MACHINE LEARNING-BASED PREDICTION OF MATHEMATICAL HOTS: WHICH FACTORS MATTER MOST?

Puti Ayu Wandira; Dindin  Sobiruddin; Finola Marta  Putri

doi:10.15408/ajme.v8i1.51410

Authors

Puti Ayu Wandira UIN Syarif Hidayatullah Jakarta
Dindin Sobiruddin UIN Syarif Hidayatullah Jakarta
Finola Marta Putri UIN Syarif Hidayatullah Jakarta

DOI:

https://doi.org/10.15408/ajme.v8i1.51410

Keywords:

Higher Order Thinking Skills (HOTS), Machine Learning, Naive Bayes, Physiological Condition

Abstract

Abstract

Junior high school students’ mathematical Higher Order Thinking Skills (HOTS) in Indonesia remain relatively low, while studies applying machine learning to identify the factors influencing HOTS are still limited. This study aims to develop a predictive model of students’ mathematical HOTS, identify its key predictors, and determine the best-performing algorithm. A descriptive quantitative approach was employed with 391 seventh- and eighth-grade students from a state Islamic junior high school (MTs) in South Jakarta. Data were collected through a questionnaire measuring internal and external learning factors and a HOTS-based essay test, then analyzed using Chi-Square feature selection and seven supervised machine learning algorithms in Orange Data Mining. The results identified physiological condition, fatigue, and intelligence as the strongest predictors of HOTS, whereas school environment and learning motivation contributed minimally. Among the algorithms, Naïve Bayes achieved the most consistent predictive performance. These findings provide data-driven evidence for designing instructional strategies that support students’ mathematical HOTS.

Abstrak

Kemampuan Higher Order Thinking Skills (HOTS) matematis siswa SMP di Indonesia masih relatif rendah, sementara penelitian yang memanfaatkan machine learning untuk mengidentifikasi faktor-faktor yang memengaruhinya masih terbatas. Penelitian ini bertujuan mengembangkan model prediksi HOTS matematis siswa, mengidentifikasi faktor-faktor dominan yang memengaruhinya, serta menentukan algoritma dengan kinerja terbaik. Penelitian menggunakan pendekatan kuantitatif deskriptif dengan melibatkan 391 siswa kelas VII dan VIII di salah satu MTs Negeri di Jakarta Selatan. Data dikumpulkan melalui angket faktor internal dan eksternal serta tes uraian berbasis HOTS, kemudian dianalisis menggunakan seleksi fitur Chi-Square dan tujuh algoritma supervised machine learning pada Orange Data Mining. Hasil menunjukkan bahwa kondisi fisiologis, kelelahan, dan inteligensi merupakan prediktor utama HOTS matematis, sedangkan lingkungan sekolah dan motivasi belajar memberikan kontribusi yang minimal. Di antara seluruh algoritma, Naïve Bayes menunjukkan kinerja prediksi yang paling konsisten. Temuan ini memberikan dasar berbasis data untuk merancang strategi pembelajaran yang mendukung pengembangan HOTS matematis siswa.

Downloads

Download data is not yet available.

References

Afni, N., & B., N. (2022). Mengenal HOTS Melalui Lembar Kerja Peserta Didik Berorientasi Higher Order Thinking Skills Biologi SMA/MA Kelas XI. Purbalingga: Eureka Media Askara.

Dewi, M. P., Putra, A., & Anggraini, R. S. (2023). Analisis Kesulitan Siswa dalam Menyelesaikan Soal Higher Order Thinking Skills (HOTS) pada Materi Bentuk Aljabar. Jurnal Ilmiah Pendidikan Matematika Al-Qalasadi, 7(2), 178. https://doi.org/10.32505/qalasadi.v7i2.7308

Haryanto. (2020). Evaluasi Pembelajaran (Konsep dan Manajemen). Yogyakarta: UNY Press.

Khotimah, H. (2019). Faktor-faktor yang Memengaruhi Belajar. de Fermat: Jurnal Pendidikan Matematika. 2(2), 122.

Krathwohl, D. (2002). A Revision of Bloom’s Taxonomy: An Overview. Ohio: Theory Into Practice (TIP).

Kurniawan, D. (2020). Pengenalan Machine Learning dengan Python. Jakarta: PT Alex Media Komputindo.

Manik, P., Saraswati, S., Ngurah, G., & Agustika, S. (2020). Kemampuan Berpikir Tingkat Tinggi Dalam Menyelesaikan Soal HOTS Mata Pelajaran Matematika. Jurnal Ilmiah Sekolah Dasar 4(2), 257–269.

Mohri, M., Rostamizadeh, A., & Talwalkar, A. (2018). Foundations of Machine Learning. Cambridge: The MIT Press.

Nabillah, T., & Abadi, A. P. (2019). Faktor penyebab rendahnya hasil belajar siswa. Prosiding Seminar Nasional Matematika Dan Pendidikan Matematika Sesiomadika. Karawang: Universitas Singaperbangsa Karawang.

Najahah, L., Ahied, M., Rosidi, I., & Munawaroh, F. (2022). Faktor-faktor yang Mempengaruhi Kesalahan yang Dilakukan Siswa dalam Menyelesaikan Soal HOTS: Analisis Newman. NSER: Jurnal Natural Science Educational Research, 4(3), 207.

Noenoek, B. M., et al. (2024). Analisis Pengaruh Beban Tugas Akademik dan Digital Fatigue terhadap Prestasi Akademik Siswa. Edu Cendikia: Jurnal Ilmiah Kependidikan, 4(3), 1850-1851.

OECD. (2022). PISA 2022 Results Volume III : Creative Minds , Creative Schools. III.

Parwati, N. N., et al. (2019). Belajar dan Pembelajaran. Depok: PT RajaGrafindo Persada.

Putra, I. M., Setyawan, M. Y. H., & Habibi, R. (2020). Panduan Lengkap Klasifikasi Dokumen Arsip Program Studi Menggunakan Support Vector Machine. Jakarta: CV. Kreatif Industri Nusantara.

Raharjo, M. R., & Windarto, A. P. (2021). Penerapan Machine Learning dengan Konsep Data Mining Rough Set (Prediksi Tingkat Pemahaman Mahasiswa terhadap Matakuliah). Jurnal Media Informatika Budidarma, 5(1), 317. https://doi.org/10.30865/mib.v5i1.2745

Saputra, I., & Kristayanti, D. A. (2022). Machine Learning Untuk Pemula. Bandung: Informatika Bandung.

Setiyani, L., Wahidin, M., Awaludin, D., & Purwani, S. (2020). Analisis Prediksi Kelulusan Mahasiswa Tepat Waktu Menggunakan Metode Data Mining Naïve Bayes : Systematic Review. Faktor Exacta, 13(1), 41-42. https://doi.org/10.30998/faktorexacta.v13i1.5548

Thoyip, R. A. (2024). Analisis Kesulitan Peserta Didik Menyelesaikan Soal HOTS Ilmu Pengetahuan Alam pada Materi Gerak dan Gaya di SMP Negeri 3 Pontianak. Jurnal dunia pendidikan, 4(3), 1666.

Watratan. (2020). Implementasi Algoritma Naive Bayes untuk Memprediksi Tingkat Penyebaran Covid-19 di Indonesia. JACOST: Journal of Applied Computer Science and Technology, 1(1), 13.