Perpustakaan Digital ITB

Perkembangan teknologi informasi dan kecerdasan buatan membuka peluang pemanfaatan data pembelajaran secara lebih sistematis dalam dunia pendidikan. Namun, data nilai siswa pada praktiknya masih sering dimanfaatkan sebatas laporan hasil belajar, khususnya pada pembelajaran IPA yang memiliki karakteristik konsep abstrak. Kondisi ini menyebabkan guru mengalami keterbatasan dalam mengidentifikasi kesulitan belajar siswa secara dini dan menentukan tindak lanjut pembelajaran yang tepat. Penelitian ini bertujuan untuk mengembangkan model prediksi hasil belajar siswa pada mata pelajaran IPA menggunakan algoritma regresi linier dan random forest, serta menyajikannya dalam bentuk dashboard pembelajaran berbasis MATLAB. Data penelitian berupa 10 nilai rapor terakhir siswa dan 3 nilai harian pada semester berjalan di kelas IX SMP. Untuk menguji keandalan model dilakukan menggunakan metode leave-one-out cross-validation (LOOCV) agar setiap siswa memperoleh nilai prediksi secara adil dan bebas kebocoran data. Kinerja model diukur dengan evaluasi regresi menggunakan mean absolute error (MAE), root mean square absolute error (RMSE), dan koefisien determinasi (R2), serta evaluasi klasifikasi menggunakan confusion matrix, precision, recall, dan F1-score. Hasil penelitian menunjukkan bahwa metode Random Forest memiliki performa yang lebih baik dibandingkan dengan regresi linier, dengan nilai RMSE sebesar 2,57, MAE sebesar 2,22, dan R2 sebesar 0,45, sedangkan regresi linier menghasilkan RMSE sebesar 3,02, MAE sebesar 2,35, dan R2 sebesar 0,24. Begitu juga pada evaluasi klasifikasi, di mana random forest memiliki akurasi 0,86, presisi 1,00, recall 0,76, dan F1-score 0,86,sedangkan regresi linier memiliki akurasi 0,82, presisi 0,93, recall 0,76, dan F1-score 0,84. Random Forest menunjukkan nilai precision, recall, dan F1-score yang lebih tinggi, sehingga lebih unggul dalam mengklasifikasikan data secara konsisten..