Aplikasi Interaktif Berbasis R Studio Untuk Prediksi Nilai Ujian Mahasiswa Menggunakan Algoritma Random Forest Dengan Evaluasi Multi-Variabel

Purwanto; Fisa Wisnu Wijaya; Dora Bernadisman; Sutar; Mario Zulhadi Amrullah

doi:10.56995/sintek.v6i1.255

Authors

Purwanto Universitas Saintek Muhammadiyah
Fisa Wisnu Wijaya Universitas Saintek Muhammadiyah
Dora Bernadisman Universitas Saintek Muhammadiyah
Sutar Universitas Saintek Muhammadiyah
Mario Zulhadi Amrullah Universitas Saintek Muhammadiyah

DOI:

https://doi.org/10.56995/sintek.v6i1.255

Keywords:

Prediksi Hasil Belajar, Random Forest, R Studio, Machine Learning, Evaluasi Pembelajaran

Abstract

Penelitian ini bertujuan untuk mengembangkan model prediksi nilai ujian mahasiswa menggunakan algoritma Random Forest yang diimplementasikan melalui aplikasi interaktif berbasis R Studio. Instrumen penelitian yang terdiri dari 48 item diuji validitasnya dengan seluruh item menunjukkan nilai r hitung > r tabel (0,284), sehingga dinyatakan valid. Uji reliabilitas menggunakan Cronbach’s Alpha menghasilkan nilai 0,89, menunjukkan instrumen sangat reliabel. Model prediksi mengintegrasikan variabel akademik dan non-akademik, meliputi skor kognitif, afektif, psikomotorik, jam belajar, kehadiran kelas, kualitas tidur, dukungan fasilitas, dan dukungan keluarga. Hasil analisis menunjukkan skor kognitif dan kehadiran kelas menjadi variabel paling dominan dalam mempengaruhi nilai akhir mahasiswa. Model Random Forest menghasilkan performa prediksi yang baik dengan Root Mean Square Error (RMSE) sebesar 3,35 dan koefisien determinasi (R²) sebesar 0,305. Aplikasi interaktif yang dikembangkan memudahkan visualisasi profil capaian mahasiswa dan membantu pengelola akademik dalam pengambilan keputusan untuk meningkatkan prestasi akademik secara efektif.

Downloads

Download data is not yet available.

References

Suryadi, A., & Mulyani, S. (2018). Evaluasi hasil belajar mahasiswa dalam pendidikan tinggi. Jurnal Pendidikan Tinggi Indonesia, 6(2), 85–94.Bloom, B. S. (adaptasi Indonesia). (2017). Ranah kognitif dalam evaluasi pembelajaran. Jurnal Evaluasi Pendidikan, 9(1), 12–20.

Rahmawati, D., & Nugroho, E. (2019). Sistem prediksi prestasi akademik mahasiswa menggunakan data mining. Jurnal Teknologi Informasi dan Pendidikan, 12(1), 45–53.

Handayani, T., & Prasetyo, H. (2020). Faktor internal dan eksternal yang memengaruhi hasil belajar mahasiswa. Jurnal Pendidikan dan Pembelajaran, 27(3), 201–210.

Putra, R. A., & Lestari, I. (2017). Penerapan machine learning dalam bidang pendidikan. Jurnal Informatika Pendidikan, 9(2), 66–75.

Saputra, M. A., & Widodo, A. (2021). Analisis algoritma Random Forest untuk prediksi akademik. Jurnal Ilmu Komputer dan Informasi, 14(1), 33–41.

Aziz, A. R., & Hidayat, T. (2022). Perbandingan Random Forest dan Naïve Bayes dalam prediksi nilai mahasiswa. Jurnal Sistem Informasi, 18(2), 120–129.

Sari, N., & Kurniawan, D. (2016). Uji validitas dan reliabilitas instrumen penelitian pendidikan. Jurnal Evaluasi Pendidikan, 8(1), 15–23.

Utami, R., & Setiawan, B. (2018). Penggunaan skala Likert dalam pengukuran sikap belajar mahasiswa. Jurnal Psikologi Pendidikan, 10(2), 95–104.

Firmansyah, Y., & Susanto, E. (2021). Pemanfaatan R Studio sebagai alat analisis data pendidikan. Jurnal Statistika dan Komputasi, 5(1), 1–10.

Wibowo, A., & Santoso, H. (2023). Model prediksi hasil belajar mahasiswa berbasis machine learning. Jurnal Pendidikan Berbasis Data, 2(1), 55–64.

Suryadi, A., & Mulyani, S. (2018). Evaluasi hasil belajar mahasiswa dalam pendidikan tinggi. Jurnal Pendidikan Tinggi Indonesia, 6(2), 85–94.

Bloom, B. S. (adaptasi Indonesia). (2017). Ranah kognitif dalam evaluasi pembelajaran. Jurnal Evaluasi Pendidikan, 9(1), 12–20.

Utami, R., & Setiawan, B. (2019). Pengaruh sikap belajar terhadap prestasi akademik mahasiswa. Jurnal Psikologi Pendidikan, 11(2), 77–86.

Handayani, T., & Prasetyo, H. (2020). Penilaian ranah psikomotorik dalam pembelajaran praktik. Jurnal Pendidikan Vokasi, 10(1), 45–53.

Rahmawati, D., & Nugroho, E. (2019). Hubungan jam belajar dengan hasil belajar mahasiswa. Jurnal Pendidikan dan Pembelajaran, 26(2), 134–142.

Sari, N., & Kurniawan, D. (2018). Pengaruh dukungan keluarga terhadap prestasi belajar mahasiswa. Jurnal Pendidikan Sosial, 7(1), 21–30.

Wibowo, A., & Santoso, H. (2023). Kualitas tidur dan prestasi akademik mahasiswa. Jurnal Kesehatan Pendidikan, 5(2), 66–74.

Sugiyono. (2019). Evaluasi pembelajaran berbasis data. Jurnal Metodologi Penelitian Pendidikan, 4(1), 1–10.

Putra, R. A., & Lestari, I. (2017). Educational data mining dalam pendidikan tinggi. Jurnal Informatika Pendidikan, 9(2), 66–75.

Firmansyah, Y., & Susanto, E. (2021). Penerapan machine learning di bidang pendidikan. Jurnal Ilmu Komputer dan Informatika, 14(1), 33–41.

Saputra, M. A., & Widodo, A. (2021). Algoritma Random Forest untuk prediksi data pendidikan. Jurnal Sistem Informasi, 17(2), 98–107.

Aziz, A. R., & Hidayat, T. (2022). Perbandingan Random Forest dan Naïve Bayes dalam prediksi nilai mahasiswa. Jurnal Teknologi Informasi, 18(1), 55–64.

Firmansyah, Y., & Prabowo, D. (2020). Pemanfaatan R Studio dalam analisis data pendidikan. Jurnal Statistika Terapan, 3(2), 40–49.

Sari, N., & Lestari, W. (2016). Uji validitas dan reliabilitas instrumen penelitian pendidikan. Jurnal Evaluasi Pendidikan, 8(1), 15–23.

Wibowo, A., & Nugroho, S. (2023). Model prediksi hasil belajar mahasiswa berbasis machine learning. Jurnal Pendidikan Berbasis Data, 2(1), 55–64.