ARIFIN, Muhammad and Widowati, Widowati and Farikhin, Farikhin (2024) MODEL EDUCATIONAL DATA MINING BERBASIS GRADIENT BOOSTED TREES UNTUK PREDIKSI PERFORMA AKADEMIK MAHASISWA. Doctoral thesis, UNIVERSITAS DIPONEGORO.

	Text 1. Arifin COVER.pdf Download (1MB)
	Text 2. Arifin Bab 1.pdf Download (1MB)
	Text 3. Arifin Bab 2.pdf Download (2MB)
	Text 4. Arifin Bab 3.pdf Restricted to Repository staff only Download (1MB)
	Text 5. Arifin Bab 4.pdf Restricted to Repository staff only Download (7MB)
	Text 6. Arifin Bab 5.pdf Restricted to Repository staff only Download (757kB)
	Text 7. Arifin Daftar Pustaka.pdf Download (517kB)
	Text 8. Arifin Lampiran.pdf Restricted to Repository staff only Download (699kB)

Abstract

Pendidikan memberikan dampak yang sangat penting terhadap pertumbuhan ekonomi suatu bangsa karena pendidikan berperan besar dalam menentukan kualitas tenaga kerja. Penggunaan teknologi informasi pada dunia pendidikan menghasilkan sejumlah data besar yang berkaitan dengan mahasiswa dalam bentuk elektronik. Sangat penting bagi pemangku kepentingan untuk secara efektif mengubah kumpulan data ini menjadi informasi yang membantu pengajar, administrator, dan pembuat kebijakan untuk menganalisisnya guna meningkatkan kualitas pengambilan keputusan. (Educational Data Mining) EDM adalah disiplin ilmu yang berkembang, berkaitan dengan perluasan metode Data Mining klasik dan mengembangkan metode baru untuk menemukan data yang berasal dari sistem pendidikan. Prediksi performa akademik mahasiswa bertujuan untuk memperkirakan nilai yang tidak diketahui dari variabel yang menggambarkan mahasiswa. Nilai-nilai yang biasanya diprediksi adalah performa, skor, atau nilai. Memprediksi performa akademik mahasiswa dapat membantu mahasiswa dan pengajar dalam melacak kemajuan mahasiswa. Penelitian dalam memprediksi performa akademik mahasiswa berusaha untuk menemukan fitur yang memiliki pengaruh terhadap performa akademik mahasiswa. Data performa akademik mahasiswa sebagian besar menggunakan dua jenis kumpulan data yaitu data dari database perguruan tinggi dan platform pembelajaran online. Penelitian ini bertujuan untuk membangun sistem informasi dengan menggunakan model regresi berbasis algoritma boosting untuk memprediksi performa akademik dan menggabungkan fitur akademik dan non-akademik, selanjutnya menemukan apakah fitur-fitur tersebut berpengaruh terhadap performa akademik mahasiswa. Hasil penelitian menunjukkan bahwa model yang diusulkan memiliki tingkat kesalahan paling kecil dibandingkan dengan model yang dibangun menggunakan algoritma generalized linear model, deep learning, decision tree, random forest, dan support vector machine, selain itu setelah dilakukan optimasi tingkat kesalahan dari model semakin kecil. Gabungan fitur akademik dan non-akademik masing-masing memiliki pengaruh terhadap prediksi sehingga fitur-fitur ini dapat digunakan untuk memprediksi performa akademik mahasiswa. Sistem informasi prediksi ini dapat memudahkan pengguna untuk memprediksi performa akademik mahasiswa.
Kata kunci: Model Regresi, Algoritma Boosting, GBT, EDM, Prediksi Performa Akademik Mahasiswa, LMS, akademik, non-akademik

Education holds a critically significant impact on a nation's economic growth as it plays a major role in determining the quality of the workforce. The integration of information technology in the field of education generates substantial electronic data related to students. Effectively transforming this data into meaningful information is crucial for stakeholders, aiding educators, administrators, and policymakers in analysis for enhanced decision-making quality. Educational Data Mining (EDM) is an evolving scientific discipline, involved in extending classical Data Mining methods and developing new methods to unearth data originating from the education system. Student academic performance prediction aims to estimate unknown values of variables describing students. The values typically predicted include performance, scores, or grades. Predicting student academic performance can assist students and teachers in monitoring student progress. Research in predicting student academic performance seeks to identify influential features on student performance. Student academic performance data largely leverages two types of datasets: data from university databases and online learning platforms. This research aims to build an information system using a regression model based on a boosting algorithm to predict academic performance, combining academic and non-academic features. Subsequently, the research aims to determine the impact of these features on student academic performance. The research results indicate that the proposed model has the smallest error rate compared to models built using generalized linear model algorithms, deep learning, decision trees, random forests, and support vector machines. Furthermore, after optimization, the model's error rate decreases. The combination of academic and non-academic features each has an impact on predictions, indicating their utility in predicting student academic performance. This predictive information system facilitates users in predicting student academic performance.
Keywords: Regression models, Boosting algorithm, GBT, EDM, Predicting student academic performance, LMS, Academic, Non-academic

Actions (login required)

View Item