Prediksi Tingkat Pemahaman Siswa SMP Pada Pembelajaran Digital Menggunakan Algoritma Machine Learning
Keywords:
Machine Learning, Predicting Student, Learning Management System (LMS), Naïve BayesAbstract
With the proliferation of digital learning platforms—including Learning Management Systems (LMS)—data on student learning activities has been generated that is useful for supporting the evaluation of student learning. A total of 200 data points were analyzed, with key variables including login frequency, study duration, quiz scores, assignment scores, timeliness in submitting assignments, attendance, and engagement during learning. These variables can be analyzed using machine learning to predict students’ comprehension levels early on, enabling teachers to identify which students require additional support. This study focuses on the application of machine learning to predict students’ comprehension levels at SMP Negeri 18 Padang as an effort to support more accurate decision-making in the learning process. This study utilized three algorithms: Random Forest, Decision Tree, and Naïve Bayes. The results of the testing revealed that the Decision Tree algorithm achieved the highest accuracy rate at 88.52%, followed by the Random Forest algorithm at 83.61%, and the Naïve Bayes algorithm at 62.30%. Of the three algorithms, the Decision Tree algorithm achieved the highest accuracy. This algorithm can be utilized as an early warning system for teachers to identify which students have high, moderate, or low levels of understanding, allowing teachers to provide appropriate support.
References
Amor, A. F., Ihsanudin, M. R., Yulistianto, S. O., & Hidayat, H. (2025). Prediksi Kinerja Siswa SMP Berdasarkan Data Akademik dan Perilaku Menggunakan Machine Learning. Teknomatika: Jurnal Informatika dan Komputer, 18(2), 67–76.
Ardianti, M. (2023). Model Prediksi Kinerja Siswa Berdasarkan Data Log LMS Menggunakan Ensemble Machine Learning. Jurnal Sains dan Teknologi, 12(3), 562–571. https://doi.org/10.23887/jstundiksha.v12i3.59816
Gori, T., Sunyoto, A., & Al Fatta, H. (2024). Preprocessing Data dan Klasifikasi untuk Prediksi Kinerja Akademik Siswa. Jurnal Teknologi Informasi dan Ilmu Komputer, 11(1), 215–224. https://doi.org/10.25126/jtiik.20241118074
Kusworo, S., Santoso, N. A., & Kurniawan, R. D. (2024). Prediksi Nilai Akhir Semester Siswa Menggunakan Algoritma Random Forest. Jurnal Sains dan Ilmu Terapan, 7(2), 246–256. https://doi.org/10.59061/jsit.v7i2.918
Kusworo, S., Santoso, N. A., & Kurniawan, R. D. (2024). Prediksi Nilai Akhir Semester Siswa Menggunakan Algoritma Random Forest. Jurnal Sains dan Ilmu Terapan, 7(2), 246–256. https://doi.org/10.59061/jsit.v7i2.918
Learning. Teknomatika: Jurnal Informatika dan Komputer, 18(2), 67–76. https://doi.org/10.36040/teknomatika.v18i2.1639
Muzakir, A., Adi, K., & Kusumaningrum, R. (2024). Inovasi Prediksi Hasil Belajar Siswa Berbasis Machine Learning untuk Mendukung Keputusan Pembelajaran yang Tepat di SMKN 2 Semarang. Jurnal Majemuk, 4(2), 420–432.
Nashrullah, M., Syaiful Rahman, Abdul Majid, Hariyati, N., & Budiyanto. (2025). Transformasi Digital dalam Pendidikan Indonesia: Analisis Kebijakan dan Implikasinya terhadap Kualitas Pembelajaran. Mudir: Jurnal Manajemen Pendidikan, 7(1), 52–59.
Pranata, B. D., Mahdiyah, U., & Kasih, P. (2025). Transformasi Digital dalam Pendidikan: Penerapan Algoritma Machine Learning dan Deep Learning untuk Meningkatkan Efektivitas Pembelajaran SMP. Jurnal Ekonomi Manajemen Sistem Informasi. https://doi.org/10.38035/jemsi
Pranata, B. D., Mahdiyah, U., & Kasih, P. (2025). Transformasi Digital dalam Pendidikan: Penerapan Algoritma Machine Learning dan Deep Learning untuk Meningkatkan Efektivitas Pembelajaran SMP. Jurnal Ekonomi Manajemen Sistem Informasi. https://doi.org/10.38035/jemsi.v6i4.6569
Purnasari, P. D., Sadewo, Y. D., Santosa, D. S. S., & Sanoto, H. (2024). Analisis Digitalisasi Pembelajaran Sekolah Dasar Wilayah Perbatasan. Scholaria: Jurnal Pendidikan dan Kebudayaan, 14(2), 198–205. https://doi.org/10.24246/j.js.2024.v14.i2.p198-205
Rismaya, R., Yuniarto, D., & Setiadi, D. (2025). Penerapan Algoritma Machine Learning dalam Prediksi Prestasi Akademik Mahasiswa. Router: Jurnal Teknik Informatika dan Terapan, 3(1), 15–23. https://doi.org/10.62951/router.v3i1.389
Salim, et al. (2024). Analisis Pengaruh Tingkat Literasi Digital Guru dan Siswa terhadap Kualitas Pembelajaran di Era Digital di Indonesia. Jurnal Pendidikan Digital, 2(2), 50–60.
Sembiring, D., & Kona, M. (2024). Inovasi Teknologi Pembelajaran. Solok: Mafy Media Literasi.
Setiadi, D., & Husni, H. (2025). Metode Machine Learning dan Deep Learning dalam Prediksi Kinerja Siswa: Tinjauan Sistematis. ResearchGate. https://doi.org/10.13140/RG.2.2.xxxxx
Setiadi, D., & Husni, H. (2025). Metode Machine Learning dan Deep Learning dalam Prediksi Kinerja Siswa: Tinjauan Sistematis. ResearchGate. https://www.researchgate.net/publication/388549021
Shafa, A. (2024). Implementasi Learning Management System dalam Meningkatkan Efektivitas Pembelajaran. Jurnal Teknologi Pendidikan, 1(4). https://doi.org/10.47134/jtp.v1i4.658
Sugandi, Z. A. W., & Ababil, M. I. (2025). Inovasi Prediksi Hasil Belajar Siswa Berbasis Machine Learning untuk Mendukung Keputusan Pembelajaran yang Tepat di SMKN 2 Semarang. Jurnal Majemuk. https://jurnalilmiah.org/journal/index.php/majemuk/article/view/1123
Wahyuni, R., et al. (2024). Prediksi Performa Akademik Siswa Berdasarkan Kehadiran dan Aktivitas E-Learning Menggunakan Algoritma Decision Tree. RIGGS: Journal of Artificial Intelligence and Digital Business. https://doi.org/10.33020/riggs.v1i1.1352
Wiryanto, W., Kumala, I., & Adhiyati, U. P. (2023). Efek Metode Pembelajaran Berbasis E-Learning pada Motivasi Belajar Peserta Didik SMKN 1 Lelea Kabupaten Indramayu. Jurnal Pendidikan dan Pembelajaran Indonesia.
