PREDIKSI PERFORMA AKADEMIK PESERTA DIDIK DALAM PEMBELAJARAN ONLINE MENGGUNAKAN ALGORITMA GENETIK
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 per...
Saved in:
Main Author: | |
---|---|
Format: | Book |
Published: |
2022-08-11.
|
Subjects: | |
Online Access: | Link Metadata |
Tags: |
Add Tag
No Tags, Be the first to tag this record!
|
MARC
LEADER | 00000 am a22000003u 4500 | ||
---|---|---|---|
001 | repoupi_76239 | ||
042 | |a dc | ||
100 | 1 | 0 | |a Fahmi Jabbar, - |e author |
245 | 0 | 0 | |a PREDIKSI PERFORMA AKADEMIK PESERTA DIDIK DALAM PEMBELAJARAN ONLINE MENGGUNAKAN ALGORITMA GENETIK |
260 | |c 2022-08-11. | ||
500 | |a http://repository.upi.edu/76239/8/S_TE_1801389_Title.pdf | ||
500 | |a http://repository.upi.edu/76239/2/S_TE_1801389_Chapter1.pdf | ||
500 | |a http://repository.upi.edu/76239/3/S_TE_1801389_Chapter2.pdf | ||
500 | |a http://repository.upi.edu/76239/4/S_TE_1801389_Chapter3.pdf | ||
500 | |a http://repository.upi.edu/76239/5/S_TE_1801389_Chapter4.pdf | ||
500 | |a http://repository.upi.edu/76239/6/S_TE_1801389_Chapter5.pdf | ||
500 | |a http://repository.upi.edu/76239/7/S_TE_1801389_Appendix.pdf | ||
520 | |a 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). | ||
546 | |a en | ||
546 | |a en | ||
546 | |a en | ||
546 | |a en | ||
546 | |a en | ||
546 | |a en | ||
546 | |a en | ||
690 | |a L Education (General) | ||
690 | |a QA76 Computer software | ||
690 | |a TK Electrical engineering. Electronics Nuclear engineering | ||
655 | 7 | |a Thesis |2 local | |
655 | 7 | |a NonPeerReviewed |2 local | |
787 | 0 | |n http://repository.upi.edu/76239/ | |
787 | 0 | |n http://repository.upi.edu | |
856 | |u https://repository.upi.edu/76239 |z Link Metadata |