Application of Data mining to Prediction of Timeliness Graduation of Students (A Case Study)

Wirawan, Chandra; Khudzaeva, Eva; Hasibuan, Tuhfatul Habibah; Karjono,; Lubis, Yeni Hilmi Khairani

doi:10.1109/citsm47753.2019.8965425

Cited by 5 publications

(5 citation statements)

References 5 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…By comparing with the Bayesian model, multi-layer perceptron, integrated algorithm, and decision tree algorithm, they prove the advantages of the proposed framework in student graduation prediction. Wirawan et al (2019) design experiments to predict the timeliness of graduation through the C4.5 algorithm, naive Bayes, and k-NN. As mentioned before, this kind of research has more application value than theoretical innovation.…”

Section: Methods For Predicting Difficulty In Graduationmentioning

confidence: 99%

Educational Anomaly Analytics: Features, Methods, and Challenges

et al. 2022

View full text Add to dashboard Cite

Anomalies in education affect the personal careers of students and universities' retention rates. Understanding the laws behind educational anomalies promotes the development of individual students and improves the overall quality of education. However, the inaccessibility of educational data hinders the development of the field. Previous research in this field used questionnaires, which are time- and cost-consuming and hardly applicable to large-scale student cohorts. With the popularity of educational management systems and the rise of online education during the prevalence of COVID-19, a large amount of educational data is available online and offline, providing an unprecedented opportunity to explore educational anomalies from a data-driven perspective. As an emerging field, educational anomaly analytics rapidly attracts scholars from a variety of fields, including education, psychology, sociology, and computer science. This paper intends to provide a comprehensive review of data-driven analytics of educational anomalies from a methodological standpoint. We focus on the following five types of research that received the most attention: course failure prediction, dropout prediction, mental health problems detection, prediction of difficulty in graduation, and prediction of difficulty in employment. Then, we discuss the challenges of current related research. This study aims to provide references for educational policymaking while promoting the development of educational anomaly analytics as a growing field.

show abstract

Section: Methods For Predicting Difficulty In Graduationmentioning

confidence: 99%

Educational Anomaly Analytics: Features, Methods, and Challenges

et al. 2022

View full text Add to dashboard Cite

show abstract

“…Atribut prediksi terdiri dari Gender,Program Studi,Type_school ,Major_SLTA,Region, IPSmt 1, IPSmt 2, IPSmt 3, IPSmt 4, dan 1 atribut kelas yaitu graduation yang berisi klasifikasi graduation/kelulusan mahasiswa yaitu on time dan not on time.Metode yang digunakan adalah C4.5. Dari penelitian ini diperoleh tingkat akurasi algoritma C4.5 dalam memprediksi kelulusan mahasiswa sebesar 89,82% [12]. Penelitian berikutnya tentang "Analisis C4.5 Pada Klasifikasi CART Ketidaktepatan Waktu Kelulusan Mahasiswa Universitas Terbuka".…”

Section: Pendahuluanunclassified

Prediksi Kelulusan Mahasiswa Tepat Waktu Menggunakan Algoritma C4.5 Pada Uin Syarif Hidayatullah Jakarta

Hasibuan¹,

Mahdiana²

2023

SKANIKA

View full text Add to dashboard Cite

Kelulusan tepat waktu adalah salah satu indikator keberhasilan mahasiswa dalam memperoleh gelar sarjana. Dalam praktiknya, mahasiswa tidak dapat selalu menyelesaikan pendidikan sarjana dalam empat tahun. Kelulusan tepat waktu adalah salah satu indikator penilaian kualitas pendidikan tinggi karena salah satu penilaian akreditasi Badan Akreditasi Pendidikan Tinggi Nasional (BANPT). Jumlah lulusan dalam 7 tahun terakhir mahasiswa S-1 yang lulus tepat waktu tidak mencapai 50%. Dalam jangka panjang, hal ini dapat menyebabkan penumpukan mahasiswa di UIN Syarif Hidayatullah di Jakarta dan tentu saja akan menghasilkan penurunan nilai akreditasi untuk Program Studi dan Universitas. Dalam penelitian ini, digunakan teknik data mining, algoritma C4.5 untuk mendeteksi lebih dini mahasiswa yang lulus terlambat, Algoritma C4.5 adalah algoritma yang sudah banyak dikenal dan digunakan untuk klasifikasi data yang memiliki atribut-atribut numerik dan kategorial. Pada penelitian ini menghasilkan Algoritma C4.5 dapat memprediksi kelulusan mahasiswa tepat waktu dengan nilai Accuracy 75,52 %, Precision 75,50%, dan Recall 75,50 %.

show abstract

“…Algoritma Naive Bayes adalah yang paling akurat, diikuti oleh algoritma C4.5, sedangkan algoritma RIPPER memiliki akurasi terendah. Penerapan Data mining Untuk Prediksi Ketepatan Waktu Kelulusan Mahasiswa (Wirawan et al, 2019), penelitian ini membandingkan tiga teknik penambangan data untuk memprediksi tingkat kelulusan siswa tepat waktu dan menyarankan menggunakan metode pohon keputusan untuk akurasi tertinggi. Nilai akurasi model adalah 89,82%, dan nilai presisi metode pohon keputusan adalah 52,63%.…”

Section: Tinjauan Pustakaunclassified

Pola Prediksi Kelulusan Siswa Madrasah Aliyah Swasta dengan Support Vector Machine dan Random Forest

Darmawan,

Yudhisari,

Anwari

et al. 2023

jmp

View full text Add to dashboard Cite

Kelulusan Siswa adalah salah satu indikator penting bagi kinerja keberhasilan sekolah. Prediksi kelulusan siswa penting bagi sekolah untuk mengidentifikasi siswa yang beresiko putus sekolah dan memberi mereka intervensi dini untuk meningkatkan kinerja akademik mereka. Ini juga dapat membantu pemangku kebijakan mengembangkan kebijakan dan program untuk meningkatkan tingkat kelulusan sekolah dan mengurangi tingkat putus sekolah. Akan tetapi berdasarkan penelusuran pustaka terdapat berbagai permasalahan krusial terkait prediksi kelulusan siswa yaitu sulitnya memprediksi secara akurat tingkat kelulusan hanya dengan menggunakan nilai tes penerimaan, Nilai SMA merupakan prediktor yang lebih baik untuk kelulusan perguruan tinggi tepat waktu daripada nilai tes penerimaan karena kesuksesan di perguruan tinggi tidak hanya membutuhkan kemampuan kognitif tetapi juga kompetensi pengaturan diri yang lebih baik diindeks oleh nilai SMA/MA, selain itu, terdapat beberapa faktor yang dapat mempengaruhi tingkat kelulusan siswa, seperti self-efficacy, budaya akademik sekolah, dan harapan di masa depan dan akhirnya, ada kebutuhan untuk menyempurnakan model penerimaan selektif untuk menentukan ukuran pencapaian sebelumnya mana yang memiliki validitas prediktif terbaik untuk kesuksesan akademik di universitas. Penelitian ini bertujuan untuk (1)memprediksi kelulusan siswa Madrasah Aliyah Swasta(MAS) dengan Algoritma Support Vector Machine(SVM) dan Random Forest(RF) dan (2) melakukan komparasi performa algoritma SVM dan RF untuk prediksi kelulusan siswa MAS. Berdasarkan hasil penelitian yang telah dilakukan maka didapatkan kesimpulan bahwa untuk tujuan pertama algoritma SVM dan RF sangat baik dalam memprediksi kelulusan siswa MAS terlihat dari akurasi yang sangat tinggi yaitu SVM(98,98%) dan RF(99,49%). Untuk tujuan kedua didapatkan kesimpulan bahwa algoritma RF sedikit lebih baik daripada algoritma SVM dalam hasil pengukuran parameter Accuracy(99,49% vs 98,98%), Precision(99,74% vs 99,23%), Recall(99,74% vs 99,74%), F-Measure(99,74% vs 99,48%), dan Classification error(0,005 vs 0,010), akan tetapi untuk parameter waktu konsumsi SVM(0,04 detik) lebih baik daripada RF(0,26 detik). Penelitian ini memberikan kontribusi dalam 2(dua) hal, pertama secara saintifik dengan menguji algoritma SVM dan RF untuk prediksi kelulusan siswa MAS, kedua memberikan rekomendasi bagi sekolah atau MAS untuk mengembangkan model penerimaan selektif siswa

show abstract

Application of Data mining to Prediction of Timeliness Graduation of Students (A Case Study)

Cited by 5 publications

References 5 publications

Educational Anomaly Analytics: Features, Methods, and Challenges

Educational Anomaly Analytics: Features, Methods, and Challenges

Prediksi Kelulusan Mahasiswa Tepat Waktu Menggunakan Algoritma C4.5 Pada Uin Syarif Hidayatullah Jakarta

Pola Prediksi Kelulusan Siswa Madrasah Aliyah Swasta dengan Support Vector Machine dan Random Forest

Contact Info

Product

Resources

About