EVALUASI TINGKAT KEDISIPLINAN SISWA PADA SMK NAHDHATUL UMAM BERDASARKAN DATA ABSENSI DIGITAL MENGGUNAKAN ALGORITMA DECISION TREE

Nur Janah; Rudi Kurniawan; Bani Nurhakim; Agus Bahtiar

Authors

Nur Janah STMIK IKMI Cirebon, Indonesia
Rudi Kurniawan STMIK IKMI Cirebon, Indonesia
Bani Nurhakim STMIK IKMI Cirebon, Indonesia
Agus Bahtiar STMIK IKMI Cirebon, Indonesia

Keywords:

kedisiplinan siswa, absensi digital, Decision Tree, klasifikasi,, machine learning

Abstract

Kedisiplinan siswa merupakan aspek fundamental dalam mendukung keberhasilan proses pembelajaran dan peningkatan mutu pendidikan. SMK Nahdhatul Umam telah menerapkan sistem absensi digital untuk mencatat kehadiran siswa secara real time, namun data tersebut belum dimanfaatkan secara optimal sebagai bahan evaluasi kedisiplinan. Masalah utama dalam penelitian ini adalah belum tersedianya metode analitis yang mampu mengolah data absensi digital menjadi informasi tingkat kedisiplinan yang akurat dan mudah dipahami. Oleh karena itu, penelitian ini bertujuan untuk mengevaluasi tingkat kedisiplinan siswa berdasarkan data absensi digital dengan menerapkan algoritma Decision Tree sebagai teknik klasifikasi.Penelitian ini menggunakan dataset berisi 951 data absensi siswa selama bulan Oktober 2025. Tahapan penelitian meliputi pengumpulan data, praproses data, penentuan label kedisiplinan menjadi dua kategori (disiplin dan tidak disiplin), serta penerapan algoritma Decision Tree menggunakan Google Colab dan Scikit-Learn. Evaluasi model dilakukan menggunakan metrik akurasi dan F1-score untuk mengukur performa klasifikasi secara menyeluruh. Fitur yang dianalisis dalam model meliputi alfa, keterlambatan (menit), TAP, dan TAM sebagai indikator utama kedisiplinan.Hasil penelitian menunjukkan bahwa algoritma Decision Tree memiliki kemampuan klasifikasi yang sangat baik, dibuktikan dengan nilai akurasi sebesar 98,42% dan F1-score sebesar 98,60%. Nilai tersebut mengindikasikan bahwa model sangat andal dalam membedakan siswa yang disiplin dan tidak disiplin berdasarkan pola absensi mereka. Temuan ini juga menunjukkan bahwa sistem absensi digital dapat berfungsi lebih dari sekadar pencatatan kehadiran, tetapi juga sebagai alat evaluasi perilaku kedisiplinan siswa secara objektif.Kesimpulan dari penelitian ini adalah bahwa algoritma Decision Tree efektif digunakan untuk mengevaluasi tingkat kedisiplinan siswa berdasarkan data absensi digital. Penelitian ini menyarankan agar sekolah mengintegrasikan model klasifikasi ke dalam sistem monitoring kedisiplinan sebagai pendukung pengambilan keputusan. Penelitian selanjutnya dapat dilakukan dengan menambah variabel lain atau membandingkan berbagai algoritma machine learning untuk meningkatkan performa model.

References

W. Chen, K. Yang, Z. Yu, Y. Shi, and C. L. P. Chen, “A survey on imbalanced learning: Latest research, applications and future directions,” Artificial Intelligence Review, vol. 57, p. 137, 2024, doi: 10.1007/s10462-024-10759-6.

M. Moore, “Classroom climate, attendance, and academic performance,” 2022.

R. Moodley, F. Chiclana, J. Carter, and F. Caraffini, “Using data mining in educational administration: A case study on improving school attendance,” Applied Sciences, vol. 10, no. 9, p. 3116, 2020, doi: 10.3390/app10093116.

T.-T. Huynh-Cam, L.-S. Chen, and H. Le, “Using decision trees and random forest algorithms to predict and determine factors contributing to first-year university students’ learning performance,” Algorithms, vol. 14, no. 11, p. 318, 2021, doi: 10.3390/a14110318.

K. Battista, K. A. Patte, L. Diao, J. A. Dubin, and S. T. Leatherdale, “Using decision trees to examine environmental and behavioural factors associated with youth anxiety, depression, and flourishing,” International Journal of Environmental Research and Public Health, vol. 19, no. 17, p. 10873, 2022, doi: 10.3390/ijerph191710873.

H. Almaghrabi, B. Soh, A. Li, and I. Alsolbi, “SoK: The impact of educational data mining on organisational administration,” Information, vol. 15, no. 11, p. 738, 2024, doi: 10.3390/info15110738.