Pohon Keputusan untuk Mengidentifikasi Siswa Berisiko Putus Sekolah dari Absensi dan Nilai Rapor

Info proyek

• Bidang studiPendidikan dan Pembelajaran
• JenjangSkripsi (S1)
• Jenis metodeKlasifikasi
• Perkiraan pengerjaan± 3 hari kerja
• Perangkatscikit-learn DecisionTreeClassifier, plot_tree, export_text
• HargaRp 300.000 - Rp 1.800.000

Tujuan analisis

Mengklasifikasikan status risiko putus sekolah dengan pohon keputusan berdasarkan jumlah absensi dan nilai rata-rata rapor serta menelaah aturan pemisahnya.

Variabel

Contoh hasil

• 0.85Accuracy
• 1Precision
• 0.7Recall
• 0.824F1-score
• 3Tree depth
• 6Leaves

Model pohon keputusan mengklasifikasikan Status risiko putus sekolah (rendah/tinggi) dari Jumlah absensi dan Nilai rata-rata rapor dengan akurasi uji 0.850, F1 0.824 dan AUC 0.854. Kedalaman pohon 3 dengan 6 daun.

Dihitung dari data sintetis sebagai ilustrasi, bukan dari penelitian nyata.

Tentang Pohon Keputusan

Pohon keputusan membagi data secara rekursif dengan aturan jika-maka sehingga mudah dibaca dan divisualisasikan. Cocok untuk klasifikasi yang hasilnya perlu dijelaskan sebagai aturan kepada pembaca non-teknis.

Langkah pengerjaan

1. 1Bagi data latih dan uji secara berstrata
2. 2Latih DecisionTreeClassifier dengan batas max_depth
3. 3Pangkas pohon (ccp_alpha atau min_samples_leaf) untuk mengurangi overfitting
4. 4Evaluasi akurasi dan F1 pada data uji
5. 5Gambar pohon dan baca aturannya
6. 6Hitung pentingnya fitur

Asumsi yang perlu diperiksa

• Pohon dalam mudah overfitting sehingga kedalaman harus dibatasi
• Hasil sensitif terhadap perubahan kecil pada data
• Kelas sebaiknya tidak terlalu timpang

Membaca dan melaporkan hasil

Tampilkan diagram pohon dan terjemahkan cabang utamanya menjadi aturan bermakna, disertai akurasi data uji. Sebutkan bahwa pohon tunggal kurang stabil dibanding ensambel.

Contoh kode Python

Skrip awal singkat dengan nama variabel proyek ini. Versi yang diserahkan disesuaikan dengan data Anda dan diberi komentar lengkap.

import numpy as np
import matplotlib.pyplot as plt
from sklearn.tree import DecisionTreeClassifier, plot_tree, export_text
from sklearn.model_selection import train_test_split
from sklearn.metrics import accuracy_score, f1_score

rng = np.random.default_rng(21)
n = 300
number_of_absences = rng.normal(0, 1, n)
mean_report_card_grade = rng.normal(0, 1, n)
dropout_risk_status = ((number_of_absences > 0.2) & (mean_report_card_grade < 0.5)).astype(int)
flip = rng.random(n) < 0.05
dropout_risk_status[flip] = 1 - dropout_risk_status[flip]

X = np.column_stack([number_of_absences, mean_report_card_grade])
X_tr, X_te, y_tr, y_te = train_test_split(X, dropout_risk_status, test_size=0.3, stratify=dropout_risk_status, random_state=21)
tree = DecisionTreeClassifier(max_depth=3, min_samples_leaf=5, random_state=21)
tree.fit(X_tr, y_tr)
pred = tree.predict(X_te)
print("Accuracy:", round(accuracy_score(y_te, pred), 3))
print("F1:", round(f1_score(y_te, pred), 3))
print("Importance:", tree.feature_importances_.round(3))
print(export_text(tree, feature_names=["x1", "x2"]))

plt.figure(figsize=(9, 5))
plot_tree(tree, feature_names=["x1", "x2"], class_names=["0", "1"], filled=True)
plt.show()

Paket dan harga

Pilih seberapa banyak bantuan yang Anda perlukan. Setiap paket yang lebih tinggi sudah mencakup semua item paket di bawahnya. Harga belum termasuk PPN 11%.

• Pembayaran: DP 50% sebelum pekerjaan dimulai, pelunasan setelah hasil diserahkan
• Pajak: Harga belum termasuk PPN 11%
• Data dan integritas akademik: Hasil dihitung dari data penelitian Anda sendiri; Anda yang menulis dan mempertanggungjawabkan naskah, kami membantu analisis dan pemahaman
• Revisi: Maksimal 2 kali revisi termasuk dalam harga (Paket 3: 3 kali)

Pertanyaan umum