Prediksi Performa Akademik Siswa Pada Pelajaran Matematika Menggunakan Bayesian Networks dan Algoritma Klasifikasi Machine Learning
| dc.contributor.author | Sari, Betha Nurina | |
| dc.date.accessioned | 2017-06-17T06:18:10Z | |
| dc.date.available | 2017-06-17T06:18:10Z | |
| dc.date.issued | 2017-03-18 | |
| dc.identifier.citation | Aminian, M., Couvin, D., Shabbeer, A., Hadley, K., Vandenberg, S., Rastogi, N., & Bennett, K. P. (2014). Predicting Mycobacterium tuberculosis Complex Clades Using Knowledge-Based Bayesian Networks, 2014. Cortez, P., Silva, A., Trees, D., & Forest, R. (2008). Using Data Mining to Predict Secondary School Student Performance, 2003(2000). Korb, K. B., & Nicholson, A. E. (2011). Bayesian Artificial Intelligence (second edi). CRC Press. Kuschner, K. W., Malyarenko, D. I., Cooke, W. E., Cazares, L. H., Semmes, O. J., & Tracy, E. R. (2010). A Bayesian network approach to feature selection in mass spectrometry data. Sari, B. N. (2016). Implementasi Teknik Seleksi Fitur Information Gain Pada Algoritma Klasifikasi Machine Learning untuk Prediksi Perfomasi Akademik Siswa, 6–7. Transition, T., Osmanbegović, E., & Suljić, M. (2014). Determining Dominant Factor for Students Performance Prediction by Using Data Mining, XVII, 147–158. | in_ID |
| dc.identifier.issn | 2502-6526 | |
| dc.identifier.uri | http://hdl.handle.net/11617/8818 | |
| dc.description.abstract | Mengidentifikasi data yang relevan agar bisa memprediksi performa akademik siswa merupakan hal yang menarik untuk diteliti. Penelitian ini menggunakan data akademik dan personal siswa menengah pada nilai mata pelajaran matematika di Portugal. Tujuan penelitian ini adalah mempelajari bagaimana Bayesian Networks diterapkan agar dapat menentukan keterkaitan antar variabel dan mengetahui variabel apa saja yang berpengaruh, lalu digunakan sebagai teknik seleksi fitur. Struktur graf Bayesian Networks yang divisualisasikan menggunakan software CaMML versi 1.4.1 dan package J-API. Algoritma klasifikasi machine learning yang diterapkan di antaranya Random Forest, MLP, SVM, dan Naïve Bayes. Evaluasi prediksi dilakukan dengan membandingkan akurasi sebelum dan sesudah melalui pemodelan struktur graf Bayesian Networks. Terdapat sebelas struktur Graf Bayesian Networks yang terbentuk dari eksperimen tahap pertama dan digunakan untuk langkah menyeleksi variabel yang relevan. Eksperimen tahap kedua menggunakan 10 fold cross validation menunjukkan bahwa model dari struktur graf Bayesian Networks dapat meningkatkan performa algoritma klasifikasi machine learning dalam memprediksi performa akademik siswa.Hasil penelitian ini juga menunjukkan ada 25 variabel yang efektif untuk memprediksi perfoma akademik siswa pada mata pelajaran matematika | in_ID |
| dc.language.iso | id | in_ID |
| dc.publisher | Program Studi Pendidikan Matematika Fakultas Keguruan dan Ilmu Pendidikan Universitas Muhammadiyah Surakarta | in_ID |
| dc.subject | bayesian networks | in_ID |
| dc.subject | klasifikasi | in_ID |
| dc.subject | performa akademik siswa | in_ID |
| dc.subject | prediksi | in_ID |
| dc.title | Prediksi Performa Akademik Siswa Pada Pelajaran Matematika Menggunakan Bayesian Networks dan Algoritma Klasifikasi Machine Learning | in_ID |
| dc.type | Article | in_ID |
Files in this item
This item appears in the following Collection(s)
-
Prosiding Konferensi Nasional Penelitian Matematika dan Pembelajarannya (KNPMP) II 2017
Inovasi Matematika dan Pembelajarannya untuk Indonesia yang Berkemajuan