SISTEM PREDIKSI NILAI AKHIR DAN PERINGKAT SISWA SMA PGRI LARANTUKA BERBASIS WEB DENGAN ALGORITMA DECISION TREE
DOI:
https://doi.org/10.51878/teaching.v6i4.15909Keywords:
Decision Tree Regression, Prediksi Nilai Akhir, Peringkat Siswa, Sistem Informasi Berbasis Web, SMA PGRI LarantukaAbstract
Academic data management in secondary schools frequently encounters operational challenges such as processing delays and high risks of human error due to manual grade calculation. This study aims to design and implement a web-based academic information system capable of predicting cumulative final grades and automating student ranking determinations at SMA PGRI Larantuka utilizing the Regression Decision Tree algorithm. The system development methodology adopted the sequential Waterfall model, comprising requirement analysis, system architecture design, code implementation, verification testing, and operational maintenance. Empirical evaluation of the regression model using 36 historical student records (29 training sets and 7 test sets) indicated exceptional predictive precision, yielding a Mean Squared Error (MSE) of 3.15 and a coefficient of determination () of 0.88 (88%). Functional validation via Blackbox Testing achieved a 100% valid status across all test suites, while the User Acceptance Test (UAT) conducted with 28 educators and academic staff generated an approval rating of 93.14% (Very Good category). The empirical results substantiate that embedding the Regression Decision Tree algorithm within a web-based educational management system significantly improves computational efficiency, predictive accuracy, and procedural objectivity in secondary school academic assessments.
ABSTRAK
Pengelolaan data akademik di sekolah menengah sering kali masih menghadapi kendala keterlambatan dan potensi kesalahan manusia (human error) akibat rekapitulasi nilai yang dilakukan secara manual. Penelitian ini bertujuan untuk merancang dan membangun sistem informasi berbasis web yang mampu memprediksi nilai akhir serta menentukan peringkat siswa secara otomatis di SMA PGRI Larantuka menggunakan algoritma Pohon Keputusan Regresi (Regression Decision Tree). Metode pengembangan sistem mengadopsi model Waterfall, yang mencakup tahap analisis kebutuhan, perancangan, implementasi, pengujian, dan pemeliharaan. Evaluasi model regresi berbasis 36 data akademik historis (29 data latih dan 7 data uji) menunjukkan performa yang sangat presisi dengan nilai Mean Squared Error (MSE) sebesar 3,15 dan koefisien determinasi () sebesar 0,88 (88%). Pengujian fungsionalitas menggunakan Blackbox Testing menghasilkan 100% status valid, sedangkan pengujian penerimaan pengguna (User Acceptance Test / UAT) terhadap 28 guru dan tenaga pendidik memperoleh persentase kelayakan sebesar 93,14% (kategori Sangat Baik). Hasil penelitian membuktikan bahwa penerapan algoritma Pohon Keputusan Regresi pada sistem E-Penilaian berbasis web mampu meningkatkan efisiensi, akurasi, dan objektivitas evaluasi akademik siswa secara terstruktur.
Downloads
References
Adorni, G., & Piatti, A. (2025). Designing the virtual CAT: A digital tool for algorithmic thinking assessment in compulsory education. International Journal of Child-Computer Interaction, 45, Article 100760. https://doi.org/10.1016/j.ijcci.2025.100760
Afifudin, M., & Riyantomo, A. (2021). Sistem informasi pengolahan data nilai siswa berbasis web (Studi kasus MI Darussalam Tlogoboyo). Jurnal Informatika dan Rekayasa Perangkat Lunak, 3(2), 125–130. https://doi.org/10.36499/jinrpl.v3i2.4605
Alonzo, D., Abril, J. M. V., & Oo, C. Z. (2025). The use of Artificial Intelligence in English language assessment: Empirical evidence and future directions. Critical Studies in Teaching and Learning, 13(2), 45–68. https://doi.org/10.14426/cristal.v13i2.2723
Asrial, A., Syahrial, S., Kurniawan, D. A., Perdana, R., & Sandra, R. O. (2023). E-Assessment: Character of students in elementary school. International Journal of Interactive Mobile Technologies (iJIM), 17(5), 117–142. https://doi.org/10.3991/ijim.v17i05.34205
Astuti, I. P. (2017). Prediksi ketepatan waktu kelulusan dengan algoritma data mining C4.5. Fountain of Informatics Journal, 2(2), 5–9. https://doi.org/10.21111/fij.v2i2.1067
Benediktus, N., & Oetama, R. S. (2020). Algoritma klasifikasi decision tree C5.0 untuk memprediksi performa akademik siswa. Ultimatics: Jurnal Teknik Informatika, 12(1), 14–19. https://doi.org/10.31937/ti.v12i1.1578
Faisal, F., Dhika, H., & Veris, H. (2021). Penerapan algoritma decision tree dalam penjualan handphone. JRKT (Jurnal Rekayasa Komputasi Terapan), 1(4), 210–215. https://doi.org/10.30998/jrkt.v1i04.6157
Fatimah, D. D. S., & Rahmawati, E. (2022). Penggunaan metode decision tree dalam rancang bangun sistem prediksi untuk kelulusan mahasiswa. Jurnal Algoritma, 18(2), 553–561. https://doi.org/10.33364/algoritma/v.18-2.932
Fiarni, C., Sipayung, E. M., & Tumundo, P. B. T. (2019). Academic decision support system for choosing information systems sub majors programs using decision tree algorithm. Journal of Information Systems Engineering and Business Intelligence, 5(1), 57–66. https://doi.org/10.20473/jisebi.5.1.57-66
Hakim, L., & Kusumadewi, R. F. (2026). Pengembangan E-LKPD berbasis Canva Site materi pecahan siswa kelas IV sekolah dasar. EDUTECH: Jurnal Inovasi Pendidikan Berbantuan Teknologi, 6(2), 782–792. https://doi.org/10.51878/edutech.v6i2.10817
Jurmasari, R., Yusuf, F., & Muin, A. A. (2025). Sistem informasi evaluasi nilai berbasis aturan di Kabupaten Soppeng. Jurnal Ilmiah Sistem Informasi dan Ilmu Komputer, 5(3), 651–660. https://doi.org/10.55606/juisik.v5i3.1807
Kurniawan, M. Y., & Rosadi, M. E. (2017). Optimasi decision tree menggunakan particle swarm optimization pada data siswa putus sekolah. Jurnal Teknologi Informasi Universitas Lambung Mangkurat (JTIULM), 2(1), 7–14. https://doi.org/10.20527/jtiulm.v2i1.13
Kusumasari, S., Patonah, S., & Sumarno, S. (2025). Pengembangan perangkat pembelajaran berbasis STEAM berorientasi ESD untuk meningkatkan kreativitas dan kemandirian siswa. LEARNING: Jurnal Inovasi Penelitian Pendidikan dan Pembelajaran, 5(2), 609–619. https://doi.org/10.51878/learning.v5i2.4860
Lestari, D., Suryandani, W., & Sunarto. (2017). Pengaruh gaya kepemimpinan, motivasi, lingkungan kerja, budaya organisasi dan efektivitas penerapan sistem informasi akuntansi terhadap kinerja karyawan. Jurnal Ilmiah Akuntansi dan Keuangan, 6(1), 32–45. https://doi.org/10.32639/jiak.v6i1.145
Martallata, R., Nurbudiyani, I., & Noor, A. F. (2026). Digitalisasi pengembangan huma gantung dan pemanfaatan equalizer dalam asesmen awal kesiapan belajar siswa SMKN-2 Kasongan. LEARNING: Jurnal Inovasi Penelitian Pendidikan dan Pembelajaran, 6(1), 248–260. https://doi.org/10.51878/learning.v6i1.8719
Mayadewi, P., & Rosely, E. (2015). Prediksi nilai proyek akhir mahasiswa menggunakan decision tree. Jurnal Sistem Informasi Indonesia, 1(1), 14–22. https://doi.org/10.31004/jsii.v1i1.120
Natavia, D. S., Azainil, A., Haeruddin, H., & Buhari, M. R. (2025). Integrasi sistem informasi manajemen dalam mendukung mutu pendidikan. JIIP: Jurnal Ilmiah Ilmu Pendidikan, 8(7), 7063–7073. https://doi.org/10.54371/jiip.v8i7.8374
Permadi, A. S., & Jailani, M. (2020). The effect of information technology utilization and communication on study motivation. Jurnal Pendidikan Guru Sekolah Dasar, 6(1), 16–21. https://doi.org/10.31004/jpgsd.v6i1.1450
Pohan, R., & Pohan, N. (2025). Integrasi Artificial Intelligence dalam sistem manajemen pendidikan Islam untuk meningkatkan efisiensi administrasi. Sistem Pendukung Keputusan dengan Aplikasi, 4(2), 101–110. https://doi.org/10.55537/spk.v4i2.1305
Qoiriah, A., & Yamasari, Y. (2021). Prediksi nilai akhir mahasiswa dengan metode regresi (Studi kasus mata kuliah pemrograman dasar). Journal of Information Engineering and Educational Technology, 5(1), 40–43. https://doi.org/10.26740/jieet.v5n1.p40-43
Rafif, M. I., Sahputra, R. Z., & Lubis, A. A. F. (2026). Development of the SIELIN application (Integrated E-Learning System) as means of educational media for drugs prevention for teenagers. EDUCATIONAL: Jurnal Inovasi Pendidikan & Pengajaran, 6(3), 1806–1815. https://doi.org/10.51878/educational.v6i3.11742
Rusmini, I., Elvina, Ramadiani, R., & Sudarman, S. (2025). Implementing the E-Rapor application: Improving efficiency and accuracy in assessment at SMPN 4 Muara Wis. International Journal of Advance Social Sciences and Education (IJASSE), 3(4), 243–256. https://doi.org/10.59890/ijasse.v3i4.117
Sianturi, F. A. (2018). Analisa decision tree dalam pengolahan data siswa. MEANS (Media Informasi Analisa dan Sistem), 3(2), 166–172. https://doi.org/10.54367/means.v3i2.287
Susanto, H., & Sudiyatno, S. (2014). Data mining untuk memprediksi prestasi siswa berdasarkan sosial ekonomi, motivasi, kedisiplinan dan prestasi masa lalu. Jurnal Pendidikan Vokasi, 4(2), 222–231. https://doi.org/10.21831/jpv.v4i2.2547
Wibowo, A., & Rohman, A. (2022). Prediksi predikat kelulusan mahasiswa menggunakan Naive Bayes dan decision tree pada Universitas XYZ. EXPERT: Jurnal Manajemen Sistem Informasi dan Teknologi, 12(2), 104–110. https://doi.org/10.36488/expert.v12i2.2810
Downloads
Published
How to Cite
Issue
Section
License
Copyright (c) 2026 TEACHING : Jurnal Inovasi Keguruan dan Ilmu Pendidikan
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.
