PENERAPAN ALGORITMA DECISION TREE UNTUK SISTEM INFORMASI REKOMENDASI JURUSAN BERBASIS WEB (STUDI KASUS SMK HENDRIKUS LEVEN)
DOI:
https://doi.org/10.51878/vocational.v6i4.15722Keywords:
Decision Tree, sistem informasi, rekomendasi jurusan, berbasis web, C4.5Abstract
Accurate department selection in Vocational High Schools (SMKs) is important because it is related to the alignment between students’ abilities, interests, and selected areas of specialization. Manual department placement that relies mainly on academic scores and subjective considerations may result in inconsistent recommendations. This study aims to design and implement a web-based department recommendation information system using the Decision Tree (C4.5 Simplified) algorithm at SMK Hendrikus Leven. The study used students’ academic scores, interests, talents, and historical department data. A total of 60 records were used as training data to construct a decision tree using Entropy and Information Gain calculations, after which the resulting IF-THEN rules were implemented using Laravel and MySQL. System testing consisted of black-box testing involving 16 functional scenarios and tree traversal testing. All functional scenarios were successfully completed. In the test case, the system recommended the Clinical and Community Pharmacy department with a 100% Confidence Score, consistent with the generated decision rules. The system also provides Rule Explanation to show the basis of each recommendation. The results indicate that Decision Tree can support a more structured and transparent department recommendation process. Quantitative accuracy evaluation has not yet been conducted and remains for future research.
ABSTRAK
Ketepatan pemilihan jurusan di Sekolah Menengah Kejuruan (SMK) penting karena berkaitan dengan kesesuaian kemampuan dan minat siswa dengan bidang keahlian yang dipilih. Penentuan jurusan secara manual yang masih bergantung pada nilai akademik dan pertimbangan subjektif dapat menyebabkan rekomendasi kurang konsisten. Penelitian ini bertujuan merancang dan mengimplementasikan sistem informasi rekomendasi jurusan berbasis web menggunakan algoritma Decision Tree (C4.5 Simplified) di SMK Hendrikus Leven. Penelitian menggunakan data nilai akademik, minat, bakat, dan data historis jurusan. Sebanyak 60 data digunakan sebagai data latih untuk membentuk pohon keputusan melalui perhitungan Entropy dan Information Gain, kemudian aturan IF-THEN diimplementasikan menggunakan Laravel dan MySQL. Pengujian dilakukan melalui black-box testing terhadap 16 skenario dan pengujian penelusuran aturan (tree traversal). Seluruh fungsi memperoleh status berhasil. Pada studi kasus, sistem merekomendasikan jurusan Farmasi Klinis dan Komunitas dengan Confidence Score 100% sesuai aturan yang terbentuk. Sistem menyediakan Rule Explanation untuk menelusuri dasar rekomendasi. Hasil menunjukkan bahwa Decision Tree dapat diimplementasikan sebagai alat bantu rekomendasi jurusan yang lebih terstruktur dan transparan. Pengujian akurasi kuantitatif belum dilakukan sehingga menjadi agenda penelitian selanjutnya.
Downloads
References
Baktiar, A. (2022). Decission tree sebagai metode penentuan penjurusan perguruan tinggi berdasarkan minat dan bakat melalui data raport dengan uji algoritma C4.5 (Studi kasus di SMKN 1 Donorojo Pacitan). Pilar Teknologi: Jurnal Ilmiah Ilmu-Ilmu Teknik, 7(1), 40–45. https://doi.org/10.33319/piltek.v7i1.110
Desyanti, D., & Faisal, R. (2024). Pemanfaatan algoritma C4.5 untuk mendukung pemilihan konsentrasi studi yang tepat di Teknik Informatika. Bulletin of Computer Science Research, 4(6), 432–440. https://doi.org/10.47065/bulletincsr.v4i6.345
Han, J., & Kamber, M. (2012). Data mining: Concepts and techniques. Morgan Kaufmann.
Hertinjung, W. S., Qatrunnada, R. Z., Rahmanto, S. W., Praditya, I. R., & Ajiputra, A. F. (2024). Memutus rantai kekecewaan karir: Mencegah ketidaksesuaian jurusan siswa SMK. Nuansa Akademik: Jurnal Pembangunan Masyarakat, 9(2), 457–470. https://doi.org/10.47200/jnajpm.v9i2.2479
Kardono, D. Y., Pranoto, Y. M., & Setyati, E. (2023). Prediksi kecocokan jurusan siswa SMK dengan support vector machine dan random forest. Teknika, 12(1), 11–17. https://doi.org/10.34148/teknika.v12i1.567
Karima, I. S. (2025). Penerapan machine learning untuk memprediksi risiko pengidap penyakit jantung menggunakan algoritma decision tree. FORMAT: Jurnal Ilmiah Teknik Informatika, 14(1), 73–81. https://doi.org/10.22441/format.2025.v14.i1.007
Kurniasari, R., & Fatmawati, A. (2021). Penerapan data mining dengan algoritma C4.5 untuk penentuan jurusan sekolah menengah atas. Jurnal INSYPRO (Information System and Processing), 6(2). https://doi.org/10.24252/insypro.v6i2.7912
Lubis, A. S., & Sriani. (2025). Sistem pendukung keputusan dalam menentukan jurusan siswa di sekolah menengah menggunakan metode fuzzy Tahani. Edumatic: Jurnal Pendidikan Informatika, 9(2), 542–551. https://doi.org/10.29408/edumatic.v9i2.30722
Prabaswara, R., Lemantara, J., & Jusak. (2023). Classification of secondary school destination for inclusive students using decision tree algorithm. Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi), 7(5), 1009–1018. https://doi.org/10.29207/resti.v7i5.5081
Pratama, A. R., Aryanto, R. R., & Iswari, L. (2021). Studi komparasi model klasifikasi berbasis pembelajaran mesin untuk sistem rekomendasi program studi. Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi), 5(5), 853–862. https://doi.org/10.29207/resti.v5i5.3392
Priyanti, E. (2023). Penerapan decision tree pada penentuan waralaba. Swabumi, 11(1), 8–12. https://doi.org/10.31294/swabumi.v11i1.13911
Priyono, H., Sari, R., & Mardiana, T. (2022). Klasifikasi pemilihan jurusan sekolah menengah kejuruan menggunakan gradient boosting classifier. Jurnal Informatika, 9(2), 131–139. https://doi.org/10.31294/inf.v9i2.12654
Rahmallia, D. (2024). Identifikasi minat dan bakat siswa di SMA melalui sistem pendukung keputusan berbasis machine learning. Jurnal Pendidikan Indonesia: Teori, Penelitian, dan Inovasi, 4(3), 32–39. https://jurnal.penerbitwidina.com/index.php/JPI/article/view/804
Ricci, F., Rokach, L., & Shapira, B. (2011). Introduction to recommender systems handbook. In F. Ricci, L. Rokach, B. Shapira, & P. B. Kantor (Eds.), Recommender systems handbook (pp. 1–35). Springer. https://doi.org/10.1007/978-0-387-85820-3_1
Sadat, M. A., Pujiono, Pambudi, A., & Ibad, S. (2023). Comparison of algorithm between classification & regression trees and support vector machine in determining student acceptance in state universities. Jurnal Teknik Informatika (Jutif), 4(6), 1589–1604. https://doi.org/10.52436/1.jutif.2023.4.6.1565
Sanatang, S. (2020). Pembelajaran berbasis kompetensi dan pembelajaran berbasis produksi sebagai implementasi pembelajaran berbasis industri. Jurnal Media Elektrik, 17(2), 1–6. https://doi.org/10.59562/metrik.v17i2.5097
Solehuddin, M., Syafei, W. A., & Gernowo, R. (2022). Metode decision tree untuk meningkatkan kualitas rencana pelaksanaan pembelajaran dengan algoritma C4.5. Jurnal Penelitian dan Pengembangan Pendidikan, 6(3), 510–519. https://doi.org/10.23887/jppp.v6i3.52840
Sutrisnaniati, E., Kunci, K., Pendidikan, M., Sim, P., & Informasi Manajemen, S. (2024). Peran sistem informasi manajemen dalam peningkatan mutu pendidikan di sekolah. JMP-DMT, 5(4), 537–546. https://jurnal.umsu.ac.id/index.php/JMP-DMT/article/view/20980
Tan, P. N., Steinbach, M., & Kumar, V. (2006). Introduction to data mining. Pearson Addison Wesley.
Windari, R., & Nugroho, H. W. (2025). A prediksi rekomendasi pemilihan kejuruan pada sekolah menengah kejuruan menggunakan perbandingan metode decision tree C4.5 dan naïve Bayes. Building of Informatics, Technology and Science (BITS), 6(4), 2700–2708. https://doi.org/10.47065/bits.v6i4.6928
