Pendidikan Menengah kejuruan atau Sekolah Menengah Kejuruan (SMK) memegang peranan krusial dalam pembangunan sumber daya manusia di Indonesia. Mandat utama dari institusi pendidikan ini adalah menghasilkan lulusan yang tidak hanya cerdas secara akademis, tetapi juga memiliki keterampilan praktis yang membuat mereka siap kerja dan mampu bersaing di pasar tenaga kerja global. Tujuan ini sangat sejalan dengan konsep Decent Work (Pekerjaan Layak) yang menuntut tidak hanya sekadar penempatan kerja, tetapi juga jaminan kualitas pekerjaan, keamanan, dan perlindungan sosial bagi para lulusan (Choi et al., 2023). Namun, implementasi pendidikan vokasi sering kali menghadapi tantangan yang sangat signifikan. Salah satu tantangan terbesar adalah adanya kesenjangan (gap) antara kompetensi yang dimiliki oleh lulusan dengan kebutuhan nyata di industri. Hal ini secara langsung berdampak pada tingkat penyerapan tenaga kerja. Sebagai contoh, berdasarkan Rapor Pendidikan yang dikeluarkan oleh Kementerian Pendidikan, Kebudayaan, Riset, dan Teknologi, teridentifikasi adanya penurunan persentase keterserapan lulusan di SMK Negeri 2 Salatiga sebesar 2,34 poin. Penurunan ini memicu urgensi bagi pihak sekolah untuk mengevaluasi kembali sistem pembinaan karir mereka.

Penurunan tingkat keterserapan ini sering kali berakar pada ketiadaan sistem proaktif yang mampu memprediksi status paska lulus murid secara dini. Selama ini, sekolah cenderung kekurangan informasi yang akurat dan berbasis bukti (data-driven) untuk mengidentifikasi murid mana yang berisiko tinggi tidak terserap di dunia kerja atau gagal melanjutkan pendidikan. Akibatnya, intervensi seperti bimbingan karir, penempatan magang yang terarah, hingga penyesuaian program studi sering kali menjadi terlambat dan kurang efektif karena dilakukan secara reaktif (setelah masalah terjadi) dan manual. Solusi manual dan reaktif tidak lagi memadai untuk mengatasi kompleksitas data sosiodemografi, akademik, dan minat murid yang beragam (Deleña et al., 2025).

Menghadapi kompleksitas data sosiodemografi, akademik, dan minat murid yang sangat beragam, solusi manual tidak lagi memadai. Oleh karena itu, dikembangkanlah Sistem Informasi Klasifikasi Status Paska Lulus (SIKLUS). SIKLUS merupakan sebuah sistem berbasis web yang mengadopsi teknologi kecerdasan buatan (Artificial Intelligence), khususnya cabang Machine Learning, untuk memberikan klasifikasi dan prediksi arah status paska lulus bagi murid tingkat akhir (Bekerja, Melanjutkan Studi, atau Wirausaha). Penerapan ML dalam karier rekomendasi bertujuan untuk meningkatkan akurasi dan personalisasi (Trujillo et al., 2025). 

Berdasarkan paparan sebelumnya maka penelitian pengembangan sistem ini memiliki rumusan pertanyaan penelitian bagaimana sistem prediksi dikembangkan, bagaimana evaluasi performa algoritma dan pemanfaatan sistem pada ekosistem sekolah.

Arsitektur Ensamble Machine Learning

Tahapan penelitian menggunakan SIKLUS model machine learning yang terdiri dari lima tahapan utama (Charan et al., 2025) meliputi pengumpulan data, pemisahan data, implementasi ensamble machine learning dengan voting classifier, pelatihan model dasar (base estimator), evaluasi model. Metode ensamble machine learning merupakan metode yang menggabungkan beberapa algoritma untuk mencapai akurasi tinggi (Mushtaq et al., 2022). Sistem yang dibangun menggunakan pendekatan Ensemble Machine Learning dengan metode Voting Classifier berskema Soft Voting. SIKLUS menggabungkan kekuatan dari dua algoritma prediktif terkemuka. 

• Random Forest (RF): Algoritma ini sangat unggul dalam menangani data dengan dimensi tinggi. RF bekerja menggunakan teknik Bagging (Bootstrap Aggregating) untuk membangun sejumlah besar pohon keputusan yang tidak berkorelasi. Model ini sangat efektif untuk mengukur tingkat kepentingan fitur (feature importance) dan sangat tangguh terhadap data yang bising (noise) (Akilandeswari et al., 2023; Charan et al., 2025; Hulaifah Al Abrori & Subhiyakto, 2025; Liang et al., 2024; Magdalena Rafu Mamulak et al., 2024; Mu et al., 2024; Satria et al., 2024; Utami et al., 2024).
• Logistic Regression (LR): Sebagai model dasar yang kuat untuk klasifikasi, LR memberikan kemampuan dalam menyediakan probabilitas output yang sangat mudah diinterpretasikan. LR bekerja dengan memetakan kombinasi linear dari fitur input ke dalam rentang probabilitas menggunakan fungsi sigmoid (Charan et al., 2025; Hulaifah Al Abrori & Subhiyakto, 2025; Kristen Jaskie et al., 2019; Mu et al., 2024; Singh & Alhulail, 2022a, 2022b, 2022c; Xiaonan Zou et al., 2019).

Kinerja dan Akurasi Model

Berdasarkan hasil pengujian pada set data uji (testing set), metode ensemble ini terbukti mengungguli penggunaan model tunggal. Hasil evaluasi menunjukkan bahwa sistem mampu mencapai akurasi sebesar 81%. Berikut adalah representasi ringkasan evaluasi performa model klasifikasi SIKLUS:

Akurasi Hasil Metode

Berdasarkan hasil evaluasi model yang ditunjukkan pada Gambar 1, pendekatan Ensemble Machine Learning menggunakan metode Voting Classifier dengan strategi Soft Voting menunjukkan kinerja yang unggul dibandingkan model tunggal. Hal ini tercermin dari peningkatan nilai metrik evaluasi, meliputi akurasi, presisi, recall, dan F1-score pada data uji. Peningkatan performa ini mengindikasikan bahwa integrasi beberapa algoritma klasifikasi mampu mengurangi bias dan varians model, sehingga menghasilkan prediksi yang lebih stabil dan generalizable terhadap data yang belum pernah dilihat sebelumnya.

Secara khusus, kombinasi antara algoritma Random Forest dan Logistic Regression memberikan kontribusi signifikan dalam meningkatkan kualitas klasifikasi. Random Forest berperan dalam menangkap hubungan non-linear serta interaksi kompleks antar variabel, sedangkan Logistic Regression memberikan estimasi probabilitas yang interpretable terhadap masing-masing kelas. Sinergi kedua algoritma dalam skema soft voting memungkinkan agregasi probabilitas prediksi yang lebih akurat.

Aplikasi SIKLUS berbasis WEB berhasil dikembangkan dan dapat menampilkan prediksi murid paska lulus SMK. Hasil pembuatan aplikasi SIKLUS terjadi pada Gambar 2. Uji aplikasi dilakuakan pada guru dan murid yang ada di SMK Negeri 2 Salatiga. 

APLIKASI SIKLUS 

Inti dari pengembangan aplikasi SIKLUS adalah untuk memberikan alat bantu (decision support system) bagi para guru dan konselor sekolah. Kehadiran SIKLUS merevolusi cara guru mengarahkan siswa, beralih dari sekadar reaktif menjadi sangat proaktif dan terencana. Sistem yang telah dibangun ini dapat mempermuydah guru BK dan wali kelas melakukan beberapa tahapan penting dalam bimbingan murid:

1. Input Data Komprehensif: Guru mengumpulkan dan memasukkan data multidimensi murid yang meliputi nilai rapor, jenis kelamin, usia, pilihan jurusan (misalnya Bisnis Konstruksi dan Properti), aktivitas ekstrakurikuler (misalnya Basket), dan data sosiodemografi seperti tingkat penghasilan orang tua.
2. Pemrosesan Prediksi: Melalui antarmuka web SIKLUS yang ramah pengguna (user-friendly), guru hanya perlu menekan tombol prediksi. Sistem dalam hitungan detik akan mengklasifikasikan kecondongan siswa tersebut.
3. Konseling Berbasis Bukti: Apabila sistem memprediksi seorang siswa memiliki kecondongan yang kuat di jalur "Melanjutkan Pendidikan", guru dapat segera menyusun sesi bimbingan untuk mempersiapkan siswa tersebut menghadapi seleksi perguruan tinggi, memberikan informasi beasiswa, dan menyeleksi universitas yang sesuai dengan jurusan vokasinya. Sebaliknya, jika siswa diprediksi "Bekerja", guru dapat memfokuskan persiapan wawancara kerja, penyusunan CV industri, serta menyalurkannya pada program magang di mitra industri yang tepat.

Sebagai sebuah decision support system , kehadiran SIKLUS bertujuan untuk merevolusi pendekatan bimbingan karir yang selama ini menghadapi kendala karena masih bersifat manual dan reaktif. Dengan memanfaatkan teknologi Ensemble Machine Learning, sistem ini membantu menggeser pola bimbingan menjadi lebih proaktif, terencana, dan personal. Perbedaan mendasar serta keunggulan intervensi menggunakan SIKLUS dibandingkan metode konvensional dapat dilihat secara rinci pada tabel berikut:

Tabel 1 Perbandingan Metode

Dampak Strategis bagi Ekosistem Sekolah

Pemanfaatan SIKLUS tidak hanya berhenti di ruang bimbingan konseling. Secara makro, implementasi model prediktif ini memberikan kontribusi yang sangat besar pada aspek manajemen pendidikan berbasis data (data-driven decision making) bagi kepala sekolah dan jajaran manajemen institusi.

1. Penyesuaian Kurikulum

Jika data analitik SIKLUS secara agregat menunjukkan bahwa sejumlah besar siswa dari jurusan tertentu memiliki probabilitas tinggi untuk gagal terserap di dunia kerja, pihak manajemen sekolah dapat melakukan audit kurikulum secara dini. Sekolah dapat membedah apakah ada kompetensi industri terkini yang belum diajarkan kepada siswa, sehingga kurikulum dapat segera disesuaikan (di-update) sebelum siswa tersebut lulus.

1. Optimalisasi Program Link and Match

Dengan mengetahui lebih awal persentase siswa yang siap kerja versus yang berniat wirausaha, sekolah dapat merencanakan kerja sama kemitraan yang lebih strategis. Jika minat wirausaha diprediksi tinggi, sekolah dapat lebih banyak mengundang praktisi bisnis lokal dan menyediakan ruang inkubator bisnis di sekolah. Sebaliknya, jika tren kerja lebih dominan, sekolah harus memperluas MoU dengan berbagai perusahaan untuk penempatan magang (Prakerin) dan rekrutmen jalur khusus.

Uji Coba SIKLUS oleh Murid dan Guru

Tantangan dan Rekomendasi Pengembangan Berkelanjutan

Meskipun SIKLUS telah membuktikan keandalannya dengan tingkat akurasi 81%, inovasi teknologi dalam ranah pendidikan (Educational Data Mining) harus terus dikembangkan. Untuk mencapai performa yang semakin sempurna, ada beberapa rekomendasi esensial untuk pengembangan sistem ini di masa depan:

• Pengayaan Variabel Dataset: Untuk membuat prediksi lebih akurat, sangat disarankan untuk mengintegrasikan data psikologis (hasil tes minat dan bakat), asesmen gaya belajar, dan evaluasi performa saat siswa menjalani masa magang industri.
• Eksplorasi Algoritma Lanjutan: Meskipun paduan Random Forest dan Logistic Regression terbukti ampuh, pengembangan berikutnya dapat membandingkan performa model dengan algoritma ensemble terkini lainnya seperti Gradient Boosting atau XGBoost.
• Peningkatan UI/UX: Visualisasi data tingkat lanjut (seperti dashboard analitik komprehensif) perlu ditambahkan agar pemangku kepentingan tingkat manajemen (seperti Kepala Sekolah dan Pengawas) dapat membaca tren keterserapan secara agregat dengan lebih intuitif.

Berdasarkan hasil penelitian dan pengembangan yang telah dilakukan, dapat disimpulkan bahwa penerapan teknologi Ensemble Machine Learning pada Sistem Informasi Klasifikasi Status Paska Lulus (SIKLUS) terbukti sangat efektif dalam memprediksi arah karir siswa SMK paska lulus (Bekerja, Melanjutkan Studi, atau Wirausaha). Dengan mengintegrasikan algoritma Random Forest dan Logistic Regression melalui metode Voting Classifier berskema Soft Voting, sistem ini mampu menekan bias dan varians, sehingga menghasilkan tingkat akurasi prediksi yang tinggi sebesar 81%.

Kehadiran aplikasi SIKLUS berhasil menjadi decision support system yang andal bagi ekosistem sekolah. Sistem ini merevolusi pendekatan bimbingan karir yang selama ini cenderung manual dan reaktif menjadi lebih proaktif, dini, dan preskriptif. Bagi guru Bimbingan Konseling (BK), sistem ini memfasilitasi intervensi karir yang tepat sasaran dan terpersonalisasi. Di tingkat manajemen makro, pemanfaatan sistem ini mendukung pengambilan keputusan berbasis data (data-driven decision making) untuk keperluan penyesuaian kurikulum dan optimalisasi kerja sama industri melalui program Link and Match, sehingga tujuan pendidikan vokasi untuk mencapai tingkat keterserapan yang tinggi dan Pekerjaan Layak (Decent Work) dapat terwujud.

Untuk penyempurnaan dan pengembangan sistem di masa mendatang, terdapat beberapa saran yang dapat direkomendasikan, antara lain:

1. Pengayaan Variabel Dataset: Akurasi prediksi di masa depan dapat ditingkatkan dengan mengintegrasikan lebih banyak fitur kualitatif, seperti hasil tes psikologis (minat dan bakat siswa), asesmen gaya belajar, dan evaluasi performa kinerja selama Praktik Kerja Lapangan (magang industri).
2. Eksplorasi Algoritma Berkelanjutan: Walaupun perpaduan Random Forest dan Logistic Regression sudah memberikan hasil yang optimal, penelitian selanjutnya perlu mengeksplorasi dan mengkomparasi model dengan algoritma ensemble tingkat lanjut lainnya seperti Gradient Boosting, AdaBoost, atau XGBoost.
3. Peningkatan Fitur Antarmuka (UI/UX): Perlu adanya penambahan fitur dashboard analitik visual yang komprehensif pada aplikasi SIKLUS agar pemangku kebijakan (Kepala Sekolah, Pengawas, maupun Dinas Pendidikan) dapat memantau agregat tren keterserapan secara real-time dan intuitif.

Perluasan Implementasi Skala Makro: Diharapkan sistem ini tidak hanya diterapkan di SMK Negeri 2 Salatiga, melainkan dapat direplikasi atau diintegrasikan di berbagai Sekolah Menengah Kejuruan lainnya untuk membantu memetakan dan menuntaskan masalah pengangguran lulusan vokasi secara nasional.