Perancangan Model Deteksi Potensi Siswa Putus Sekolah Menggunakan Metode Decision Tree di SMK Informatika Ciputat

Andreas K. M.

doi:10.69693/ijmst.v4i3.12550

Authors

Andreas K. M. Universitas Pamulang

DOI:

https://doi.org/10.69693/ijmst.v4i3.12550

Keywords:

Putus Sekolah, Decision Tree CART, SMOTE, SMK

Abstract

Angka putus sekolah merupakan permasalahan multidimensional yang berdampak pada kualitas sumber daya manusia. Penelitian ini bertujuan merancang model deteksi dini potensi siswa putus sekolah menggunakan algoritma Decision Tree CART (Classification and Regression Tree) di SMK Informatika Ciputat. Algoritma Decision Tree CART dipilih karena menghasilkan model yang transparan dan mudah diinterpretasikan sehingga cocok digunakan dalam konteks pendidikan yang memerlukan pemahaman terhadap faktor-faktor risiko secara jelas. Penelitian ini menggunakan lima variabel prediktor, yaitu nilai rapor, persentase absensi, jarak domisili, pekerjaan orang tua, dan status orang tua. Data diperoleh dari arsip sekolah mencakup tiga tahun ajaran. Tahapan penelitian meliputi pembersihan data, derivasi fitur pekerjaan orang tua berdasarkan KBJI 2014, standardisasi data menggunakan StandardScaler, label encoding, penanganan ketidakseimbangan kelas menggunakan SMOTE, serta optimasi parameter dan validasi silang. Dataset dibagi menjadi data latih dan data uji dengan perbandingan 80:20 secara stratified, kemudian dievaluasi menggunakan Stratified K-Fold Cross Validation dengan 5 fold untuk memastikan kemampuan generalisasi model. Model yang telah dilatih kemudian diintegrasikan ke dalam aplikasi web berbasis Laravel dengan memanfaatkan pustaka Scikit-Learn untuk proses prediksi. Hasil evaluasi menggunakan confusion matrix menunjukkan bahwa model memperoleh akurasi sebesar 89,42%, sehingga mampu mengklasifikasikan potensi siswa putus sekolah dengan kinerja yang baik. Berdasarkan analisis tingkat kepentingan atribut yang dihasilkan oleh pohon keputusan, persentase absensi merupakan atribut yang paling dominan dalam menentukan risiko putus sekolah. Model yang dihasilkan mampu memberikan alternatif deteksi dini yang objektif dan berbasis data sehingga dapat mendukung pihak sekolah dalam menentukan prioritas pendampingan terhadap siswa yang berpotensi mengalami putus sekolah.

References

Bañeres, D., Rodríguez-González, M. E., Guerrero-Roldán, A. E., & Cortadas, P. (2023). An early warning system to identify and intervene online dropout learners. International Journal of Educational Technology in Higher Education, 20, 3. https://doi.org/10.1186/s41239-022-00371-5

Bishnoi, S., & Hooda, B. K. (2022). Decision Tree Algorithms and their Applicability in Agriculture for Classification. Journal of Experimental Agriculture International, 20–27. https://doi.org/10.9734/jeai/2022/v44i730833

Blockeel, H., Devos, L., Frénay, B., Nanfack, G., & Nijssen, S. (2023). Decision trees: from efficient prediction to responsible AI. In Frontiers in Artificial Intelligence (Vol. 6). Frontiers Media SA. https://doi.org/10.3389/frai.2023.1124553

Ekka Pujo Ariesanto Akhmad. (2025). Enhancing the Accuracy of Airline Review Classification Using SMOTE and Grid Search with Cross Validation for Hyperparameter Tuning. Journal of Information Systems Engineering and Management, 10(25s), 850–861. https://doi.org/10.52783/jisem.v10i25s.4174

Ermillian, A., & Nugroho, K. (2024). Perancangan Model Deteksi Potensi Siswa Putus Sekolah Menggunakan Metode Logistic Regression Dan Decision Tree. Jurnal Informatika: Jurnal Pengembangan IT, 9(3), 281–295. https://doi.org/10.30591/jpit.v9i3.8007

Hidayat, T., An Nur, A. M., Hasri, H., Genisa, M. U., & Rizal, H. P. (2024). Implementasi Program Early Warning Systems Sebagai Upaya Mitigasi Risiko Anak Putus Sekolah. Jurnal Pengabdian Kepada Masyarakat (JPKM) TABIKPUN, 5(1), 37–46. https://doi.org/10.23960/jpkmt.v5i1.148

Lee, J., Sim, M. K., & Hong, J. S. (2024). Assessing Decision Tree Stability: A Comprehensive Method for Generating a Stable Decision Tree. IEEE Access, 12, 90061–90072. https://doi.org/10.1109/ACCESS.2024.3419228

Magister, M. J., Sains, P., Psikologi, F., Dahlan, U. A., Magister, K. B., Hidayah, N., & Sains, M. P. (2021). Gambaran Student Engagement pada Siswa SMA (Studi Kasus pada Siswa MAN 1 Magelang). 17(1). https://doi.org/10.32528/ins.v%vi%i.3615

Mariano, A. M., Ferreira, A. B. de M. L., Santos, M. R., Castilho, M. L., & Bastos, A. C. F. L. C. (2022). Decision trees for predicting dropout in Engineering Course students in Brazil. Procedia Computer Science, 214, 1113–1120. https://doi.org/10.1016/j.procs.2022.11.285

Pallathadka, H., Sajja, G. S., Mustafa, M., Kaliyaperumal, K., Patra, I., Ray, S., & Raghuvanshi, A. (2023). Machine learning in education, finance and management: Applications and future trends. 090003. https://doi.org/10.1063/5.0150535

Putri, S. A., & Rachmatika, R. (2025). Penerapan Algoritma Random Forest dan SMOTE untuk Prediksi Risiko Putus Sekolah Siswa Sekolah Menengah Kejuruan. Decode: Jurnal Pendidikan Teknologi Informasi, 5(3), 903–910. https://doi.org/10.51454/decode.v5i3.1360

Roda-Segarra, J., De-La-peña, C., & Mengual-Andrés, S. (2024). Effectiveness of Artificial Intelligence Models for Predicting School Dropout: A Meta-Analysis. Multidisciplinary Journal of Educational Research, 14(3), 317–340. https://doi.org/10.17583/remie.13342

Sarker, I. H. (2021). Machine Learning: Algorithms, Real-World Applications and Research Directions. SN Computer Science, 2(3), 160. https://doi.org/10.1007/s42979-021-00592-x

Scheidig, F., & Holmeier, M. (2023). Predicting student teachers’ dropout with machine learning: Potentials of using student and study progress data from the campus management system. Unterrichtswissenschaft, 51, 489–509. https://doi.org/10.1007/s42010-023-00182-1

Selim, K. S., & Rezk, S. S. (2023). On predicting school dropouts in Egypt: A machine learning approach. Education and Information Technologies, 28, 9235–9266. https://doi.org/10.1007/s10639-022-11571-x

Shiao, Y.-T., Chen, C.-H., Wu, K.-F., Chen, B.-L., Chou, Y.-H., & Wu, T.-N. (2023). Reducing dropout rate through a deep learning model for sustainable education: Long-term tracking of learning outcomes of an undergraduate cohort from 2018 to 2021. Smart Learning Environments, 10, 55. https://doi.org/10.1186/s40561-023-00274-6

Silalahi, Y. N., Panjaitan, R., & Harahap, L. S. (2025). ANALISIS PERBANDINGAN ANGKA PUTUS SEKOLAH DASAR NEGERI DAN SWASTA MENGGUNAKAN ALGORITMA K-NEAREST NEIGHBORS (K-NN). Jurnal Informatika Dan Teknik Elektro Terapan, 13(1). https://doi.org/10.23960/jitet.v13i1.6045

Song, P., Cai, X., Qin, D., Wang, Q., Liu, X., Zhong, M., Li, L., & Yang, Y. (2024). Analyzing psychological resilience in college students: A decision tree model. Heliyon, 10(11). https://doi.org/10.1016/j.heliyon.2024.e32583

Villar, A., & de Andrade, C. R. V. (2024). Supervised machine learning algorithms for predicting student dropout and academic success: A comparative study. Discover Artificial Intelligence, 4, 2. https://doi.org/10.1007/s44163-023-00079-z

Xia, X., & Qi, W. (2023). Dropout prediction and decision feedback supported by multi temporal sequences of learning behavior in MOOCs. International Journal of Educational Technology in Higher Education, 20, 32. https://doi.org/10.1186/s41239-023-00400-x