PREDIKSI PERFORMA AKADEMIK PESERTA DIDIK DALAM PEMBELAJARAN ONLINE MENGGUNAKAN ALGORITMA GENETIK

• Main Author: Fahmi Jabbar, - (Author)
• Format: Book
• Published: 2022-08-11.
• Subjects: Thesis; NonPeerReviewed
• Online Access: Link Metadata
• Notes: http://repository.upi.edu/76239/8/S_TE_1801389_Title.pdf; http://repository.upi.edu/76239/2/S_TE_1801389_Chapter1.pdf; http://repository.upi.edu/76239/3/S_TE_1801389_Chapter2.pdf; http://repository.upi.edu/76239/4/S_TE_1801389_Chapter3.pdf; http://repository.upi.edu/76239/5/S_TE_1801389_Chapter4.pdf; http://repository.upi.edu/76239/6/S_TE_1801389_Chapter5.pdf; http://repository.upi.edu/76239/7/S_TE_1801389_Appendix.pdf
• Keywords: L Education (General); QA76 Computer software; TK Electrical engineering. Electronics Nuclear engineering

Pada penelitian ini penulis mengusulkan penggunaan algoritma genetik untuk memprediksi performa akademik peserta didik dalam pembelajaran online. Dengan penggunaan algoritma genetik, model prediksi yang dihasilkan dapat menjadi lebih optimal dan memberikan informasi prediksi yang akurat mengenai performa akademik peserta didik sesuai dengan data kegiatannya dalam pembelajaran online. Informasi tersebut dapat digunakan oleh pengajar untuk menyusun strategi pembelajarannya kembali agar peserta didik dapat terhindar dari kegagalan dalam pembelajaran online. Penelitian ini dilaksanakan menggunakan sumber data performa akademik dari Kaggle dan dengan metodologi Cross Industry Standard Process for Data Mining (CRISP-DM). Tahapan-tahapan dari metodologi tersebut adalah bussiness understanding, data understanding, data preparation, modelling, evaluation, dan deployment. Dengan menggunakan algoritma SVM sebagai base model dan di optimalisasi oleh algoritma genetik, hasil dari penelitian ini menghasilkan model prediksi dengan akurasi sebesar 89.5% dengan nilai hyperparameter C = 71 dan gamma = 0.325. Selain itu nilai f1-score pada masing-masing kelas yakni Low = 90.19%, Mid = 88.08%, dan High = 91.22% yang menandakan bahwa model tersebut memiliki performa yang cukup baik. Selain itu fitur yang paling berpengaruh terhadap prediksi dengan model tersebut adalah fitur ketidakhadiran (StudentAbsenceDays).