<![CDATA[Program Indonesia Pintar (PIP) merupakan program kerjasama dari tiga kementrian yaitu Kementrian Pendidikan dan Kebudayaan (Kemendikbud), Kementrian Sosial (Kemensos) dan Kementrian Agama (Kemenag). PIP melalui Kartu Indonesia Pintar (KIP) adalah pemberian bantuan tunai pendidikan kepada anak usia sekolah yang berasal dari keluarga miskin, rentan miskin, pemilik Kartu Keluarga Sejahtera (KKS), Program Keluarga Harapan (PKH), yatim piatu, penyandang disabilitas dan korban bencana alam/musibah. PIP merupakan bagian dari penyempurnaan program Bantuan Siswa Miskin (BSM) dengan tujuan untuk menjamin agar seluruh anak usia sekolah dari keluarga kurang mampu terdaftar sebagai penerima bantuan sampai anak lulus jenjang pendidikan menengah, baik melalui jalur pendidikan formal maupun non formal. Bantuan yang akan di terima yaitu berupa dana dengan besaran yang telah ditentukan sesuai tingkatan pendidikan. Banyaknya jumlah siswa yang mengajukan permohonan untuk menerima beasiswa dan kriteria penilaian yang banyak pula maka tidak semua siswa yang mengajukan permohonan beasiswa dapat dikabulkan. Permasalahan yang biasanya dihadapi oleh sekolah sehubungan dengan penentuan beasiswa adalah tidak adanya sistem yang dapat membantu untuk melakukan penyeleksian atau penentuan penerima beasiswa secara otomatis sesuai dengan kriteria-kriteria yang telah ditentukan. Untuk menyelesaikan hal ini, salah satu solusi yang akan digunakan adalah dengan mempelajari pola dari data siswa yang menerima beasiswa dan data siswa yang tidak menerima beasiswa. Dari data-data tersebut dapat dibentuk satu model yang dapat digunakan untuk mepredisksi siswa siswa mana yang kemungkinan akan menerima beasiswa pada tahun berikutnya. Dalam penelitian ini dilakukan perbandingan dari 3 (tiga) algoritma klasifikasi untuk membantu menentukan prediksi siswa penerima beasiswa, sehingga pihak sekolah dapat dengan mudah menentukan data siswa mana yang akan diajukan. Algoritma yang dipilih untuk dibandingkan yaitu algoritma Naïve Bayes, Random Forest dan Support Vector Machine dengan tujuan untuk mengetahui algoritma mana yang paling baik dalam hal tingkat akurasi dan berdasarkan literatur yang ada, tiga algoritma ini adalah algoritma yang umum digunakan dalam penelitian sejenis. Dari ke-3 algorithma tersebut, algoritma Random Forest memberikan nilai akurasi yang paling tinggi, yaitu 75%, diikuti oleh algoritma Support Vector Machine sebesar 59% dan nilai akurasi terendah yaitu algoritma Naïve Bayes sebesar 55%. Berikutnya, dengan menggunakan algoritma Random Forest, algoritma yang menghasilkan model dengan akurasi paling tinggi, dilanjutkan proses pemilihan fitur (feature selection) untuk melihat fitur mana yang paling memberikan pengaruh kepada label keputusan dan fitur mana yang tidak, yang selanjutkan dapat diabaikan atau tidak ikut dalam proses pembentukan model. Hasil yang diperoleh, menunjukkan fitur yang paling berpengaruh yaitu fitur penghasilan, sedangkan fitur mtk dan bhs_inggris dapat diabaikan, karena tidak memberikan pengaruh yang besar kepada label keputusan. Setelah itu, dilakukan pembandingan hasil model sebelum dilakukan pemilihan fitur dengan model setelah dilakukan pemilihan fitur dalam hal tingkat akurasi dan kecepatan proses menggunakan algoritma Random Forest. Hasil perbandingan menunjukan hasil peningkatan akurasi dan penuruan waktu proses yang cukup signifikan.]]>
