Viche Darani; Chika Mutia Safebsi; Dina Karimah; Deswita Dwi Putri; Etis Sunandi; Wina Ayu Lestari

doi:10.57152/malcom.v6i4.2802

Authors

Viche Darani Universitas Bengkulu
Chika Mutia Safebsi Universitas Bengkulu
Dina Karimah Universitas Bengkulu
Deswita Dwi Putri Universitas Bengkulu
Etis Sunandi Universitas Bengkulu
Wina Ayu Lestari Universitas Bengkulu

DOI:

https://doi.org/10.57152/malcom.v6i4.2802

Keywords:

Asumsi Klasik, Cross Validation, Metrik Evaluasi, Prediksi Performance Index, Regresi Linier Berganda

Abstract

Penelitian ini bertujuan untuk membangun dan mengevaluasi model regresi linier berganda dalam memprediksi Performance Index berdasarkan lima variabel independen, yaitu Study Hours, Extra Participation, Papers Practiced, Previous Marks, dan Sleeping Hours. Data yang digunakan bersumber dari Kaggle dan terdiri dari 1500 observasi yang telah melalui tahap preprocessing sehingga seluruh data bersih dan siap digunakan dalam analisis. Pengujian asumsi klasik yang mencakup uji linearitas, normalitas residual, multikolinearitas, heteroskedastisitas, dan autokorelasi menunjukkan bahwa seluruh asumsi terpenuhi. Berdasarkan hasil penelitian diperoleh nilai R-squared sebesar 0.9888, yang berarti 98.88% variasi pada variabel dependen dapat dijelaskan oleh kelima variabel independen, dengan Previous Marks sebagai variabel independen paling dominan. Seluruh variabel independen berpengaruh signifikan secara parsial maupun simultan terhadap variabel dependen. Evaluasi performa model menghasilkan nilai MAE sebesar 1.6081, MSE sebesar 4.1007, dan RMSE sebesar 2.0250. Validasi model menggunakan 10-fold cross-validation menghasilkan nilai metrik yang sangat mendekati hasil evaluasi awal, membuktikan bahwa model bersifat stabil dan tidak mengalami overfitting. Kebaruan penelitian ini terletak pada penerapan 10-fold cross-validation secara eksplisit dengan pelaporan metrik per fold serta perbandingan kuantitatif antara hasil evaluasi awal dan hasil cross-validation sebagai bukti ketiadaan overfitting.

Downloads

Download data is not yet available.

References

Budiharto, W., & Suhartono, D. (2014). Artificial Intelligence: Konsep dan Penerapannya. Andi Offset.

Chicco, D., Warrens, M. J., & Jurman, G. (2021). The Coefficient Of Determination R-Squared Is More Informative Than Smape, Mae, Mape, Mse And Rmse In Regression Analysis Evaluation. PeerJ Computer Science, 7, Article e623. https://doi.org/10.7717/peerj-cs.623

Dewi, C., et al. (2025). Machine Learning-Based Academic Performance Prediction With Explainability For Enhanced Decision-Making In Educational Institutions. Scientific Reports, 15, Article 12353. https://doi.org/10.1038/s41598-025-12353-4

Dol, S. M., & Jawandhiya, P. M. (2025). Performance prediction using educational data mining techniques: a comparative study. Discover education, 4, Article 502. https://doi.org/10.1007/s44217-025-00502-w

Folorunso, S. O., Farhaoui, Y., Adigun, I. P., Imoize, A. L., & Awotunde, J. B. (2024). Prediction Of Student's Academic Performance Using Learning Analytics. Dalam Y. Farhaoui et al. (Eds.), Artificial Intelligence, Data Science and Applications. ICAISE 2023. Lecture Notes in Networks and Systems (Vol. 837). Springer. https://doi.org/10.1007/978-3-031-48465-0_41

Hose, F., Robet, R., & Hendri. (2025). Analisis Komparatif Model Regresi Machine Learning Untuk Prediksi Prestasi Akademik Siswa Dengan Optimasi Hyperparameter. JURIKOM (Jurnal Riset Komputer), 12(6), 869–878.

James, G., Witten, D., Hastie, T., & Tibshirani, R. (2013). An Introduction to Statistical Learning with Applications in R. Springer.

Kozak, M., & Piepho, H. P. (2025). Testing For Normality In Regression Models: Mistakes Abound (But May Not Matter). Royal Society Open Science, 12(4), Article 241904. https://doi.org/10.1098/rsos.241904

Kutner, M. H., Nachtsheim, C. J., Neter, J., & Li, W. (2005). Applied Linear Statistical Models (5th ed.). McGraw-Hill/Irwin.

Lumumba, V. W., Kiprotich, D., Mpaine, M. L., Makena, N. G., & Kavita, M. D. (2024). Comparative Analysis Of Cross-Validation Techniques: Loocv, K-Folds Cross-Validation, And Repeated K-Folds Cross-Validation In Machine Learning Models. American Journal of Theoretical and Applied Statistics, 13(5), 127–137. https://doi.org/10.11648/j.ajtas.20241305.13

Montgomery, D. C., Peck, E. A., & Vining, G. G. (2012). Introduction to Linear Regression Analysis (5th ed.). John Wiley & Sons.

Nti, I. K., Nyarko-Boateng, O., & Aning, J. (2021). Performance Of Machine Learning Algorithms With Different K Values In K-Fold Cross-Validation. International Journal of Information Technology and Computer Science (IJITCS), 13(6), 61–71. https://doi.org/10.5815/ijitcs.2021.06.05

Nurdin, Solimun, & Fernandes, A. A. R. (2025). Development Of Ramsey Reset To Identify The Polynomials Order Of Smoothing Spline With Simulation Study. JTAM (Jurnal Teori dan Aplikasi Matematika), 9(1). https://doi.org/10.31764/jtam.v9i1.26785

Rosadi, D. (2012). Analisis Ekonometrika dan Runtun Waktu Terapan dengan R. Andi Offset.

Suleiman, I. B. (2026). Performance Of Linear Regression In Predicting Academic Outcome. Journal of Electrical Systems and Information Technology, 13(1). https://doi.org/10.1186/s43067-026-00325-1

Trivedi, R. (2024). Multiple linear regression sample dataset. Kaggle. https://www.kaggle.com/datasets/rutultrivedi/multiple-linear-regression-sample-dataset