Hasil Pencarian  ::  Simpan CSV :: Kembali

Abstrak :
Kinerja mahasiswa adalah bagian penting dari suatu perguruan tinggi. Hal ini dikarenakan salah satu kriteria  perguruan tinggi yang berkualitas didasarkan pada  prestasi akademik yang baik. Tahun pertama perkuliahan adalah periode mahasiswa untuk meletakkan dasar atau fondasi yang selanjutnya akan mempengaruhi keberhasilan akademik karena tahun pertama memainkan peran penting dalam membentuk sikap dan kinerja siswa di tahun-tahun berikutnya. Pada Penelitian ini, pendekatan Semi-supevised Learning digunakan dalam mengklasifikasi kinerja mahasiswa tahun pertama di Departemen Matematika, Universitas Indonesia. Kinerja Mahasiswa dibagi menjadi dua kategori, yaitu sedang dan tinggi. Sampel pada penelitian ini adalah 140 mahasiswa tahun pertama dengan menggunakan 27 fitur. Ada dua proses yang digunakan, yaitu proses clustering dan klasifiksi. Pada proses clustering, mahasiswa dibagi menjadi tiga cluster/kelompok menggunakan K-Means Clustering. Sedangkan dalam proses klasifikasinya menggunakan Naïve Bayes Classifier. Kinerja algoritma yang diusulkan menghasilkan nilai akurasi 96.67% dan sensitifitas 94.44%.

---

Students performance is an essential part of a higher learning institution because one of the criteria for a high-quality university is based on its excellent record of academic achievements. The first- year of the lecture is the student period in laying the foundation that will affect academic success because first-year plays an important role in shaping the attitudes and performance of students in the following years. In this study, a semi-supervised learning approach is used to classify the performance of first-year students in the Department of Mathematics, Universitas Indonesia. Student performance will be divided into two categories, namely medium and high. The sample in this study consist of 140 first-year students with 27 features. There are two processes used i.e. clustering and the classification process. In the clustering process, the data is divided into three clusters using K-Means Clustering and the Naïve Bayes Classifier is chosen to classify it. The performance of the proposed algorithms is stated by accuracy and sensitivity value i.e. 96.67% and 94.44% respectively.

Abstrak :
Pandemi Covid-19 memberikan perubahan besar pada bidang Pendidikan. Perubahan tersebut adalah proses pembelajaran berubah menjadi pembelajaran dalam jaringan (daring). Dalam melaksanakan pembelajaran daring, mahasiswa Universitas Indonesia (UI) menggunakan sistem E-learning Management Systems (EMAS). Perubahan proses pembelajaran memberikan kekhawatiran terhadap kinerja mahasiswa dalam mengikuti pembelajaraan daring. Kinerja mahasiswa dapat diprediksi menggunakan salah satu metode pada Machine Learning, yaitu Random Forest. Metode Random Forest membuat sekumpulan Decision Tree dan menggabungkan pohon (tree) yang dibangun menjadi hutan (forest). Random Forest menggunakan hasil prediksi dari setiap Decision Tree, kemudian dipilih hasil prediksi terbanyak (majority vote) sebagai hasil akhir. Dalam skripsi ini, data yang digunakan adalah data rekapitulasi aktivitas mahasiswa menggunakan EMAS. Data dipisahkan menjadi dua data berdasarkan periode masa pembelajaran mata kuliah daring X. Pada periode 1 digunakan data dari minggu ke-1 hingga ke-4, sedangkan periode 2 data dari minggu ke-1 hingga ke-8. Model Random Forest terbaik didapatkan berdasarkan nilai G-Mean tertinggi. Nilai G-Mean menunjukkan keseimbangan antara kinerja klasifikasi pada data kelas mayoritas maupun minoritas. Hasil terbaik dalam memprediksi kinerja mahasiswa dengan model Random Forest adalah data periode 1 dengan nilai G-Mean tertinggi sebesar 0,9888. Periode waktu terbaik dalam memprediksi kinerja mahasiswa dilakukan pada empat minggu pertama masa pembelajaran mata kuliah daring X. ......The Covid-19 pandemic has brought major changes to the education sector. The change is that the learning process turns into online learning. In carrying out online learning, University of Indonesia (UI) students use the E-learning Management Systems (EMAS) system. Changes in the learning process raise concerns about student performance in participating in online learning. Student performance can be predicted using one of the methods in Machine Learning, namely Random Forest. The Random Forest method creates a set of Decision Trees and combines the trees that were built into a forest. Random Forest uses the predicted results from each Decision Tree, then chooses the most prediction results (majority vote) as the final result. In this study, the data used is a data recapitulation of student activities using EMAS. The data are separated into two data based on the learning period of the online course X. In period 1, data from the 1st to 4th week is used, while the 2nd period of data is from the 1st to the 8th week. The best Random Forest model was obtained based on the highest G-Mean value. The G-Mean value shows the balance between classification performance on the majority and minority class data. The best result in predicting student performance with the Random Forest model is period 1 data with the highest G-Mean value of 0.9888. The best time period for predicting student performance is in the first four weeks of the online course X.