Prediksi Nilai Akhir Sekolah Menggunakan Algoritma Random Forest: Prediction of Final School Grades Using the Random Forest Algorithm

Najwa Hanindya Putri; Fajar Nugraha; Yudie Irawan

doi:10.57152/malcom.v6i4.3043

Authors

Najwa Hanindya Putri Universitas Muria Kudus
Fajar Nugraha Universitas Muria Kudus
Yudie Irawan Universitas Muria Kudus

DOI:

https://doi.org/10.57152/malcom.v6i4.3043

Keywords:

CRISP-DM, Data Akademik, Kepentingan Fitur, Prediksi Nilai, Random Forest Regression

Abstract

Nilai akhir sekolah merupakan indikator penting untuk menilai capaian akademik siswa dan mendukung pengambilan keputusan berbasis data. Penelitian ini menerapkan Random Forest Regression untuk mengestimasi nilai akhir akademik siswa menggunakan data akademik historis SMKN 1 Kudus. Alur penelitian mengikuti Cross-Industry Standard Process for Data Mining (CRISP-DM), yang meliputi pemahaman kebutuhan, pemahaman data, persiapan data, pemodelan, evaluasi, dan penggunaan konseptual hasil untuk pemantauan akademik dini. Dataset berisi 1.530 data siswa dari enam program keahlian dan dibagi menjadi 80% data latih serta 20% data uji. Model menggunakan n_estimators=100, max_depth=10, dan random_state=42, dengan Rata_Rata_Rapor sebagai proksi capaian akhir akademik. Evaluasi pada 306 data uji menghasilkan Mean Absolute Error (MAE) sebesar 0,4556 dan Root Mean Squared Error (RMSE) sebesar 0,5801. Nilai RMSE yang hanya sedikit lebih tinggi daripada MAE menunjukkan bahwa galat yang relatif besar terbatas; titik aktual-prediksi mendekati garis diagonal dan residual berpusat di sekitar nol. BK, PPKn, Matematika, B. Indonesia, dan PKK memiliki skor kepentingan fitur relatif tertinggi. Kebaruan penelitian terletak pada prediksi skor akademik kontinu, bukan hanya kelas lulus atau tidak lulus, serta penggabungan evaluasi berbasis galat dengan analisis kepentingan fitur untuk mendukung pemantauan dini yang dapat diinterpretasikan.

Downloads

Download data is not yet available.

References

A. Fatunnisa and H. Marcos, “Prediksi Kelulusan Tepat Waktu Siswa SMK Teknik Komputer Menggunakan Algoritma Random Forest Prediction of On-Time Graduation for Computer Engineering Vocational School Students Using the Random Forest Algorithm,” vol. 14, no. April, pp. 101–111, 2024.

I. Jurnal et al., “Prediksi Kelulusan Mahasiswa Berdasarkan Data Kunjung dan Peminjaman Buku menggunakan Rapid Miner dengan Metode C . 45 dan Random Forest,” vol. 7, no. 2, pp. 14–20, 2023.

J. M. Polgan et al., “Pola Prediksi Kelulusan Siswa Madrasah Aliyah Swasta dengan Support Vector Machine dan Random Forest,” vol. 12, pp. 387–400, 2023.

A. Frananda, A. Naibaho, and A. Zahra, “Prediksi Kelulusan Siswa Sekolah Menengah Pertama Menggunakan Machine Learning,” vol. 11, no. 3, 2023.

G. Puspa, M. Febrian, and R. Amri, “Pemanfaatan Random Forest untuk Prediksi Ketepatan Waktu Kelulusan Mahasiswa Prediction of The Student Graduation Time Using Random Forest Case Study?: Bali Institute Design and Business,” no. 2, pp. 413–426, 2025, doi: 10.26798/jiko.v9i2.1886.

A. Fikri, N. Hidayasari, and Z. Efendi, vol. 11, no. 1, pp. 1489–1502, 2026.

F. M. Almufqi, A. Voutama, S. Informasi, I. Komputer, U. S. Karawang, and T. Timur, “Perbandingan Metode Data Mining Untuk Memprediksi Prestasi,” vol. 15, no. 1, pp. 61–66, 2023, doi: 10.30736/jt.v15i1.929.

U. Indahyanti et al., “Perbandingan Algoritma Machine Learning dalam,” vol. 11, no. 2, pp. 96–105, 2025.

S. Kusworo, N. A. Santoso, and R. D. Kurniawan, “Prediksi Nilai Akhir Semester Siswa Menggunakan Algoritma Random Forest,” no. 2, 2024.

R. Sari and W. Kurniadi, “Penerapan Metode Machine Learning ( Random Forest & XGBoost ) untuk Memprediksi Prestasi Akademik Berdasarkan Faktor Internal dan Eksternal Siswa Application of Machine Learning Methods ( Random Forest & XGBoost ) to Predict Academic Achievement Based on Students ’ Internal and External,” vol. 6, no. 4, pp. 205–213, 2025.

R. Amin, A. Siwi, and F. Utami, “Prediksi Nilai Ujian Berdasarkan Kebiasaan Siswa Menggunakan Algoritma Random Forest Regressor,” vol. 10, no. 2, pp. 149–158, 2025.

N. Maftucha, S. Salma, N. Rahmayuna, and N. Wakhidah, “Perbandingan Algoritma Machine Learning Dalam Memprediksi Kelulusan Siswa,” vol. 19, no. 2, pp. 116–128.

L. Javier, P. Charle-cu, A. A. Gado, N. Ousmane, C. Luc, and L. Noem, “Using Machine Learning to Fight Child Acute Malnutrition and Predict Weight Gain During Outpatient Treatment with a Simplified Combined Protocol,” pp. 1–13, 2024.

R. Rismaya, D. Yuniarto, and D. Setiadi, “Penerapan Algoritma Machine Learning dalam Prediksi Prestasi Akademik Mahasiswa,” 2025.

A. Wijaya, D. Permana, and N. Rahmawati, “Pengembangan Sistem Informasi Absensi Pegawai Berbasis Web Menggunakan Laravel Framework,” J. Rekayasa Teknol. Inf., vol. 9, no. 1, pp. 32–39, 2023.

M. S. Amin, E. Sekar, and R. Forest, “Analisis Prediktif Terhadap Kinerja Siswa dalam Ujian Menggunakan Algoritma Random Forest dan K-Nearest,” no. 4, pp. 1–13, 2025.

R. Rasendriya, A. O. Marundrury, Y. L. Jumadi, and A. D. Kuswanto, “MEMPREDIKSI KELULUSAN SISWA MENGGUNAKAN ORANGE,” pp. 60–71, 2025.

R. B. Hidayah, K. Latifah, and B. A. Herlambang, “Prediksi gaya belajar menggunakan algoritma random forest dengan optimasi hyperparameter tuning berbasis web 1),” vol. 10, no. 2, pp. 864–873, 2025.

N. Fitriyani, “Predicting Students ’ Mathematics Scores from Reading Scores Using Supervised Learning,” vol. 6, no. April, pp. 494–503, 2026.

S. Junaidi, R. V. Anggela, and D. Kariman, “Journal Of Applied Computer Science And Technology ( JACOST ) Klasifikasi Metode Data Mining untuk Prediksi Kelulusan Tepat Waktu Mahasiswa dengan Algoritma Naïve Bayes , Random Forest , Support Vector Machine ( SVM ) dan Artificial Neural Nerwork ( ANN ),” vol. 5, no. 1, pp. 109–119, 2024.

M. A. Rachman et al., “Aplikasi Prediksi Tingkat Kelulusan Mahasiswa Berdasarkan Data Akademik dan Demografi Menggunakan Algoritma Klasifikasi Random Jurnal Media Informatika [ JUMIN ],” vol. 7, no. 1, pp. 247–255, 2026.

M. R. Forest, “Klasifikasi prestasi akademik mahasiswa menggunakan metode”.

T. Gori et al., “Preprocessing Data Dan Klasifikasi Untuk Prediksi Kinerja Data Preprocessing And Classification For Predicting Student,” vol. 11, no. 1, pp. 215–224, 2024, doi: 10.25126/jtiik.20241118074.

H. Andrianof, A. P. Gusman, O. A. Putra, and A. Info, “Jurnal Sains Informatika Terapan ( JSIT ),” pp. 24–28, 2025.

M. Anggito, H. Hadisuwarno, and K. T. Martono, “Komparasi performa model machine learning algoritma XGBoost dan Random Forest pada studi kasus mendeteksi stunting,” vol. 22, no. 2, pp. 266–278, 2025.

N. R. Muntiari, K. H. Hanif, and L. Herawati, “Deteksi Stanting Pada Balita Dengan Menggunakan Perbandingan Diterima?: Diterbitkan?:,” vol. 13, no. 1, pp. 17–23, 2025.