Ketika AI Belajar Memprediksi Jumlah Siswa Kisah di Balik Data Madrasah Banten

Bayangkan Anda berada di posisi seorang Kepala Kanwil Kemenag. Dalam waktu yang sangat singkat, Anda harus memutuskan berapa banyak guru baru yang perlu direkrut, ruang kelas mana yang mendesak untuk dibangun, dan madrasah mana yang perlu mendapat perhatian khusus—semuanya untuk ribuan sekolah sekaligus!

Masalah utamanya bukan pada ketiadaan informasi. Datanya ada, tersimpan rapi berupa ribuan kolom angka di sistem EMIS (Education Management Information System) milik Kementerian Agama. Namun, angka-angka tersebut masih pasif dan belum "berbicara". Belum ada sistem yang mengolahnya menjadi prediksi cerdas untuk membantu pengambilan keputusan strategis.

Itulah yang menjadi titik awal dari penelitian saya.

Apa yang Saya Teliti?

Singkatnya, saya merancang sebuah model Kecerdasan Buatan (AI) yang mampu memprediksi jumlah siswa di setiap madrasah di Provinsi Banten. Prediksi ini murni ditarik dari data yang sudah ada, seperti jumlah guru, kondisi fasilitas, hingga jumlah rombongan belajar.

Tentu saja, ini bukan sembarang model AI biasa. Saya menggabungkan dua teknologi canggih sekaligus yang saling melengkapi:

• TabNet: Model AI generasi baru yang dirancang khusus untuk membaca data tabular (seperti spreadsheet Excel). Kehebatannya bukan hanya pada tingkat akurasi yang tinggi, tetapi ia juga mampu menjelaskan mengapa ia membuat prediksi tersebut (explainable AI).

• Algoritma Genetika (GA): Metode optimasi yang terinspirasi dari hukum alam—seleksi alam, persilangan (crossover), dan mutasi. Tugasnya adalah mencari "setelan terbaik" (hyperparameter tuning) untuk model TabNet secara otomatis, sehingga kita tidak perlu mencoba ribuan kombinasi secara manual.

Sinergi dari kedua algoritma ini kemudian saya sebut sebagai model GA-TabNet.

Datanya Berasal dari Mana?

Penelitian ini menggunakan data riil dari EMIS untuk tahun ajaran 2025/2026. Data ini mencakup 4.337 madrasah di Provinsi Banten, mulai dari jenjang RA (Raudhatul Athfal/TK Islam), MI (Madrasah Ibtidaiyah), MTs (Madrasah Tsanawiyah), hingga MA (Madrasah Aliyah).

Data mentah tersebut awalnya terbagi dalam dua "lembar kerja" raksasa:

• Data kondisi sarana prasarana (ruang kelas, perpustakaan, lab komputer, masjid, toilet, dll).

• Data demografi guru dan siswa (jumlah guru, kualifikasi pendidikan, rombongan belajar, dll).

Setelah digabungkan, terdapat 516 kolom data untuk setiap madrasahnya. Cukup fantastis, bukan? Dari ratusan kolom tersebut, saya melakukan analisis korelasi dan menyaringnya menjadi 33 fitur terbaik yang paling memengaruhi jumlah siswa.

Apa Faktor Paling Penentu Jumlah Siswa?

Ini adalah bagian yang paling menarik. Setelah model GA-TabNet selesai dilatih, ia memberikan bocoran mengenai fitur apa saja yang paling krusial di lapangan:

• 🥇 Jumlah Rombongan Belajar (study_group_num): Menempati posisi juara dengan skor importance 0,92. Logikanya sangat masuk akal: semakin banyak kelas yang beroperasi, semakin besar daya tampungnya.

• 🥈 Kapasitas Total Kelas (class_capacity_total): Ketersediaan dan luasan ruang kelas fisik menjadi batas atas langsung dari seberapa banyak siswa yang bisa diterima oleh suatu madrasah.

• 🥉 Program KIP dan PKH: Penemuan yang sangat menarik! Jumlah siswa penerima Kartu Indonesia Pintar (KIP) dan Program Keluarga Harapan (PKH) berkorelasi sangat kuat dengan jumlah siswa keseluruhan. Ini membuktikan bahwa program beasiswa pemerintah memegang peranan vital dalam mendorong orang tua menyekolahkan anaknya.

• 🎓 Kualifikasi Guru S1: Madrasah yang memiliki lebih banyak tenaga pendidik bergelar S1 cenderung kebanjiran siswa. Hal ini menunjukkan bahwa masyarakat sangat melek pendidikan dan lebih percaya menitipkan anak mereka pada sekolah dengan guru yang berkualifikasi tinggi.

Bagaimana Cara Kerja Algoritma Genetika (GA)?

Bayangkan Anda sedang mencari resep masakan paling lezat dari 13.824 kemungkinan kombinasi bumbu. Mencobanya satu per satu tentu akan memakan waktu seumur hidup. Di sinilah Algoritma Genetika bekerja layaknya seleksi alam:

1. Generasi Awal: Coba 10 "resep" secara acak, lalu evaluasi mana yang hasilnya paling akurat.

2. Kawin Silang: Ambil bahan-bahan terbaik dari resep yang unggul, lalu gabungkan untuk menciptakan resep generasi baru.

3. Mutasi: Ubah sedikit satu bahan secara acak untuk melihat apakah ada keajaiban yang terjadi.

4. Iterasi: Ulangi siklus ini selama 5 generasi.

Hasilnya luar biasa. Dari belasan ribu kemungkinan, algoritma ini hanya membutuhkan 50 percobaan untuk menemukan setelan yang paling optimal! Konfigurasi terbaik yang ditemukan oleh GA adalah model dengan arsitektur berukuran $N_d=128$ dan $N_a=128$, 3 langkah keputusan (decision steps), serta learning rate sebesar 0,005.

Seberapa Akurat Hasilnya?

Setelah dilatih menggunakan setelan optimal dari GA, model ini diuji kembali pada 868 data madrasah yang benar-benar baru (tidak pernah dilihat oleh model sebelumnya). Inilah rapor kinerjanya:

• Nilai $R^2$ = 88,45%: Artinya, model berhasil memprediksi dan menjelaskan 88,45% variasi jumlah siswa antar madrasah dengan tepat. Ini adalah angka yang sangat memuaskan untuk dataset pendidikan yang sangat dinamis.

• Nilai MAE = 31 Siswa: Rata-rata margin kesalahan model (melesetnya tebakan) hanya sekitar 31 siswa dari angka aslinya. Untuk ukuran madrasah yang rata-rata diisi oleh 111 siswa, akurasi ini tergolong sangat memadai untuk perencanaan operasional.

Sebagai perbandingan komparatif, model TabNet standar tanpa optimasi GA hanya mampu mencapai $R^2$ sekitar 71%. Hadirnya Algoritma Genetika berhasil mendongkrak performa hingga 13,45 poin persentase—hanya dengan menemukan setelan yang lebih cerdas!

Apa Artinya bagi Dunia Pendidikan?

Penemuan akademis ini tidak berhenti sekadar sebagai angka di atas kertas. Ada beberapa rekomendasi praktis yang bisa diaplikasikan langsung:

• Bagi Kementerian Agama & Dinas Pendidikan: Prioritaskan anggaran dan investasi pada penambahan rombongan belajar serta perluasan kapasitas fisik kelas. Dua faktor ini adalah kunci utama untuk menaikkan daya tampung siswa secara masif.

• Bagi Kepala Madrasah: Dorong para guru untuk terus melanjutkan studi hingga jenjang S1. Ini bukan semata-mata untuk akreditasi, melainkan strategi jitu untuk memenangkan kepercayaan masyarakat.

• Bagi Peneliti & Analis Data: Data EMIS yang selama ini "tertidur" di database ternyata menyimpan harta karun berupa pola-pola yang sangat berharga. Jika dikelola dengan sains yang tepat, data ini bisa disulap menjadi kompas navigasi pendidikan yang akurat.

Penutup Penelitian ini mematahkan stigma bahwa Kecerdasan Buatan (AI) hanyalah mainan perusahaan raksasa di Silicon Valley. Di tangan yang tepat, AI bisa diturunkan menjadi solusi nyata untuk merencanakan tata kelola pendidikan yang jauh lebih baik—mulai dari memetakan kebutuhan guru, mendeteksi sekolah yang butuh bantuan, hingga menjaga agar uang negara tersalurkan tepat sasaran.

Hal yang paling membanggakan bagi saya? Model ini tidak dibangun menggunakan data dari luar negeri, melainkan murni diekstrak dari data lokal Indonesia, untuk menjawab tantangan nyata yang ada di bumi Nusantara.

Seluruh kode pemrograman, catatan eksperimen, dan dokumentasi dari penelitian ini dapat diakses secara terbuka. Harapannya, ini bisa menjadi fondasi pijakan bagi peneliti lain untuk mengembangkan sistem serupa—entah untuk provinsi lain, lintas tahun ajaran, atau inovasi Machine Learning yang sama sekali baru.

Karena pada akhirnya, data yang baik dan diolah dengan niat yang benar, memiliki kekuatan untuk mengubah wajah masa depan pendidikan kita.

Artikel ini ditulis berdasarkan penelitian mandiri memanfaatkan dataset EMIS Madrasah Provinsi Banten Tahun Pelajaran 2025/2026.