Penerapan Algoritma Random Forest dalam Prediksi Status Penerima PIP pada Siswa: Studi Kasus pada SMK Amaliah 1
Main Article Content
Abstract
Penelitian ini bertujuan untuk mengeksplorasi dan mengimplementasikan algoritma Random Forest dalam konteks prediksi status penerima Program Indonesia Pintar (PIP) pada siswa tingkat sekolah menengah. Algoritma Random Forest telah terbukti efektif dalam masalah klasifikasi, dan penelitian ini mengadopsinya untuk menganalisis faktor-faktor yang mempengaruhi kelayakan penerimaan PIP. Studi ini menggunakan dataset siswa yang mencakup informasi seperti nama, kelas, dan beberapa atribut sosio-ekonomi seperti Penerima KPS, Penerima KKS, Miskin, dan Yatim. Metode penelitian melibatkan tahap-tahap persiapan data, pembagian data, dan pelatihan model menggunakan algoritma Random Forest. Hasil eksperimen dievaluasi dengan menggunakan metrik kinerja yang mencakup akurasi prediksi. Analisis hasil memberikan wawasan yang mendalam tentang faktor-faktor yang paling signifikan dalam menentukan status penerima PIP. Selain itu juga membahas keunggulan dan kelemahan penerapan algoritma Random Forest. Penelitian ini tidak hanya memberikan kontribusi pada pemahaman tentang implementasi algoritma machine learning dalam konteks pendidikan, tetapi juga diharapkan dapat memberikan panduan bagi kebijakan sosial di bidang pendidikan untuk lebih efektif mendukung siswa yang membutuhkan bantuan finansial.Penelitian ini bertujuan untuk mengeksplorasi dan mengimplementasikan algoritma Random Forest dalam konteks prediksi status penerima Program Indonesia Pintar (PIP) pada siswa tingkat sekolah menengah. Algoritma Random Forest telah terbukti efektif dalam masalah klasifikasi, dan penelitian ini mengadopsinya untuk menganalisis faktor-faktor yang mempengaruhi kelayakan penerimaan PIP. Studi ini menggunakan dataset siswa yang mencakup informasi seperti nama, kelas, dan beberapa atribut sosio-ekonomi seperti Penerima KPS, Penerima KKS, Miskin, dan Yatim. Metode penelitian melibatkan tahap-tahap persiapan data, pembagian data, dan pelatihan model menggunakan algoritma Random Forest. Hasil eksperimen dievaluasi dengan menggunakan metrik kinerja yang mencakup akurasi prediksi. Analisis hasil memberikan wawasan yang mendalam tentang faktor-faktor yang paling signifikan dalam menentukan status penerima PIP. Selain itu juga membahas keunggulan dan kelemahan penerapan algoritma Random Forest. Penelitian ini tidak hanya memberikan kontribusi pada pemahaman tentang implementasi algoritma machine learning dalam konteks pendidikan, tetapi juga diharapkan dapat memberikan panduan bagi kebijakan sosial di bidang pendidikan untuk lebih efektif mendukung siswa yang membutuhkan bantuan finansial.
Article Details
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.
References
Faraji, Z. (2022). A Review of Machine Learning Applications for Credit Card Fraud Detection with A Case study. SEISENSE Journal of Management, 2617-5770.
Firdaus, U., & Utama, D. N. (2020). Balance as one of the attributes in the customer segmentation analysis method: Systematic literature . ASTES, 2415-6698.
Freund, Y., & Schapire, R. E. (1996). Experiments with a New Boosting Algorithm. New Jersey: International Conference on Machine Learning.
Mahapatra, D. (2014). Analyzing Training Information From Random Forests for Improved Image Segmentation. IEEE, 1504-1512.
Ramesh, S., Hebbar, R., M., N., R., P., N., P. B., N., S., & P.V., V. (2018). Plant Disease Detection Using Machine Learning. IEEE.
Salamah, A. H., Tamazin, M., Sharkas, M. A., & Khedr, M. (2016). An enhanced WiFi indoor localization system based on machine learning. IEEE, 4-7.
Sarab, A., & Mohamed, E. B. (2016). Impact of preprocessing on medical data classification. Frontiers of Computer Science, 1082-1102.
Yayan, A., Sri Wulan, A., Unika, W., & Nizmah, M. S. (2019). PENTINGNYA PENDIDIKAN BAGI MANUSIA. Jurnal Buana Pengabdian, 1-19.