Prediksi Nilai Akhir Matematika Siswa Menggunakan Random Forest Berbasis AutoML dengan Seleksi Fitur Algoritma Genetika

Abstract

Prediksi performa akademik sangat penting untuk membantu institusi pendidikan memberikan pendampingan yang tepat bagi siswa yang berpotensi mendapatkan nilai rendah. Namun, dataset pendidikan sering kali memiliki banyak variabel yang tidak semuanya relevan, sehingga hal tersebut dapat membingungkan model komputasi dan menurunkan akurasi tebakan. Penelitian ini bertujuan untuk memprediksi nilai akhir matematika siswa berdasarkan dataset Student Performance menggunakan gabungan dua metode komputasi. Metode pertama adalah Algoritma Genetika yang bertugas menyeleksi fitur, dan metode kedua adalah Fast and Lightweight AutoML (FLAML) yang bertugas mencari serta menyetel model regresi terbaik secara otomatis. Dalam pemrosesan datanya, fitur nilai ujian sebelumnya dihapus agar model murni belajar dari faktor latar belakang dan kebiasaan siswa. Hasil penelitian menunjukkan bahwa Algoritma Genetika berhasil menyaring data secara efektif dengan menyusutkan 30 fitur awal menjadi hanya 13 fitur yang paling berpengaruh. Selanjutnya, pencarian otomatis oleh FLAML menetapkan Random Forest sebagai algoritma regresi yang paling optimal. Evaluasi kinerja membuktikan bahwa pembuangan fitur yang tidak relevan ini berhasil menurunkan tingkat kesalahan prediksi atau Root Mean Squared Error dari 4.145 pada model awal menjadi 4.065. Kemampuan model dalam menjelaskan data juga meningkat dari 18.7% menjadi 21.8%. Kesimpulannya, seleksi fitur menggunakan Algoritma Genetika terbukti efektif dalam meringankan beban pemrosesan data sekaligus membuat akurasi tebakan model pembelajaran mesin menjadi lebih tajam.