Evaluasi Model Prediksi Kinerja Akademik Siswa SMA dengan Analisis Regresi

Evaluasi Model Prediksi Kinerja Akademik Siswa SMA dengan Analisis Regresi

Dalam dunia pendidikan modern, analisis data berperan penting untuk membantu memahami faktor-faktor yang memengaruhi prestasi akademik siswa. Sebagai bagian dari pembelajaran akademis di lingkungan kampus, kami telah mengembangkan sebuah dashboard evaluasi model regresi yang berfungsi untuk memprediksi performa akademik siswa sekolah menengah atas (SMA) berdasarkan berbagai faktor numerik dan kategorikal.

1. Dataset yang Digunakan

Dataset yang dianalisis berisi informasi siswa SMA dengan beragam atribut yang dibagi menjadi dua jenis:

  • Fitur numerik:
    • age (usia siswa)
    • Medu (pendidikan ibu)
    • Fedu (pendidikan ayah)
    • traveltime (waktu tempuh ke sekolah)
    • studytime (waktu belajar mingguan)
    • failures (jumlah kegagalan akademik sebelumnya)
    • famrel (hubungan keluarga)
    • freetime (waktu luang)
    • goout (frekuensi keluar rumah)
    • Dalc (konsumsi alkohol harian)
    • Walc (konsumsi alkohol mingguan)
    • health (kesehatan siswa)
    • absences (jumlah ketidakhadiran)
  • Fitur kategorikal:
    • school, sex, address, famsize, Pstatus
    • Mjob, Fjob, reason, guardian
    • schoolsup, famsup, paid, activities, nursery, higher, internet, romantic

Fitur-fitur ini dipilih karena relevan terhadap kondisi belajar siswa baik dari aspek pribadi, keluarga, maupun lingkungan sosial.

2. Dua Belas Model Regresi yang Dievaluasi

Dashboard ini mengevaluasi 12 model regresi yang mewakili beragam pendekatan:

  1. Linear Regression – model dasar berbasis hubungan linier antar variabel.
  2. Ridge Regression – mengurangi overfitting dengan regularisasi L2.
  3. Lasso Regression – melakukan seleksi fitur dengan regularisasi L1.
  4. Elastic Net Regression – kombinasi antara L1 dan L2.
  5. Decision Tree Regressor – menangkap hubungan non-linier dengan struktur pohon.
  6. Random Forest Regressor – menggabungkan banyak pohon untuk hasil lebih stabil.
  7. Gradient Boosting Regressor – memperbaiki kesalahan prediksi secara iteratif.
  8. AdaBoost Regressor – teknik boosting dengan bobot adaptif.
  9. Extra Trees Regressor – variasi random forest dengan pembagian lebih acak.
  10. K-Nearest Neighbors (KNN) Regressor – memprediksi berdasarkan kedekatan tetangga data.
  11. Support Vector Regressor (SVR) – menggunakan hyperplane untuk meminimalkan error dalam margin tertentu.
  12. MLP Regressor (Neural Network) – memanfaatkan jaringan syaraf tiruan untuk pola kompleks.

Kombinasi model ini memungkinkan perbandingan performa dari pendekatan klasik hingga modern.

3. Indikator Evaluasi

Evaluasi model dilakukan menggunakan metrik standar pada analisis regresi, di antaranya:

  • Mean Absolute Error (MAE) – rata-rata kesalahan absolut prediksi.
  • Mean Squared Error (MSE) – penalti lebih besar untuk kesalahan besar.
  • Root Mean Squared Error (RMSE) – kesalahan rata-rata dalam skala asli data.
  • R² Score – seberapa baik model menjelaskan variasi data.

4. Visualisasi Dashboard

Dashboard yang tersedia menyajikan hasil evaluasi model secara visual dan interaktif, mencakup:

  • Perbandingan performa antar algoritma dalam bentuk grafik batang.
  • Distribusi error untuk memahami kesalahan prediksi.
  • Feature importance untuk menunjukkan variabel mana yang paling berpengaruh terhadap kinerja akademik.

Dengan visualisasi ini, mahasiswa maupun dosen dapat lebih mudah memahami kelebihan dan keterbatasan tiap model regresi.

5. Implikasi Akademis dan Riset

Implementasi ini tidak hanya berfungsi sebagai media pembelajaran, tetapi juga dapat dijadikan basis riset lebih lanjut. Beberapa potensi pengembangan riset meliputi:

  • Eksplorasi teknik feature engineering untuk meningkatkan akurasi model.
  • Perbandingan performa dengan model berbasis deep learning.
  • Analisis pengaruh faktor sosial dan psikologis terhadap performa akademik.
  • Pemanfaatan hasil prediksi untuk mendukung kebijakan intervensi pendidikan.

6. Kesimpulan

Pengembangan dashboard evaluasi model regresi ini menunjukkan bagaimana data akademik siswa dapat dianalisis secara komprehensif untuk memprediksi performa mereka. Dengan pemanfaatan berbagai algoritma dan visualisasi interaktif, dashboard ini dapat menjadi sumber belajar yang berharga bagi mahasiswa, dosen, maupun peneliti dalam memahami penerapan machine learning di bidang pendidikan.

📌 Aplikasi ini dapat diakses melalui:
 👉 Student Performance Regression Evaluation

Penulis

  • SELAMAT MULIYADI HARJONO
    SELAMAT MULIYADI HARJONO
    Ketua HMSI 2024-2025
    Nama saya Selamat M. Harjono biasa dipanggil memet. Saya kuliah di Universitas Dumai mengambil jurusan Sistem Informasi karena saya tertarik terhadap teknologi khususnya dibidang IT. Lihat Profil
Ikuti Media Sosial Penulis