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

Penulis

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

Kata Kunci:

Burnout Akademik, Decision Tree, Information Gain,

Abstrak

Burnout akademik merupakan bentuk kelelahan fisik, emosional, dan mental yang timbul akibat tekanan belajar yang berlangsung lama, yang dapat mengganggu motivasi, prestasi akademik, dan kesehatan mental siswa. Penelitian ini bertujuan untuk merancang model klasifikasi tingkat risiko burnout akademik pada siswa kelas XI SMA LTI IGM Palembang dengan menggunakan algoritma Decision Tree (DT), serta mengidentifikasi faktor-faktor utama yang memengaruhi kondisi tersebut. Data dikumpulkan melalui kuesioner Google Form yang mencakup aspek-aspek seperti kelelahan emosional, depersonalisasi, dan penurunan pencapaian diri. Tahapan penelitian mencakup preprocessing data, penentuan skor burnout berdasarkan kuartil Q1 (25%) dan Q3 (75%) untuk pembagian kategori, seleksi fitur menggunakan Information Gain, pembangunan model DT, serta evaluasi performa menggunakan confusion matrix dan metrik seperti akurasi, precision, recall, dan f1-score. Hasilnya menunjukkan bahwa model DT dapat mengelompokkan risiko burnout akademik ke dalam tiga kategori Rendah, Sedang, dan Tinggi dengan akurasi awal sebesar 91%, dan akurasi 94% setelah distribusi data diseimbangkan melalui proses rebalancing. Faktor-faktor yang paling berpengaruh dalam klasifikasi meliputi keraguan terhadap potensi diri, kecemasan yang berlebihan, serta kekhawatiran mengenai masa depan. Temuan ini diharapkan menjadi dasar bagi pihak sekolah untuk melakukan identifikasi dini dan merancang langkah intervensi yang tepat guna menanggulangi burnout akademik pada siswa.

Referensi

[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.