Klasifikasi Pemilihan Jurusan Sekolah Menengah Kejuruan Menggunakan Gradient Boosting Classifier

Hadi Priyono, Retno Sari, Tati Mardiana

Abstract


Pemilihan jurusan merupakan faktor penting bagi calon siswa yang akan melanjutkan pendidikan di SMK. Siswa cenderung mengikuti pilihan orang tua atau temannya tanpa mempertimbangkan kurikulum sesuai minat dan kemampuannya. Akibatnya banyak siswa yang mengalami kesulitan mengikuti pelajaran, dan prestasi belajarnya menurun. Model RIASEC merupakan salah satu metode pendeteksian minat yang digunakan untuk mengetahui tipe kepribadian siswa. Penelitian ini bertujuan untuk membangun model untuk memprediksi pilihan jurusan di SMK Yadika 12 Depok. Penelitian ini membandingkan lima pengklasifikasi pada kumpulan data pemilihan jurusan di sekolah kejuruan. Proses selanjutnya melakukan tuning hyperparameter menggunakan GridsearchCV untuk mendapatkan parameter yang paling berpengaruh dari algoritma klasifikasi yang dipilih. Algoritma yang diimplementasikan adalah Multinomial Nave Bayes, Gaussian Nave Bayes, Bernoulli Naive Bayes, Gradient Boosting Classifier, Decision Tree Classifier, K Neighbors Classifier, dan Logistic Regression. Hasil pengujian menunjukkan bahwa Gradient Boosting Classifier dengan Hyperparameter Tuning menggunakan GridSearchCV memperoleh akurasi 72% dan class recall mencapai 76%.

 

The selection of the majors remains a crucial factor for prospective students who will pursue their education at SMK. However, students tend to follow the choices of their parents or friends. They are not considering the curriculum according to their interests and abilities. As a result, many students have difficulties following the lesson, and their academic achievement decreases. The RIASEC model is one of the interest detection methods used to determine the student's personality type. This study aims to develop a model to predict the choice of majors at SMK Yadika 12 Depok. We compared five classifiers on the major's selection data sets at vocational schools. In addition, we performed hyperparameter tuning using GridsearchCV to obtain the most influential parameters from the selected classification algorithm. The algorithms implemented are Multinomial Naive Bayes, Gaussian Naive Bayes, Bernoulli Naive Bayes, Gradient Boosting Classifier, Decision Tree Classifier, K Neighbors Classifier, and Logistic Regression. The test results show that the Gradient Boosting Classifier with Hyperparameter Tuning using GridSearchCV maintains an accuracy of 72% and class recall reaches 76%.


Keywords


jurusan, riasec, gradient boosting classifier

References


Badan Pusat Statistik. (2020). Potret Pendidikan Indonesia : statistik Pendidikan 2020.

Fauziyah, E. N., & Nudin, S. R. (2021). Sistem Pendukung Keputusan Penentuan Jurusan di SMKN 1 Pungging Menggunakan Gradient Boosting Tree. 3, 42–50.

Fitri, H. Y. F., & Saraswati Sinta. (2021). Pengaruh Self Determination Dan Prestasi Akademik Terhadap Kematangan Karier Siswa MA NU Nurul Huda. G-COUNS: Jurnal Bimbingan Dan Konseling, 5(2), 247–257.

Fitri, R, K. R., Rahmansyah, A., & Darwin, W. (2017). Penggunaan Bahasa Pemrograman Python Sebagai Pusat Kendali Pada Robot 10-D. 5th Indonesian Symposium on Robotic Systems and Control, 23–26.

Hafsoh, S., & Yusuf, A. M. (2021). Knowing Student ’ S Personality Types in the Determination of Career Selection According To Holland ’ S Theory. 1(3), 88–98.

Hidayat, F. K., & Wahyuni, S. N. (2019). Pendeteksian Minat Dan Bakat Menggunakan Metode Riasec. Indonesian Journal of Business Intelligence (IJUBI), 2(1), 32. https://doi.org/10.21927/ijubi.v2i1.1023

Kementerian Pendidikan dan Kebudayaan. (2018). Spektrum Keahlian Sekolah Menengah Kejuruan (SMK)/Madrasah Aliyah Kejuruan (MAK).

Mahmudah, S. N., & Lianawati, A. (2020). Bimbingan Kelompok Berbasis RIASEC Efektif Meningkatkan Kemantapan Pemilihan Karier Siswa Kelas XII SMA. Jurnal Bimbingan Dan Konseling Teraputik, 4(2), 126–132. https://doi.org/10.26539/teraputik-42427

Prabowo, I. M., & Subiyanto. (2017). Sistem rekomendasi penjurusan sekolah menengah kejuruan dengan algoritma c4.5. Jurnal Kependidikan, 1(1), 139–149.

Priyono, H., Sari, R., & Mardiana, T. (2022). Skripsi Penerapan Algoritma Gradient Boosting Classifier Untuk Rekomendasi Pilihan. Jakarat : Universitas Nusa Mandiri.

Rahmayu, M., & Serli, R. K. (2018). Sistem Pendukung Keputusan Pemilihan Jurusan Pada SMK Putra Nusantara Jakarta Menggunakan Metode Analytical Hierarchy Process (AHP). Simetris: Jurnal Teknik Mesin, Elektro Dan Ilmu Komputer, 9(1), 551–564.

Sumpena, Akbar, Y., & Nirat. (2018). Penerimaan Calon Siswabaru Dan Penentuan Penjurusan Dengan Algoritma C4.5 SMK Plus PGRI 1 Cibinong Selection and peer-review under responsibility of The 11th STIKOM CKI on SPOT. CKI On SPOT, 11(2), 181–191.

Sunge, A. S., Fidiawan, H., Studi, P., Informatika, T., Tinggi, S., & Pelita, T. (2019). Data Mining, Penjualan Produk, Decision Tree, Algoritma C4.5 . . -Jurnal Teknologi Pelita Bangsa, 9, 97–103.

Sutoyo, E., & Fadlurrahman, M. A. (2020). Penerapan SMOTE untuk Mengatasi Imbalance Class dalam Klasifikasi Television Advertisement Performance Rating Menggunakan Artificial Neural Network. JEPIN (Jurnal Edukasi Dan Penelitian Informatika), 6(3), 379–385.

Suyitno. (2020). Pendidikan Vokasi Dan Kejuruan Strategi Dan Revitalisasi Abad 21 (M. Darmiati (ed.); 2020th ed.). K-Media.




DOI: https://doi.org/10.31294/inf.v9i2.12654

Refbacks

  • There are currently no refbacks.


Creative Commons License
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.

Index by:

 
  
   
   JournalStories Main logo  
Published by Department of Research and Public Service (LPPM) Universitas Bina Sarana Informatika with supported Relawan Jurnal Indonesia

Jl. Kramat Raya No.98, Kwitang, Kec. Senen, Kota Jakarta Pusat, DKI Jakarta 10450
Creative Commons License
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License