Sistem Pendukung Keputusan

Deteksi Risiko
Putus Sekolah
Lebih Awal

Sistem cerdas berbasis Machine Learning untuk mengidentifikasi siswa yang berpotensi dropout secara dini — membantu guru dan kepala sekolah mengambil keputusan intervensi yang tepat sasaran.

Mulai Gunakan Sistem Pelajari Lebih Lanjut
Dashboard SPK — SD Inpres Perumnas Antang Makassar
Total Siswa
312
Aktif
Risiko Tinggi
28
Perlu intervensi
Risiko Sedang
54
Perlu pantauan
Nama SiswaKehadiranAkademikRisiko
Ahmad Fauzi R. 62%58 TINGGI
Siti Rahayu N. 74%67 SEDANG
Budi Santoso P. 92%85 RENDAH
Dina Permata S. 58%53 TINGGI
4
Kriteria Penilaian
3
Kategori Risiko
2
Role Pengguna
100+
Decision Trees
Kriteria yang Digunakan
KriteriaBobotN=1N=2N=3
Kehadiran35%>90%75–90%<75%
Akademik30%>8065–80<65
Kedisiplinan15%0–23–5>5
Kond. Keluarga20%BaikSedangRendah
🟢 Rendah
🟡 Sedang
🔴 Tinggi
4 kriteria
penilaian
Tentang Sistem

Kenapa Deteksi Dini Penting?

Angka putus sekolah masih menjadi tantangan serius. Dengan sistem pendukung keputusan berbasis Machine Learning, guru dan konselor dapat mengidentifikasi siswa yang berpotensi dropout sebelum hal tersebut terjadi — dan mengambil tindakan intervensi yang tepat.

  • Pelabelan Data Manual
    Proses pelabelan data historis dilakukan secara manual dengan mengacu pada empat kriteria utama
  • Model Random Forest
    Evaluasi model mencakup Accuracy, Confusion Matrix, Precision, Recall, F1-Score, serta visualisasi Decision Tree
  • Laporan Siap Cetak
    Laporan eksekutif dan analisis Random Forest siap ekspor ke PDF dengan visualisasi lengkap
Fitur Utama

Sistem Lengkap untuk Sekolah

Dirancang khusus untuk kebutuhan SD Inpres Perumnas Antang Makassar

Pelabelan Data Manual
Data historis siswa dilabeli secara manual berdasarkan 4 kriteria: Kehadiran, Akademik, Kedisiplinan, dan Kondisi Keluarga.
Model Random Forest
Evaluasi lengkap: Accuracy, Confusion Matrix, Precision, Recall, F1-Score, visualisasi Decision Tree, dan Feature Importance.
Prediksi Real-Time
Guru dapat memprediksi risiko siswa aktif satu per satu atau batch, lengkap dengan confidence score dan distribusi voting trees.
Rekomendasi Intervensi
Rekomendasi tindakan otomatis berdasarkan kriteria bermasalah, lengkap dengan prioritas dan timeline intervensi terstruktur.
Monitoring & Tracking
Pantau perkembangan siswa berisiko, catat tindakan intervensi, dan lihat perubahan status risiko antar semester secara historis.
Laporan Lengkap
Laporan eksekutif dan analisis Random Forest siap cetak PDF, dilengkapi visualisasi grafik dan tabel evaluasi model.
Alur Sistem

Bagaimana Sistem Bekerja?

Dari input data historis hingga keputusan intervensi dalam empat langkah

Admin Input Dataset
Data siswa semester sebelumnya diinput dan diberi label secara manual berdasarkan kategori Rendah, Sedang, dan Tinggi.
Training Random Forest
Admin melatih model RF dari dataset berlabel. Evaluasi akurasi, confusion matrix, dan feature importance tersedia.
Input Siswa Aktif
Data siswa semester berjalan diinput tanpa label — label adalah output prediksi yang dihasilkan sistem.
Prediksi & Intervensi
Guru menjalankan prediksi RF, memantau siswa berisiko, dan mencatat tindakan intervensi yang terstruktur.
Klasifikasi Risiko

Tiga Level Deteksi

Sistem mengklasifikasikan siswa ke dalam tiga kategori berdasarkan hasil prediksi Random Forest

⚠️ Risiko Tinggi
Perlu Intervensi
Segera
Siswa dengan kombinasi faktor risiko tinggi. Memerlukan perhatian guru, keterlibatan orang tua, dan program bantuan segera dari pihak sekolah.
🟡 Risiko Sedang
Perlu
Pemantauan
Siswa dengan beberapa indikator peringatan. Memerlukan monitoring berkala, bimbingan konseling rutin, dan komunikasi aktif dengan orang tua.
🟢 Risiko Rendah
Kondisi
Terkendali
Siswa dengan performa baik dan faktor risiko minimal. Tetap perlu pemantauan periodik untuk menjaga kondisi akademik dan sosial yang baik.

Siap Mencoba?

Siap Mendeteksi Risiko
Putus Sekolah?

Login ke sistem dan mulai deteksi dini untuk mencegah siswa putus sekolah
dengan teknologi berbasis data Machine Learning.

Login ke Sistem