Deteksi Dini Keterlambatan Belajar pada Siswa Menggunakan Algoritma Decision Tree Classification and Regression Trees (Cart)

Sari

Deteksi dini terhadap keterlambatan belajar pada anak usia dini sangat penting karena intervensi yang cepat dan tepat dapat membantu perkembangan aspek motorik, bahasa, dan kognitif secara optimal. Di banyak sekolah, proses deteksi dini keterlambatan belajar belum berjalan secara efektif. Akibatnya, intervensi sering dilakukan terlambat dan kurang tepat sasaran. Penelitian ini bertujuan mengembangkan sistem deteksi berbasis web dengan algoritma Decision Tree CART untuk mengklasifikasikan siswa ke dalam kategori “Normal†atau “Terlambatâ€. Data pelatihan diambil dari dataset publik Salman Ahmad, yang telah melalui proses pra-pemrosesan dan penyeimbangan kelas menggunakan teknik SMOTE. Model menghasilkan aturan klasifikasi berdasarkan tiga atribut dominan, yaitu usia, kemampuan ekspresif, dan komunikasi lisan. Pengujian pada data latih menunjukkan akurasi sebesar 77,02%. Hasil pada validasi silang dan data uji Salman Ahmad lebih rendah, masing-masing 50,75% dan 49,78%. Perbedaan ini diduga disebabkan oleh overfitting pada data latih serta perbedaan karakteristik antara data pelatihan dan data uji. Menariknya, ketika diuji pada data nyata dari SLB Cinta Mandiri dan TK S Al-Alaq, model menunjukkan peningkatan performa yang signifikan dengan akurasi 90%, precision 93%, recall 90%, dan F1-score 91%. Threshold optimal diperoleh pada nilai 0,556, sesuai F1-score tertinggi. Sistem ini dilengkapi fitur penilaian guru, visualisasi hasil klasifikasi, laporan PDF, dan dashboard orang tua yang memuat rekomendasi intervensi. Dengan dukungan fitur-fitur tersebut, sistem ini diharapkan dapat menjadi solusi praktis bagi guru dan orang tua untuk mendeteksi potensi keterlambatan belajar secara lebih efisien dan tepat guna.