Pengembangan Model Deep Learning untuk Prediksi Kesulitan Belajar Matematika Siswa SMA dengan CRISP-DM

Abstract

Rendahnya capaian akademik siswa pada mata pelajaran matematika di tingkat SMA menuntut adanya upaya deteksi dini terhadap kesulitan belajar yang dialami siswa. Penelitian ini mengusulkan pengembangan model prediktif berbasis deep learning neural network untuk mengidentifikasi tingkat kesulitan belajar matematika siswa SMA dengan pendekatan CRISP-DM. Dataset yang digunakan mencakup data akademik (nilai, remedi, aktivitas daring) dan variabel psikologis (motivasi, kecemasan, minat) yang diperoleh dari dua sekolah mitra. Proses pengembangan model meliputi tahap data preprocessing, data augmentation, resampling menggunakan SMOTE, serta pelatihan model dengan fungsi aktivasi ReLU dan Softmax. Untuk mengatasi ketidakseimbangan kelas dan meningkatkan sensitivitas model, digunakan focal loss function dan class weight balancing. Evaluasi dilakukan menggunakan metrik akurasi, precision, recall, dan F1-Score. Hasil menunjukkan bahwa model ANN dengan arsitektur empat lapis tersembunyi mampu mencapai akurasi lebih dari 85%, recall ≥ 80%, dan F1-score ≥ 0.80. Penelitian ini menunjukkan bahwa kombinasi data akademik dan psikologis dalam kerangka CRISP-DM dapat menghasilkan model prediksi kesulitan belajar yang andal. Luaran yang dihasilkan meliputi model neural network akurat dan prototipe aplikasi sistem peringatan dini berbasis web, yang dapat digunakan guru untuk melakukan intervensi pembelajaran secara tepat sasaran. Studi ini berkontribusi dalam pemanfaatan kecerdasan buatan untuk meningkatkan kualitas pendidikan melalui sistem pendukung keputusan yang bersifat prediktif dan aplikatif.