Nama : Ria Arafiyah Program Studi : Doktoral Ilmu Komputer Judul : Personalisasi Pembelajaran Berbasis Kemajuan Belajar Siswa Menggunakan Machine Learning Pembimbing : Harry Budi Santoso M.Kom., Ph.D Prof. Zainal A. Hasibuan, Ph.D Prof. Dr. Eng. Wisnu Jatmiko Kegagalan belajar siswa dapat dihindari jika pembelajaran diperbaiki sedini mungkin dengan adanya prediksi kemajuan belajar. Data mengenai pembelajaran siswa di Indonesia cukup banyak dan tersimpan di berbagai tempat. Data tersebut dapat digunakan untuk menjawab permasalahan terkait kegagalam belajar. Saat ini masih diperlukan upaya untuk mengumpulkan, menyusun, dan membangun model dari dataset siswa yang dapat digunakan digunakan untuk mencegah kegagalan siswa dalam belajar. Penelitian ini membahas penyusunan dataset kemajuan belajar siswa, yang digunakan untuk membuat model kemajuan belajar (learning progress) dengan menggunakan machine learning. Selanjutnya model ini digunakan untuk mendesain Early Warning System yang menunjang personalisasi pembelajaran. Dataset disusun dari berbagai sumber, yaitu data nilai rapor dan latar belakang siswa yag tersimpan di database DAPODIK, data nilai standar akreditasi sekolah yang tersimpan di BAN S/M, dan data nilai proses belajar siswa yang tersimpan pada database e-Rapor. Ketiga sumber data dihubungkan dengan menggunakan Nomor Induk Siswa Nasional dan Nomor Pokok Sekolah Nasional. Hasil penggabungan diperoleh dataset Kemajuan belajar siswa selama di SMA yang berukuran 11.319 baris, 61 kolom. Data ini menjadi bahan untuk membuat dataset kemajuan belajar siswa. Dilakukan preprocessing untuk mendapatkan dataset yang siap dimodelkan dengan machine learning. Dalam membuat model dilakukan feature extraction dan feature selection dengan menggunakan PCA, K-Mean, dan Random Forest sehingga diperoleh model kemajuan belajar dan faktor-faktor yang memengaruhinya. Pembangunan model kemajuan belajar menggunakan pendekatan hybrid, yaitu unsupervised dan supervised. Pemodelan unsupervised menggunakan metode pengklusteran algoritma K-Mean dengan validasi metode elbow dan silhouette score. Hasil kluster digunakan sebagai target pada model klasifikasi. Untuk mengatasi imbalance data, dilakukan pembangkitan sampel sintetis menggunakan algoritma Synthetic Minority Over-sampling Technique sebelum dimodelkan menggunakan metode supervised algoritma Random Forest dengan validasi menggunakan K-Fold Cross Validation. Model yang dihasilkan digunakan untuk mendesain Early Warning System yang dapat digunakan untuk memonitor kemajuan belajar dan mempersonalisasi pembelajaran. Desain EWS divalidasi menggunakan metode Delphi. Universitas Indonesia viii Telah dibangun tiga model kemajuan belajar berdasarkan periode belajar siswa, yaitu pada kelas X, XI, dan XII. Berdasarkan model kemajuan belajar dapat diprediksi kluster kemajuan belajar, faktor yang mempengaruhinya, dan saran untuk mempersonalisasi pembelajaran. Ketiga model yang berhasil dibangun memiliki rata-rata Area Under Curve (AUC) lebih dari 99%. Desain Early Warning System menggunakan model kemajuan belajar untuk memonitor pembelajar dan memberikan saran tindakan (suggested respond). Dengan berbasis model kemajuan belajar, desain ini akan menjadi dasar untuk mengembangkan personalisasi pembelajaran sehingga sehingga semua pembelajar tidak tertinggal dan lulus mata pelajaran yang diikutinya.