Penerapan Metode Decision Tree dalam Klasifikasi Penerimaan Siswa Baru Sebagai Sistem Pendukung Keputusan
DOI:
https://doi.org/10.62712/juktisi.v5i2.1656Keywords:
C4.5 Algorithm, Confusion Matrix, Classification, Decision Tree, Student AdmissionAbstract
Penerimaan siswa baru di pesantren melibatkan berbagai kriteria akademik, karakter, keagamaan, dan kedisiplinan, sehingga proses seleksi menjadi menantang ketika evaluasi dilakukan secara manual. Di Pesantren Darul Arafah Medan, data historis penerimaan memuat beragam atribut penilaian yang memerlukan analisis sistematis guna mendukung keputusan penerimaan yang objektif dan konsisten. Penelitian ini bertujuan menerapkan metode Decision Tree dengan algoritma C4.5 untuk mengklasifikasikan calon siswa ke dalam kategori diterima atau tidak diterima serta mengevaluasi kinerja model klasifikasi yang dihasilkan. Penelitian ini menggunakan pendekatan kuantitatif dan metode data mining berdasarkan 800 data historis calon siswa. Kumpulan data tersebut mencakup 10 kriteria seleksi, antara lain nilai rapor, nilai tes masuk, prestasi, hasil wawancara, penilaian sikap, kompetensi membaca Al-Qur'an, hafalan, dan kehadiran. Data diproses awal, ditransformax`sikan menggunakan label encoding, serta dibagi menjadi 80% data latih dan 20% data uji. Algoritma C4.5 menentukan struktur keputusan menggunakan Entropy, Information Gain, Split Information, dan Gain Ratio. Hasil evaluasi menunjukkan tingkat akurasi sebesar 71%, presisi 67%, recall 81%, dan F1-score 74%. Model yang dihasilkan diimplementasikan dalam sistem pendukung keputusan berbasis web untuk memberikan klasifikasi, aturan keputusan, dan rekomendasi penerimaan. Penelitian ini menyimpulkan bahwa algoritma C4.5 secara efektif mendukung pengambilan keputusan penerimaan siswa yang objektif, terukur, dan transparan.
Downloads
References
[1] R. Hasan, M. A. Islam, and S. Ahmad, “Educational data mining for student performance and admission prediction: A systematic literature review,” Educ. Inf. Technol., vol. 28, no. 3, pp. 2931–2954, 2023.
[2] F. Yanti, A. Fauzan, D. Apriyanti, M. A. Wahyudin, and M. Penelitian, “Data Mining untuk Klasifikasi Penerimaan Peserta Didik Baru dengan Menerapkan Algortima Decision Tree,” vol. 3, no. 4, pp. 511–515, 2025.
[3] M. F. Roini and others, “Sistem Pendukung Keputusan Penerimaan Santri Baru untuk Menentukan Kelas Diniyah Menggunakan Metode MOORA,” JATI (Jurnal Mhs. Tek. Inform., vol. 5, no. 1, pp. 195–202, 2021.
[4] C. Chaka, “Educational data mining, student academic performance prediction, prediction methods, algorithms and tools: An overview of reviews,” J. E-Learning Knowl. Soc., vol. 18, no. 2, pp. 58–69, 2022.
[5] M. Khan and others, “Machine learning based predictive modeling of student admission in higher education institutions,” J. Ambient Intell. Humaniz. Comput., vol. 12, pp. 8701–8714, 2021.
[6] A. Wibowo and H. Kurniawan, “Penerapan Data Mining untuk Prediksi Penerimaan Peserta Didik Baru Menggunakan Algoritma Klasifikasi,” J. Teknol. Inf. dan Ilmu Komput., vol. 10, no. 3, pp. 555–562, 2023.
[7] I. H. Sarker, “Machine learning: Algorithms, real-world applications and research directions,” SN Comput. Sci., vol. 2, no. 3, p. 160, 2021.
[8] N. A. Ramadhani and H. A. Rosyid, “Review: Algoritma Data Mining untuk Klasifikasi Data,” J. Inov. Teknol. dan Edukasi Tek., vol. 2, no. 12, pp. 550–556, 2022, doi: 10.17977/um068v2i122022p550-556.
[9] K. Aprilia, U. Khaira, and B. Ferdian Hutabarat, “Komparasi Algoritma Naive Bayes Dan Decision Tree Pada Klasifikasi Penerimaan Peserta Didik Baru,” Simtek J. Sist. Inf. dan Tek. Komput., vol. 10, no. 2, pp. 547–553, 2025, doi: 10.51876/simtek.v10i2.1694.
[10] J. R. Quinlan, C4.5: Programs for Machine Learning. San Mateo, CA, USA: Morgan Kaufmann Publishers, 1993.
[11] H. H. Kusumawardani, I. Rosyadi, F. A. Artanto, F. I. Arzha, and N. A. Rachmayani, “Analisis decision tree dalam pengaruh digital marketing terhadap penerimaan siswa baru,” Remik Ris. dan E-Jurnal Manaj. Inform. Komput., vol. 6, no. 2, pp. 225–231, 2022.
[12] D. P. Pasaribu, T. Sutrisno, and B. Mulyawan, “Klasifikasi Hasil Belajar Siswa Menggunakan Metode C4.5 Berdasarkan Riwayat Akademik,” J. Ilmu Komput. dan Sist. Inf., vol. 11, no. 2, pp. 1–6, 2023.
[13] H. Al-Shehri, M. Al-Qurishi, A. Al-Rakhami, and A. Alamri, “Application of decision tree classification algorithms for student performance prediction,” IEEE Access, vol. 10, pp. 35454–35465, 2022.
[14] S. A. Situmorang, “Seleksi Calon Siswa Baru dengan Metode Decision Tree,” J. Inform. dan Sist. Inf., vol. 5, no. 2, pp. 112–120, 2024.
[15] A. M. Dinata, R. A. Asmara, and D. Puspitasari, “Pengaruh Pembagian Dataset Menggunakan Stratified K-Fold Cross Validation Terhadap Kinerja Algoritma Klasifikasi,” J. Teknoinfo, vol. 18, no. 1, pp. 45–52, 2024.
[16] X. Wang, Y. Li, and Z. Wang, “An improved C4.5 algorithm based on attribute weighting and its application in education data mining,” Appl. Sci., vol. 11, no. 15, p. 6813, 2021.
[17] A. Kristina, “Penerapan Algoritma C4.5 Untuk Klasifikasi Kelayakan Penerima Bantuan Pendidikan,” J. HOAQ (High Qual. Appl. Comput., vol. 13, no. 2, pp. 45–52, 2025.
[18] M. Grandini, E. Bagli, and G. Visani, “Metrics for Multi-Class Classification: An Overview,” arXiv Prepr. arXiv2008.05756, pp. 1–17, 2020.
[19] V. Y. D. Wijaya and others, “Penerapan Data Mining Dalam Prediksi Kinerja Akademik Menggunakan Algoritma Klasifikasi,” Infomedia J. Tek. Inform. dan Multimed., vol. 9, no. 1, pp. 45–53, 2024.
[20] R. Confalonieri, T. Canna, T. Weyde, and V. Katos, “Historical perspective, technical roadmap, and open challenges of Explainable AI (XAI) in decision support systems,” Artif. Intell. Rev., vol. 54, no. 5, pp. 3775–3843, 2021.
Published
How to Cite
Issue
Section
License
Copyright (c) 2026 Raja Rahmad Hafidzul Manik, Rakhmat Kurniawan
This work is licensed under a Creative Commons Attribution 4.0 International License.
