IMPLEMENTASI ALGORITMA DECISION TREE DANRANDOM FOREST UNTUK PREDIKSI KETEPATAN WAKTU KELULUSAN SISWA.

Pengelolaan data akademik siswa yang masih dilakukan secara manual di sekolah menengah menyebabkan sulitnya mengidentifikasi siswa yang berpotensi terlambat lulus sejak dini. Penelitian ini bertujuan untuk menerapkan dan membandingkan kinerja algoritma Decision Tree dan Random Forest dalam memprediksi ketepatan waktu kelulusan siswa berdasarkan data akademik historis. Data yang digunakan adalah Student Performance Dataset yang diperoleh dari UCI Machine Learning Repository, berisi rekap akademik siswa sekolah menengah dan atas di Halabja dengan jumlah data awal sebanyak 16.823 baris dan 17 atribut. Setelah melalui tahap pembersihan data, diperoleh 16.695 data valid yang diolah menggunakan 11 fitur nilai mata pelajaran utama sebagai prediktor. Variabel target bersifat biner, yaitu 'Tepat Waktu' untuk siswa dengan nilai rata-rata ≥60 dan 'Terlambat' untuk nilai rata-rata di bawah 60. Penelitian ini menggunakan kerangka kerja Cross Industry Standard Process for Data Mining (CRISP-DM) yang terdiri dari enam tahap, dan seluruh proses komputasi dijalankan menggunakan bahasa pemrograman Python di platform Google Colab. Pembagian data dilakukan dengan proporsi 80% data latih dan 20% data uji melalui teknik stratified random sampling. Hasil pengujian menunjukkan bahwa Random Forest secara konsisten mengungguli Decision Tree pada seluruh metrik evaluasi, dengan akurasi 95,24%, presisi 96,15%, recall 94,10%, dan F1-Score 95,11%, dibandingkan Decision Tree yang menghasilkan akurasi 92,03%, presisi 92,43%, recall 91,30%, dan F1-Score 91,86%. Model terbaik kemudian diintegrasikan ke dalam laporan berbentuk spreadsheet (.xlsx) sebagai sistem peringatan dini (early warning system) bagi pihak sekolah dalam menangani siswa yang berisiko terlambat lulus.