Prediksi Santri putus sekolah di Pondok Pesantren Sidogiri menggunakan metode Random Forest dan Decision Tree

ABSTRAK

Fenomena putus sekolah (dropout) merupakan isu krusial yang berdampak negatif terhadap kinerja institusi pendidikan formal maupun pesantren, stabilitas sosial, serta pembangunan sumber daya manusia. Oleh karena itu, mendeteksi dini terhadap siswa berisiko tinggi mengalami putus sekolah menjadi langkah preventif yang strategis. penelitian ini bertujuan menganalisa model prediksi yang akurat menggunakan pendekatan Machine Learning, dengan melakukan evaluasi komparatif terhadap algoritma Random Forest dan Decision Tree. Dataset penelitian diambil dari data siswa Madrasah Miftahul Ulum Pondok Pesantren Sidogiri dengan jumlah 1.763 data siswa. Hasil tahapan eksperimen model Random Forest memberikan performa terbaik dengan akurasi 84%, presisi 84%, recall 80%, dan F1-score 81%. Model dilatih dengan 4 skenario dan diuji dengan tuning parameter serta menggunakan matrik untuk mengevaulis akurasi model, untuk memastikan hasilnya konsisten. Metrik tersebut mengindikasikan bahwa model bekerja secara seimbang antara sensitivitas dan ketepatan prediksi, serta efektif dalam mengidentifikasi faktor internal dan eksternal yang berkontribusi terhadap risiko dropout. Berdasarkan hasil evalulasi model, Random Forest direkomendasikan sebagai instrumen pendukung keputusan untuk memfasilitasi intervensi yang lebih tepat sasaran, seperti dukungan akademik, ekonomi, maupun bimbingan pembinaan santri. Penelitian ini memiliki keterbatasan karena model hanya diuji pada lembaga Madrasah Miftahul Ulum Pondok Pesantren Sidogiri, sehingga penerapannya pada konteks lain perlu dikaji lebih lanjut. Penelitian lainnya diharapkan mencoba model lain dan menghasilkan model prediksi yang lebih akurat, adaptif, dan dapat digunakan sebagai instrumen pendukung keputusan yang lebih komprehensif bagi lembaga pendidikan madrasah maupun pesantren dalam mencegah terjadinya santri putus sekolah sebelum waktunya lulus.

ABSTRACT

performance of educational institutions, both formal schools and Islamic boarding schools (pesantren), as well as social stability and human resource development. Therefore, early detection of students at high risk of dropping out is a strategic preventive measure. This study aims to analyze accurate predictive models using a machine learning approach by conducting a comparative evaluation of the Random Forest and Decision Tree algorithms. The dataset was obtained from the student records of Madrasah Miftahul Ulum at Sidogiri Islamic Boarding School, comprising 1,763 student data entries. The experimental results indicate that the Random Forest model achieved the best performance, with an accuracy of 84%, precision of 84%, recall of 80%, and an F1-score of 81%. The model was trained using four experimental scenarios and evaluated through parameter tuning and performance metrics to ensure consistency and reliability of the results. These metrics demonstrate that the model performs in a balanced manner, with respect to both sensitivity and predictive accuracy, and is effective in identifying both internal and external factors contributing to dropout risk. Based on the model evaluation, Random Forest is recommended as a decision-support tool to facilitate more targeted interventions, such as academic support, economic assistance, and student counselling programs. This study is limited in scope, as the model was tested only within Madrasah Miftahul Ulum at Sidogiri Islamic Boarding School; therefore, its applicability to other contexts requires further investigation. Future studies are encouraged to explore additional models to develop more accurate and adaptive prediction systems that can serve as comprehensive decision-support tools for madrasah and Islamic boarding schools in preventing student dropout before graduation

مستخلص البحث

المؤسسات التعليمية، سواء المدارس النظامية أو المعاهد الإسلامية (البيسانترن)، فضلاً عن تأثيرها في الاستقرار الاجتماعي وتنمية الموارد البشرية. ومن ثمّ، فإن الكشف المبكر عن الطلاب المعرضين بدرجة عالية لخطر الانقطاع يُعد إجراءً وقائيًا استراتيجيًا. تهدف هذه الدراسة إلى تحليل نماذج تنبؤية دقيقة باستخدام منهجية التعلم الآلي، من خلال إجراء تقييم مقارن بين خوارزميتي الغابة العشوائية (Random Forest) و شجرة القرار (Decision Tree).
تم الحصول على مجموعة البيانات من سجلات طلاب مدرسة مفتاح العلوم التابعة لمعهد سيدوغيري الإسلامي، وبلغت 1,763 سجلاً طلابيًا. وأظهرت نتائج التجارب أن نموذج الغابة العشوائية حقق أفضل أداء، حيث بلغت الدقة 84%، والدقة الإيجابية (Precision) 84%، والاستدعاء (Recall) 80%، وقيمة F1-score بنسبة 81%. وقد تم تدريب النموذج عبر أربعة سيناريوهات تجريبية، مع ضبط المعلمات وتقييم الأداء باستخدام مقاييس متعددة لضمان اتساق النتائج وموثوقيتها. وتشير هذه المؤشرات إلى أن النموذج يعمل بشكل متوازن بين الحساسية ودقة التنبؤ، كما يتمتع بقدرة فعّالة على تحديد العوامل الداخلية والخارجية التي تسهم في زيادة خطر الانقطاع.
وبناءً على نتائج التقييم، توصي الدراسة باعتماد خوارزمية الغابة العشوائية كأداة داعمة لاتخاذ القرار من أجل تنفيذ تدخلات أكثر دقة واستهدافًا، مثل الدعم الأكاديمي، والمساعدات المالية، وبرامج الإرشاد الطلابي. ومع ذلك، يقتصر نطاق هذه الدراسة على مدرسة مفتاح العلوم بمعهد سيدوغيري الإسلامي، مما يستلزم إجراء أبحاث إضافية لاختبار قابلية تطبيق النموذج في سياقات تعليمية أخرى. وتدعو الدراسات المستقبلية إلى استكشاف نماذج إضافية بهدف تطوير أنظمة تنبؤ أكثر دقة وتكيفًا، يمكن استخدامها كأدوات شاملة لدعم القرار في المدارس والمعاهد الإسلامية للحد من ظاهرة التسرب الدراسي قبل التخرج