Klasifikasi Risiko Burnout Akade Klasifikasi Risiko Burnout Akademik Pada Siswa Kelas XI SMA LTI IGM Berdasarkan Pola Belajar Menggunakan Algoritma Decision Tree: Klasifikasi Risiko Burnout Akademik pada Siswa Kelas XI SMA LTI IGM Berdasarkan Pola Belajar Menggunakan Algoritma Decision Tree

Aditya Aji Sagara; Herri Setiawan; Muhammad Haviz Irfani

Authors

Aditya Aji Sagara Universitas Indo Global Mandiri
Herri Setiawan Universitas Indo Global Mandiri
Muhammad Haviz Irfani Universitas Indo Global Mandiri

Keywords:

Information Gain, Feature Selection, Oversampling, Educational Data Mining, Class Imbalance

Abstract

Burnout akademik merupakan kondisi kelelahan emosional, fisik, dan mental akibat tekanan akademik yang berkepanjangan yang dapat menurunkan motivasi, prestasi belajar, serta kesejahteraan psikologis siswa. Oleh karena itu, diperlukan suatu metode deteksi dini untuk membantu sekolah mengidentifikasi siswa yang berisiko mengalami burnout akademik. Penelitian ini bertujuan mengklasifikasikan tingkat risiko burnout akademik siswa menggunakan algoritma Decision Tree. Penelitian dilakukan terhadap 101 siswa kelas XI SMA LTI IGM dengan menggunakan data hasil kuesioner yang memuat berbagai indikator burnout akademik. Tahapan penelitian meliputi preprocessing data, seleksi fitur menggunakan Information Gain, pembangunan model Decision Tree, penyeimbangan data menggunakan teknik oversampling, serta evaluasi menggunakan confusion matrix, accuracy, precision, recall, dan F1-score. Hasil penelitian menunjukkan bahwa model sebelum proses balancing memperoleh akurasi sebesar 86%, sedangkan setelah dilakukan oversampling performa model meningkat menjadi 94%, dengan nilai precision, recall, dan F1-score masing-masing sebesar 94%. Hasil seleksi fitur juga menunjukkan bahwa indikator keraguan terhadap potensi diri, kecemasan berlebihan, dan kekhawatiran terhadap masa depan merupakan faktor yang paling berpengaruh dalam klasifikasi risiko burnout akademik. Hasil penelitian menunjukkan bahwa penerapan Decision Tree yang dikombinasikan dengan Information Gain dan oversampling mampu meningkatkan performa klasifikasi serta berpotensi digunakan sebagai alat bantu deteksi dini burnout akademik untuk mendukung pengambilan keputusan dan penyusunan intervensi yang lebih tepat di lingkungan sekolah.

References

[1] A. Lailan, “Peran Teknologi Pendidikan Dalam Pembelajaran,” SENTRI J. Ris. Ilm., vol. 3, no. 7, pp. 3257–3262, 2024, doi: 10.55681/sentri.v3i7.3115.

[2] A. Destria, E. Purnamasari, and M. H. Irfani, “Pembuatan Aplikasi Pengelolaan Arsip Surat Dinas PU.BMTR Prov. SumSel,” J. Softw. Eng. Comput. Intell., vol. 2, no. 01, pp. 26–36, 2024, doi: 10.36982/jseci.v2i01.4100.

[3] I. N. Anggraini, K. Kartika, and H. Darmayanti, “Pengaruh Kecerdasan Emosional terhadap School Burnout Siswa di SMA Muhammadiyah 8 Palembang The Impact of Emotional Intelligence on School Burnout among Students at SMA Muhammadiyah 8 Palembang,” vol. 3, no. 2, pp. 79–89, 2024, doi: 10.15575/jops.v3i2.37407.

[4] J. Sarita, I. Lu, I. Maylani, and P. Setyawati, “Pengaruh Kesehatan Mental Terhadap Stress Akademik Pada Mahasiswa Di Universitas X Dengan Menggunakan Metode Algoritma Decision Tree J48,” 2024.

[5] G. Deena, A. Sandhya, and K. Raja, “Machine Learning-Based Classification and Prediction of Student Stress Levels: a Comparative Study of Algorithms,” J. Theor. Appl. Inf. Technol., vol. 102, no. 19, pp. 7063–7076, 2024.

[6] C. H. Saputra, A. Hermawan, and D. Avianto, “Prediksi Burnout Pada Programmer Menggunakan Teknik Pengenalan Pola Untuk Identifikasi Dini Dan Intervensi,” J. Teknol. Inf. dan Ilmu Komput., vol. 11, no. 3, pp. 667–674, 2024, doi: 10.25126/jtiik.1138070.

[7] D. Sartika, I. Saluza, and M. H. Irfani, “Perbandingan Akurasi Metode Principal Component Analysis (PCA) dan Correlation-Based Feature Selection (CFS) Pada Klasifikasi Perpanjangan Kontrak Karyawan Menggunakan Metode NaÃ¯ve Bayes,” J. Ilm. Inform. Glob., vol. 13, no. 2, pp. 82–87, 2022, doi: 10.36982/jiig.v13i2.2292.

[8] Z. A. Almaghfiroh and D. Darmawan, “Pengaruh Model Pembelajaran Terhadap Minat Belajar Siswa Tingkat Madrasah Tsanawiyah,” vol. 3, 2025.

[9] M. Penerima and B. Kip, “Implementasi Algoritma Naïve Bayes dalam Prediksi Penerimaan,” vol. 15, no. 1, pp. 108–114, 2025.

[10] N. L. S. H. Seli Marlina Radja Leba, “Pelatihan Model Pembelajaran Jarak Jauh Berbasis Google Form Sebagai Media Pembelajaran,” J. Pengabdi. Kpd. Masy. Univ. Pamulang, vol. 1, pp. 42–46, 2020.

[11] A. Aseptianova and R. Ajazqi Casanobe, “Efektivitas Asesmen Formatif pada Pembelajaran Biologi di SMA LTI IGM Palembang,” J. Sos. dan sains, vol. 5, no. 4, pp. 945–961, 2025, doi: 10.59188/jurnalsosains.v5i4.32155.

[12] B. P. Pratiwi, A. S. Handayani, and S. Sarjana, “Pengukuran Kinerja Sistem Kualitas Udara Dengan Teknologi Wsn Menggunakan Confusion Matrix,” J. Inform. Upgris, vol. 6, no. 2, pp. 66–75, 2021, doi: 10.26877/jiu.v6i2.6552.

[13] A. Fahri and Y. Ramdhani, “Visualisasi Data dan Penerapan Machine Learning Menggunakan Decision Tree Untuk Keputusan Layanan Kesehatan COVID-19,” J. Tekno Kompak, vol. 17, no. 2, p. 50, 2023, doi: 10.33365/jtk.v17i2.2438.

[14] I. Maulida, A. Suyatno, and H. R. Hatta, “Seleksi Fitur Pada Dokumen Abstrak Teks Bahasa Indonesia Menggunakan Metode Information Gain,” J. SIFO Mikroskil, vol. 17, no. 2, pp. 249–258, 2016, doi: 10.55601/jsm.v17i2.379.