Peramalan Tren Prestasi Akademik Siswa Menggunakan Model Hibrida Time-Series dan Deep Learning dalam Evaluasi Implementasi Kurikulum

Abstrak

Implementasi kurikulum baru menuntut adanya evaluasi berbasis data yang mampu menggambarkan dinamika prestasi akademik siswa secara berkelanjutan. Penelitian ini bertujuan untuk meramalkan tren prestasi akademik siswa menggunakan model hibrida yang mengintegrasikan pendekatan time-series dan deep learning sebagai dasar evaluasi implementasi kurikulum baru. Penelitian menggunakan pendekatan kuantitatif dengan desain eksperimen, memanfaatkan data akademik siswa yang bersifat longitudinal selama enam semester. Prosedur penelitian meliputi pengumpulan dan praproses data, perancangan sistem komputasi berbasis model hibrida, validasi dan simulasi prediksi, serta interpretasi hasil peramalan. Kinerja model dievaluasi menggunakan metrik Mean Absolute Error (MAE), Root Mean Square Error (RMSE), dan koefisien determinasi (R²). Hasil penelitian menunjukkan bahwa model hibrida menghasilkan kinerja prediksi terbaik dengan nilai MAE sebesar 1,45, RMSE sebesar 2,01, dan R² sebesar 0,91, lebih unggul dibandingkan model deep learning tunggal (MAE = 2,12; RMSE = 2,87; R² = 0,82) dan model time-series konvensional (MAE = 2,84; RMSE = 3,56; R² = 0,71). Simulasi peramalan menunjukkan adanya tren peningkatan prestasi akademik siswa dari nilai rata-rata 78,6 pada semester terakhir observasi menjadi 79,8 pada semester pertama prediksi dan 81,2 pada semester kedua prediksi. Temuan ini mengindikasikan bahwa model hibrida time-series dan deep learning efektif digunakan sebagai instrumen evaluasi kebijakan kurikulum berbasis data prediktif, sekaligus memberikan kontribusi dalam pengembangan pendekatan evaluasi kurikulum yang lebih adaptif, objektif, dan berkelanjutan dalam konteks pendidikan