Perbandingan Model Klasifikasi untuk Evaluasi Kinerja Akademik Mahasiswa

Rinna Rachmatika, Achmad Bisri

Abstract


Dunia pendidikan saat ini mengalami kompetisi yang begitu ketat, terutama pada era digital seperti saat ini, dimana salah satunya yaitu pendidikan tinggi yang saling berkompetisi dalam meraih peringkat terbaik. Instrumen dalam dunia pendidikan seperti penerimaan mahasiswa baru hingga kelulusan dapat dievaluasi berdasarkan kinerja mahasiswa agar terwujudnya pendidikan yang berkualitas. Pengambilan keputusan dalam evaluasi kinerja akademik mahasiswa pada kelulusan tepat waktu dan tidak tepat waktu dapat dilakukan dengan penambangan data pendidikan (educational data mining). Berbagai model klasifikasi data mining pada pendidikan telah banyak dilakukan para peneliti. Namun, secara umum sulit untuk menentukan model klasifikasi terbaik dari berbagai metode pada evaluasi kinerja akademik mahasiswa dengan kasus yang sama. Tujuan dari penelitian ini untuk menentukan model klasifikasi yang memiliki kinerja terbaik pada prediksi kelulusan mahasiswa tepat waktu yang dievaluasi berdasarkan empat dataset yaitu TI-Reg.A, TI-Reg.B, AK-Reg.A, dan AK-Reg.B. Indikator dalam evaluasi kinerja model berdasarkan peringkat rata-rata akurasi. Hasil eksperimen menunjukkan bahwa model klasifikasi random forest memiliki kinerja terbaik pada sebagian dataset dan memiliki nilai akurasi rata-rata peringkat tertinggi dibandingkan model GBT. Sedangkan, model DT, NB, k-NN, LR, NN, MLP, dan SVM memiliki kinerja yang sama baik.

Keywords


Educational Data Mining; Klasifikasi; Akademik; Kelulusan; Prediksi

Full Text:

PDF

References


C. Romero and S. Ventura, “Educational data mining and learning analytics: An updated survey,” WIREs Data Min. Knowl. Discov., vol. 10, no. 3, pp. 1–21, May 2020, doi: 10.1002/widm.1355.

A. Bisri and R. Rachmatika, “Integrasi Gradient Boosted Trees dengan SMOTE dan Bagging untuk Deteksi Kelulusan Mahasiswa,” J. Nas. Tek. Elektro dan Teknol. Inf., 2019, doi: 10.22146/jnteti.v8i4.529.

“Penerapan Adaboost untuk Penyelesaian Ketidakseimbangan Kelas pada Penentuan Kelulusan Mahasiswa dengan Metode Decision Tree,” J. Intell. Syst., 2015.

A. Azahari, Y. Yulindawati, D. Rosita, and S. Mallala, “Komparasi Data Mining Naive Bayes dan Neural Network memprediksi Masa Studi Mahasiswa S1,” J. Teknol. Inf. dan Ilmu Komput., vol. 7, no. 3, p. 443, May 2020, doi: 10.25126/jtiik.2020732093.

A. M. Shahiri, W. Husain, and N. A. Rashid, “A Review on Predicting Student’s Performance Using Data Mining Techniques,” 2015, doi: 10.1016/j.procs.2015.12.157.

B. K. Francis and S. S. Babu, “Predicting Academic Performance of Students Using a Hybrid Data Mining Approach,” J. Med. Syst., 2019, doi: 10.1007/s10916-019-1295-4.

B. Guo, R. Zhang, G. Xu, C. Shi, and L. Yang, “Predicting Students Performance in Educational Data Mining,” 2016, doi: 10.1109/ISET.2015.33.

C. Jalota and R. Agrawal, “Analysis of Educational Data Mining using Classification,” 2019, doi: 10.1109/COMITCon.2019.8862214.

N. A. Yassein, R. G. M Helali, and S. B. Mohomad, “Predicting Student Academic Performance in KSA using Data Mining Techniques,” J. Inf. Technol. Softw. Eng., 2017, doi: 10.4172/2165-7866.1000213.

A. U. Khasanah and Harwati, “A Comparative Study to Predict Student’s Performance Using Educational Data Mining Techniques,” 2017, doi: 10.1088/1757-899X/215/1/012036.

Y. Y. Song and Y. Lu, “Decision tree methods: applications for classification and prediction,” Shanghai Arch. Psychiatry, 2015, doi: 10.11919/j.issn.1002-0829.215044.

S. J. Rigatti, “Random Forest,” J. Insur. Med., 2017, doi: 10.17849/insm-47-01-31-39.1.

G. Biau, B. Cadre, and L. Rouvière, “Accelerated gradient boosting,” Mach. Learn., 2019, doi: 10.1007/s10994-019-05787-1.

S. Zhang, X. Li, M. Zong, X. Zhu, and R. Wang, “Efficient kNN classification with different numbers of nearest neighbors,” IEEE Trans. Neural Networks Learn. Syst., 2018, doi: 10.1109/TNNLS.2017.2673241.

E. Christodoulou, J. Ma, G. S. Collins, E. W. Steyerberg, J. Y. Verbakel, and B. Van Calster, “A systematic review shows no performance benefit of machine learning over logistic regression for clinical prediction models,” Journal of Clinical Epidemiology. 2019, doi: 10.1016/j.jclinepi.2019.02.004.

S. Liu et al., “Cambricon: An Instruction Set Architecture for Neural Networks,” 2016, doi: 10.1109/ISCA.2016.42.

C. Zhang et al., “A hybrid MLP-CNN classifier for very fine resolution remotely sensed image classification,” ISPRS J. Photogramm. Remote Sens., 2018, doi: 10.1016/j.isprsjprs.2017.07.014.

D. A. Pisner and D. M. Schnyer, “Support vector machine,” in Machine Learning: Methods and Applications to Brain Disorders, 2019.

S. ElAtia, D. Ipperciel, and O. R. Zaïane, Data Mining And Learning Analytics: Applications in Educational Research. 2016.

I. H. Witten, E. Frank, M. A. Hall, and C. J. Pal, Data Mining: Practical Machine Learning Tools and Techniques. 2016.




DOI: https://doi.org/10.26418/jp.v6i3.43097

Refbacks

  • There are currently no refbacks.