digilib@itb.ac.id +62 812 2508 8800

PERANCANGAN SISTEM KLASIFIKASI PERFORMA NILAI AKHIR MATA KULIAH MAHASISWA MENGGUNAKAN AKTIVITAS LEARNING MANAGEMENT SYSTEM PADA BERBAGAI DURASI PERKULIAHAN (STUDI KASUS: MATA KULIAH PENGENALAN KOMPUTASI)

Penulis : Diah Daniaty [23221129]
Kontributor / Dosen Pembimbing :
  • Dr. Ir. Arry Akhmad Arman, M.T.
  • Prof. Yusep Rosmansyah, S.T, M.Sc., Ph.D.
  • Allya Paramita Koesoema, S.T, M.T, Ph.D.
Jenis Koleksi : Tesis
Tahun Terbit :
Penerbit : Teknik Elektro
Fakultas : Sekolah Teknik Elektro dan Informatika
Subjek :
Kata Kunci : educational data mining, prediksi kinerja mahasiswa, klasifikasi, machine learning, perguruan tinggi.
Sumber :
Staf Input/Edit : Dessy Rondang Monaomi  
File : 1 file
Tanggal Input : 03 Agu 2024

Dokumen Asli
PUBLIC Open In Flip Book Dessy Rondang Monaomi

Penggunaan komputer yang luas telah menghasilkan akumulasi dataset pendidikan yang luas dan beragam, mendorong perkembangan Education Data Mining (EDM), sebuah bidang penelitian yang berfokus pada analisis dataset pendidikan. EDM berperan penting dalam memahami fenomena pendidikan dan memprediksi hasil seperti kinerja, keterlibatan, dan tingkat putus sekolah. Retensi mahasiswa merupakan tantangan signifikan bagi institusi pendidikan tinggi, dan memprediksi kinerja mahasiswa sangat penting untuk meningkatkan tingkat retensi dan kualitas pendidikan secara keseluruhan. Meskipun banyak penelitian telah mencoba mengklasifikasikan performa nilai akhir mata kuliah mahasiswa, masih terdapat celah yang dapat diisi oleh penelitian baru. Penelitian ini bertujuan untuk merancang dan mengembangkan sistem klasifikasi performa nilai akhir mata kuliah mahasiswa menggunakan aktivitas LMS pada berbagai durasi perkuliahan, khususnya untuk mengidentifikasi mahasiswa yang berisiko tinggi mengalami putus studi. Untuk menentukan algoritma klasifikasi yang paling efektif, penelitian ini melakukan eksperimen terhadap lima algoritma klasifikasi, yaitu Support Vector Machine (SVM), Naïve Bayes (NB), Random Forest (RF), Gradient Boost (GB), dan Extra Trees. Hasil penelitian menunjukkan bahwa algoritma SVM secara akurat memprediksi mahasiswa yang berisiko pada akhir semester dengan tingkat keberhasilan sebesar 89%. Ketika analisis data yang diperoleh pada minggu ke-4, 8, dan 12 dilakukan untuk mengklasifikasikan apakah performa nilai akhir mata kuliah mahasiswa pada akhir semester dapat diprediksi pada minggu-minggu awal, ditemukan bahwa waktu optimal untuk melakukan klasifikasi performa nilai akhir mata kuliah mahasiswa adalah pada minggu ke-8. Studi ini juga menyoroti bahwa faktor-faktor akademik seperti kuis, praktikum, dan ujian memiliki dampak besar terhadap performa nilai akhir mata kuliah mahasiswa, sementara interaksi dalam Learning Management System (LMS) memiliki pengaruh yang lebih rendah. Dengan demikian, penelitian ini diharapkan dapat memberikan kontribusi penting dalam upaya meningkatkan retensi mahasiswa dan kualitas pendidikan di perguruan tinggi.

Artikel Terkait