Model Prediksi Kelulusan Siswa Menggunakan Algoritma Adaptive Boosting (Adaboost) dan Extreme Gradient Boosting (Xgboost)
Studi pada SMK Setiabudhi Semarang
DOI:
https://doi.org/10.55606/juisik.v6i1.2083Keywords:
AdaBoost, Data Mining, Graduation Prediction, Machine Learning, XGBoostAbstract
Student graduation is one indicator in evaluating the success of the learning process, so an accurate prediction model is needed to support academic decision making. This study aims to compare the performance of prediction models generated by the AdaBoost and XGBoost ensemble learning algorithms in predicting student graduation. The stages of the study include data collection, data pre-processing, validation, evaluation, and model comparison. Model evaluation used a confusion matrix, producing measurement metrics of accuracy, precision, recall, and F1-score. The comparison results showed that both models performed very well. The AdaBoost model produced an accuracy of 0.95, precision of 0.95, recall of 0.99, and an F1-score of 0.97. Meanwhile, the XGBoost model produced an accuracy of 0.94, precision of 0.94, recall of 0.99, and an F1-score of 0.97. Based on the comparison results, AdaBoost showed slightly superior performance in terms of accuracy and precision. The results of the study show that the boosting algorithm is effective for implementation in predicting student graduation and can be used to support decision-making in the academic field.
References
Abdillah, M., Sarira, B. T., Hidayat, A. N., Fauzan, A. N., Nurhidayat, R., Septiarini, A., & Puspitasari, N. (2025). Implementasi XGBoost dalam klasifikasi gagal ginjal kronis menggunakan dataset chronic kidney disease. JATISI: Jurnal Teknik Informatika Dan Sistem Informasi, 12(3), 333–346. https://doi.org/10.35957/jatisi.v12i3.11546
Affikri, M., Aruan, M. C., & Irsan, M. (2025). Penerapan algoritma k-nearest neighbor untuk prediksi kelulusan siswa di SD Negeri 1 Kedungsari. JISAMAR: Journal of Information System, Applied, Management, Accounting and Research, 9(4), 1388–1402. https://doi.org/10.52362/jisamar.v9i4
Andi, Ong, R. O., Thamrin, & Roseline. (2025). Ensemble algoritma random forest classifier dan AdaBoost dalam perancangan aplikasi penerjemah bahasa isyarat. Jurnal TIMES, 14(1), 51–59. https://doi.org/10.51351/jtm.14.1.2025832
Andrianof, H., Gusman, A. P., & Putra, O. A. (2025). Implementasi algoritma random forest untuk prediksi kelulusan mahasiswa berdasarkan data akademik: Studi kasus di perguruan tinggi Indonesia. JSIT: Jurnal Sains Informatika Terapan, 4(1), 24–28. https://doi.org/10.62357/jsit.v4i2.464
Ayudia, I., Darwiyanti, A., Dumiyati, Purnomo, D., Herlina, Hamda, E. F., Rosyid, A., Azizah, H. N., Suyuti, Heriansyah, Sampe, F., Susilowaty, N., Soleah, S., & Rafli, M. F. (2022). Manajemen pendidikan. PT Sada Kurnia Pustaka.
Cepi, G., Umbara, F. R., & Ashaury, H. (2025). Prediksi pembatalan reservasi hotel menggunakan metode XGBoost. Jurnal Global Ilmiah, 2(12), 943–960. https://doi.org/10.55324/jgi.v2i12.270
Falah, S., Jaka, A. T., & Nada, N. Q. (2025). Penerapan algoritma regresi linier dan random forest untuk memprediksi penjualan di Uchi Parfume. JINTEKS: Jurnal Informatika Teknologi Dan Sains, 7(3), 1317–1326. https://doi.org/10.51401/jinteks.v7i3.6464
Fatah, Z., & Billah, M. H. M. (2025). Prediksi nilai akhir siswa SMK Nurul Ulum menggunakan metode decision tree. RIGGS: Journal of Artificial Intelligence and Digital Business, 4(4), 2306–2313. https://doi.org/10.31004/riggs.v4i4.3303
Frastio, S., & Nst, M. A. E. (2025). Penerapan algoritma XGBoost untuk analisis dan klasifikasi risiko kredit berbasis data mining. SENADIMU: Seminar Nasional Disiplin Ilmu, 690–705. https://senadimu.potensi-utama.org/index.php/home/article/view/561
Handayani, F., Firdaus, R., Wahyudi, A., Amran, H. F., & Taufiq, R. M. (2025). Kombinasi algoritma Gaussian Naive Bayes dan Adaboost untuk meningkatkan akurasi dalam klasifikasi penyakit diabetes. Jurnal Fasilkom: Teknologi Informasi Dan Ilmu Komputer, 15(2), 238–244. https://doi.org/10.37859/jf.v15i2.9279
Izzati, P. M., & Fitriyani. (2025). Implementation of the XGBoost algorithm for predicting monthly regional revenue performance in Bandung City. Jurnal CoSciTech: Computer Science and Information Technology, 6(2), 104–111. https://doi.org/10.37859/coscitech.v6i2.9578
Jasman, T. Z., Fadhlullah, M. A., Pratama, A. L., & Rismayani. (2022). Analysis of gradient boosting, Adaboost, catboost algorithms in water quality classification. JuTISI: Jurnal Teknik Informatika Dan Sistem Informasi, 8(2), 392–402. https://doi.org/10.28932/jutisi.v8i2.4906
Jefri, & Fatah, Z. (2025). Klasifikasi data mining untuk memprediksi kelulusan mahasiswa menggunakan metode Naive Bayes. Jurnal JIMI: Jurnal Ilmiah Multidisiplin Ilmu, 2(1), 29–37. https://doi.org/10.69714/mhjq1v85
Kurniawan, & Farokhah, L. (2025). Aplikasi cerdas prediksi kelulusan mahasiswa berbasis website menggunakan metode support vector machine (SVM). Jurnal Fasilkom: Teknologi Informasi Dan Ilmu Komputer, 15(1), 155–162. https://doi.org/10.37859/jf.v15i1.8767
Latif, A., & Wildah, S. K. (2025). Analisis kinerja algoritma ensemble dalam prediksi perilaku pembelian pelanggan. JATI: Jurnal Mahasiswa Teknik Informatika, 9(1), 557–563. https://doi.org/10.36040/jati.v9i1.12413
Mawardi, A. B., Pradini, R. S., & Haris, M. S. (2025). Komparasi algoritma boosting untuk prediksi gangguan tidur. JITET: Jurnal Informatika Dan Teknik Elektro Terapan, 13(3), 1377–1386. https://doi.org/10.23960/jitet.v13i3.7281
Mukaromah, H., & Ratnasari. (2025). Komparasi penerapan AdaBoost pada K-NN dan decision tree untuk prediksi penyakit hati. JUPITER: Jurnal Penelitian Ilmu Dan Teknologi Komputer, 17(2), 907–917. https://jurnal.polsri.ac.id/index.php/jupiter/article/view/10826
Narulita, S., Sekarlangit, & Novianingrum, M. P. (2025). Optimasi model deteksi alergen pada produk pangan dengan algoritma support vector machine (SVM) dan adaptive boosting (AdaBoost). Jurnal Teknologi Informasi: Jurnal Keilmuan Dan Aplikasi Bidang Teknik Informatika, 19(2), 1–9. https://doi.org/10.47111/jti.v19i2.21316
Pangestu, A., & Mujiyono, S. (2025). Implementasi algoritma XGBoost untuk prediksi status gizi balita berbasis website. Jurnal Algoritma, 22(2), 176–187. https://doi.org/10.33364/algoritma/v.22-2.2390
Purba, P. B., Ika, Simarmata, J., Lakat, J. S., Widiawati, D., Wulandari, P., Ginting, E. B., Yuniwati, I., Situmorang, P. L., Mistriani, N., Ningsih, W., Kainde, S., & Sari, W. D. (2025). Pendidikan di era digital: Tantangan bagi generasi. Yayasan Kita Menulis.
Purwaningsih, E., & Nurelasari, E. (2021). Penerapan K-nearest neighbor untuk klasifikasi tingkat kelulusan pada siswa. SYNTAX: Jurnal Informatika, 10(1), 46–56. https://doi.org/10.35706/syji.v10i01.5173
Sadr, M. B., & Hasibuan, M. S. (2025). Prediksi penyakit paru-paru menggunakan algoritma Naive Bayes dan AdaBoost. JTIM: Jurnal Teknologi Informasi Magister Darmajaya, 1(1), 34–38. https://journal.darmajaya.ac.id/index.php/jtim/article/view/400
Saputra, A. A., Sari, B. N., & Rozikin, C. (2024). Penerapan algoritma extreme gradient boosting (XGBoost) untuk analisis risiko kredit. Jurnal Ilmiah Wahana Pendidikan, 10(7), 27–36. https://doi.org/10.5281/zenodo.10960080
Setiawan, M. A. M., Kusrini, & Hartono, A. D. (2025). Menggunakan metode machine learning untuk memprediksi nilai mahasiswa dengan model prediksi multiclass. Jurnal Informatika: Jurnal Pengembangan IT (JPIT), 10(1), 190–204. https://doi.org/10.30591/jpit.v10i1.8334
Sunarya, P. A., Asri, M., Azizah, N., & Lim, C. P. (2025). Evaluasi sistem informasi pendidikan untuk pengelolaan data dan keputusan. Jurnal Mentari: Manajemen, Pendidikan, Dan Teknologi Informasi, 3(2), 118–126. https://doi.org/10.33050/mentari.v3i2.738
Zahroh, F. L., & Hilmiyati, F. (2024). Indikator keberhasilan dalam evaluasi program pendidikan. Edu Cendekia: Jurnal Ilmiah Kependidikan, 4(3), 1052–1062. https://doi.org/10.47709/educendikia.v4i03.5049
Downloads
Published
How to Cite
Issue
Section
License
Copyright (c) 2026 Jurnal ilmiah Sistem Informasi dan Ilmu Komputer
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.
