Implementasi Naive Bayes dan K-Nearest Neighbor (KNN) untuk Identifikasi Dini Siswa Berpotensi Dropout

Abstrak

Fenomena putus sekolah masih menjadi isu kritis dalam sektor pendidikan, khususnya dalam upaya mempertahankan kelangsungan belajar peserta didik. Untuk itu, diperlukan suatu pendekatan prediktif yang mampu mengidentifikasi siswa dengan potensi dropout sejak dini, sehingga tindakan preventif dapat segera dilakukan. Penelitian ini memanfaatkan algoritma klasifikasi Naive Bayes dan K-Nearest Neighbor (KNN) dalam menganalisis kemungkinan siswa mengalami dropout berdasarkan data perilaku, capaian akademik, serta kondisi sosial ekonomi. Sebanyak 500 data siswa digunakan, dengan 100 di antaranya dijadikan sampel pengujian. Proses analisis dilakukan menggunakan perangkat lunak RapidMiner. Dari hasil pengujian, algoritma KNN menunjukkan performa yang lebih tinggi dibandingkan Naive Bayes dalam hal prediksi dropout, dengan akurasi mencapai 98%, sementara Naive Bayes memperoleh akurasi 97%. KNN juga menunjukkan kemampuan recall yang tinggi dalam mendeteksi siswa berisiko, sehingga lebih sesuai diterapkan dalam sistem yang membutuhkan akurasi tinggi terhadap kasus-kasus sensitif seperti dropout. Meski demikian, Naive Bayes tetap menjadi alternatif yang dapat dipertimbangkan berkat kecepatan proses dan kesederhanaan implementasinya. Beberapa variabel yang paling signifikan dalam menentukan potensi dropout antara lain adalah jumlah ketidakhadiran yang tinggi, nilai akademik yang rendah, dukungan orang tua yang minim, serta latar belakang ekonomi yang tidak mendukung. Temuan ini menekankan pentingnya perhatian khusus dari sekolah dan pihak berwenang terhadap faktor-faktor tersebut. Dengan demikian, penerapan teknologi machine learning dalam sistem pendidikan dapat memberikan solusi strategis untuk mengantisipasi kasus dropout secara lebih efektif. Sistem prediksi ini diharapkan dapat mendukung pengambilan keputusan yang lebih tepat sasaran dalam upaya mencegah siswa putus sekolah.