Implementasi Algoritma Regresi Linear Berganda untuk Memprediksi Prestasi Siswa

Authors

    William Chicho Ferdinan( 1 ) Mohamad Rayhan Noerfikri( 2 ) Pramana Anwas Panchadri( 3 ) Ferawati Ferawati( 4 )

    (1) Institut Teknologi dan Bisnis Bina Sarana Global
    (2) Institut Teknologi dan Bisnis Bina Sarana Global
    (3) Institut Teknologi dan Bisnis Bina Sarana Global
    (4) Institut Teknologi dan Bisnis Bina Sarana Global

DOI:


https://doi.org/10.32877/bt.v7i3.2228

Keywords:


CRISP-DM, Faktor Pendidikan, Prediksi Prestasi , Prestasi Siswa, Regresi Linear Berganda

Abstract

Prestasi siswa merupakan aspek krusial dalam dunia pendidikan yang dipengaruhi oleh berbagai faktor internal dan eksternal. Namun, memprediksi prestasi siswa dengan akurasi tinggi tetap menjadi tantangan bagi para pendidik dan peneliti. Studi ini bertujuan untuk membangun model prediksi yang mampu mengidentifikasi faktor-faktor utama yang berkontribusi terhadap prestasi siswa menggunakan algoritma regresi linear berganda. Model ini dikembangkan dengan menerapkan pendekatan Cross-Industry Standard Process for Data Mining (CRISP-DM), yang terdiri dari tahapan pemahaman bisnis, pengumpulan data, persiapan data, pemodelan, serta evaluasi. Faktor-faktor yang dianalisis dalam penelitian ini mencakup fasilitas belajar, kebiasaan belajar, partisipasi dalam kursus tambahan, motivasi diri, dan dukungan orang tua. Pengumpulan data dilakukan melalui survei kuesioner kepada 100 siswa Sekolah Menengah Atas (SMA) yang tersebar di beberapa wilayah. Hasil analisis menunjukkan bahwa dukungan orang tua memiliki pengaruh terbesar terhadap prestasi siswa, diikuti oleh motivasi diri, kebiasaan belajar, dan partisipasi dalam kursus tambahan. Namun, evaluasi model regresi menunjukkan nilai R² sebesar -0,34, yang mengindikasikan bahwa model belum optimal dalam menjelaskan variabilitas data target. Temuan ini menunjukkan bahwa regresi linear berganda mungkin bukan metode terbaik untuk prediksi prestasi siswa, dan diperlukan pendekatan yang lebih kompleks seperti machine learning non-linear atau model berbasis AI. Studi ini memberikan wawasan penting bagi pendidik dan pembuat kebijakan dalam memahami faktor utama yang berkontribusi terhadap prestasi siswa. Selain itu, penelitian ini merekomendasikan pengembangan model prediksi yang lebih canggih guna meningkatkan akurasi hasil dan memberikan rekomendasi berbasis data bagi institusi pendidikan.

Downloads

References

D. Hariri, M,. Masnawati, Eli,. Darmawan, “Pengaruh Motivasi Belajar, Disiplin Belajar, dan Metode Pembelajaran terhadap Hasil Belajar Siswa SMP Nurul Huda Al-Mashudi Sampang,” JIPI J. Ilmu Pedidikan Islam, vol. Vol. 23, pp. 24–33, 2024.

O. Rosfiani, S. Hastuti, and C. M. Hermawan, “Kehidupan Kelas Online Dalam Masa Pandemi Covid-19: Fenomena Belajar Daring Dalam Sudut Pandang Naratif atas Belajar Siswa,” Pros. Semin. Nas. …, 2021, [Online]. Available: https://jurnal.umj.ac.id/index.php/semnaslit/article/view/10613%0Ahttps://jurnal.umj.ac.id/index.php/semnaslit/article/download/10613/5975

L. Setra and A. Sopian, “Evaluasi Efektivitas Penggunaan Teknologi Pembelajaran Interaktif dalam Mata Pelajaran Matematika di Sekolah Dasar,” Bul. Ilm. Pendidik., vol. 1, no. 2, pp. 119–124, 2022, doi: 10.56916/bip.v1i2.700.

A. A. Ole and E. G. Dipan, “Hubungan kondisi lingkungan belajar di sekolah dan hasil belajar siswa,” J. Inov. Pembelajaran Mat. PowerMathEdu, vol. 2, no. 1, pp. 71–78, 2023, doi: 10.31980/powermathedu.v2i1.2434.

D. H. Nainggolan, N. E. Sid .abalok, E. Aritonang, and U. Efarina, “Elektriese: Jurnal Sains dan Teknologi Elektro Pengaruh Kebiasaan Belajar Terhadap Hasil Belajar Matematika,” J. Sains dan Teknol. Elektro, vol. 12, no. 01, pp. 1–6, 2022.

R. Fauziyyah, R. C. Awinda, and B. Besral, “Dampak Pembelajaran Jarak Jauh terhadap Tingkat Stres dan Kecemasan Mahasiswa selama Pandemi COVID-19,” J. Biostat. Kependudukan, dan Inform. Kesehat., vol. 1, no. 2, p. 113, 2021, doi: 10.51181/bikfokes.v1i2.4656.

M. Prasojo, Sriyanto, and J. Triwidianti, “Prediksi Prestasi Siswa SMK Masuk Pasar Kerja Menggunakan Teknik Data Mining,” Inst. Inform. dan Bisnis Darmajaya, pp. 134–150, 2021.

M. Sholeh, E. K. Nurnawati, and U. Lestari, “Penerapan Data Mining dengan Metode Regresi Linear untuk Memprediksi Data Nilai Hasil Ujian Menggunakan RapidMiner,” JISKA (Jurnal Inform. Sunan Kalijaga), vol. 8, no. 1, pp. 10–21, 2023, doi: 10.14421/jiska.2023.8.1.10-21.

A. Yulianto and F. Firmansyah, “Prediksi Hasil Belajar Peserta Didik Menggunakan Model Multiple Linier Regression,” Remik, vol. 6, no. 4, pp. 654–663, 2022, doi: 10.33395/remik.v6i4.11763.

J. Hutahaean, N. Mulyani, N. Irawati, Z. Azhar, and L. Umbari Putri, “Strategi Optimalisasi Pelayanan Pelanggan Menggunakan Platform E-CRM,” J. Inform. dan Teknol. Inf., vol. 2, no. 3, pp. 243–252, 2024, doi: 10.56854/jt.v2i3.330.

A. A. Mujahidin, U. H. Salsabila, A. L. Hasanah, M. Andani, and W. Aprillia, “Pemanfaatan Media Pembelajaran Daring (Quizizz, Sway, dan Wordwall) Kelas 5 di SD Muhammadiyah 2 Wonopeti,” Innov. J. Soc. Sci. Res., vol. 1, no. 2, pp. 552–560, 2012, doi: 10.31004/innovative.v1i2.3109.

J. S. Supardi, D. Merdiasi, L. Sepniwati, C. Apandie, and A. D. Siten, “Penguatan dalam Pembinaan dan Pembimbingan Karier Siswa SMA Negeri 1 Pulau Malan, Kabupaten Katingan,” J. Hum. Educ., vol. 3, no. 4, pp. 78–87, 2023, doi: 10.31004/jh.v3i4.403.

E. Lette, M. Zunaidi, and W. R. Maya, “Prediksi Penjualan Crude Palm Oil (CPO) Menggunakan Metode Regresi Linear Berganda,” J. Sist. Inf. Triguna Dharma (JURSI TGD), vol. 1, no. 3, p. 128, 2022, doi: 10.53513/jursi.v1i3.5106.

S. Adiguno, Y. Syahra, and M. Yetri, “Prediksi Peningkatan Omset Penjualan Menggunakan Metode Regresi Linier Berganda,” J. Sist. Inf. Triguna Dharma (JURSI TGD), vol. 1, no. 4, p. 275, 2022, doi: 10.53513/jursi.v1i4.5331.

D. Miftahul Huda, G. Dwilestari, and A. Rizki Rinaldi, “Jurnal Informatika dan Rekayasa Perangkat Lunak Prediksi Harga Mobil Bekas Menggunakan Algoritma Regresi Linear Berganda,” J. Inform. dan Rekayasa Perangkat Lunak, vol. 6, no. 1, pp. 150–157, 2024.

A. Purnomo, J. C. Albas, Z. Nadhifah, and A. Kencana, “Pemanfaatan Phyton Dalam Analisis Rata-Rata Kepadatan Penduduk Untuk Pengambilan Kebijakan Kota Bandar Lampung,” pp. 105–112, 2025.

V. No, J. Hal, R. Roja, and I. Nur, “Prediksi Harga Rumah menggunakan Machine Learning Algoritma Regresi Linier,” vol. 7, no. 1, pp. 57–62, 2025.

P. Harga, P. Berdasarkan, M. Algoritma, and L. Regression, “INTI NUSA MANDIRI,” vol. 19, no. 2, pp. 251–258, 2025.

M. H. Purwidiantoro, A. N. Aini, and T. Agustin, “Financial Forecast Optimization with Ensemble Models and Error Analysis,” vol. 19, no. 1, pp. 25–36, 2025.

R. Dwiki, P. Hamas, N. Y. Setiawan, and D. E. Ratnawati, “PREDIKSI PENJUALAN MAKANAN RESTORAN MENGGUNAKAN METODE ARIMA: STUDI KASUS WAROENG MARISUKAKOI,” vol. 9, no. 5, pp. 1–10, 2025.

D. I. P. T. Xyz, “PENGARUH SKILL MATRIX DAN MOTIVASI KERJA TERHADAP KINERJA OPERASIONAL,” vol. 08, no. 01, pp. 239–246, 2025.

T. Profitabilitas and P. Farmasi, “No Title,” 2025.

S. Mona and P. Yunita, “Faktor-Faktor yang Berhubungan dengan Prestasi Belajar Mahasiswa,” Menara Ilmu, vol. 15, no. 2, pp. 117–125, 2021, [Online]. Available: https://jurnal.umsb.ac.id/index.php/menarailmu/article/download/2410/1890

W. Andriani, Gunawan, and A. E. Prayoga, “Prediksi Nilai Emas Menggunakan Algoritma Regresi Linear,” J. Ilm. Inform. Komput., vol. 28, no. 1, pp. 27–35, 2023, doi: 10.35760/ik.2023.v28i1.8096.

Downloads

Published

2025-04-10

How to Cite

[1]
W. C. Ferdinan, M. R. Noerfikri, P. A. Panchadri, and F. Ferawati, “Implementasi Algoritma Regresi Linear Berganda untuk Memprediksi Prestasi Siswa”, bit-Tech, vol. 7, no. 3, pp. 853–864, Apr. 2025.

Issue

Vol. 7 No. 3 (2025): bit-Tech

Section

Articles

License

Copyright (c) 2025 bit-Tech

Creative Commons License

This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.

I hereby assign and transfer to bit-Tech all exclusive copyright ownership rights to the above work. This includes, but is not limited to, the right to publish, republish, downgrade, distribute, transmit, sell, or use the work and other related materials worldwide, in whole, or in part, in all languages, in electronic, printed, or any other form of media, now known or hereafter developed and reserves the right to permit or license a third party to do any of the above. I understand that this exclusive right will belong to bit-Tech from the date the article is accepted for publication. I also understand that bit-Tech, as the copyright owner, has sole authority to license and permit reproduction of the article. I understand that, except for copyright, any other proprietary rights associated with the work (e.g. patents or other rights to any process or procedure) must be retained by the author. In addition, I understand that bit-Tech permits authors to use their papers in any way permitted by the applied Creative Commons license.

DOI : https://doi.org/10.32877/bt.v7i3.2228
Abstract views: 31 / PDF downloads: 3