Development and Optimization of Deep Belief Networks Applied for Academic Performance Prediction with Larger Datasets

Sokkhey, Phauk; Okazaki, Takeo

doi:10.5573/ieiespc.2020.9.4.298

Cited by 14 publications

(10 citation statements)

References 0 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…We proposed an optimization approach composed of (i) feature selection method, (ii) optimization of hyperparameter, and (ii) regularization method. The developed model has introduced in our earlier work [27]. The improved model was found to produce the most classification results when using larger datasets.…”

Section: ) Improved Deep Belief Network (Idbn)mentioning

confidence: 99%

Developing Web-based Support Systems for Predicting Poor-performing Students using Educational Data Mining Techniques

Sokkhey¹,

Okazaki²

2020

IJACSA

Self Cite

View full text Add to dashboard Cite

The primary goal of educational systems is to enrich the quality of education by maximizing the best results and minimizing the failure rate of poor-performing students. Early predicting student performance has become a challenging task for the improvement and development of academic performance. Educational data mining is an effective discipline of data mining concerned with information integrated into the education domain. The study is of this work is to propose techniques in educational data mining and integrate it into a web-based system for predicting poor-performing students. A comparative study of prediction models was conducted. Subsequently, high performing models were developed to get higher performance. The hybrid random forest named Hybrid RF produces the most successful classification. For the context of intervention and improving the learning outcomes, a novel feature selection method named MICHI, which is the combination of mutual information and chi-square algorithms based on the ranked feature scores is introduced to select a dominant set and improve performance of prediction models. By using the proposed techniques of educational data mining, and academic performance prediction system is subsequently developed for educational stockholders to get an early prediction of student learning outcomes for timely intervention. Experimental results and evaluation surveys report the effectiveness and usefulness of the developed academic prediction system. The system is used to help educational stakeholders for intervening and improving student performance.

show abstract

Section: ) Improved Deep Belief Network (Idbn)mentioning

confidence: 99%

Developing Web-based Support Systems for Predicting Poor-performing Students using Educational Data Mining Techniques

Sokkhey¹,

Okazaki²

2020

IJACSA

Self Cite

View full text Add to dashboard Cite

show abstract

“…Sementara itu, telah dilakukan juga prediksi kinerja murid dengan target yang diprediksi adalah nilai akhir (final grade/grade point average) [34], [37], [38]. Penelitian tersebut menggunakan Root Mean Squared Error (RMSE) sebagai salah satu metrik pengukuran kinerja prediksi yang dilakukan.…”

Section: B P2: Metrik Apa Saja Yang Digunakan Untuk Mengukurunclassified

“…RMSE digunakan untuk menunjukkan perbedaan antara nilai aktual dengan nilai prediksi yang dilakukan. Final Grade Akademis, Perilaku [38] Performance Level Demografis, Akademis, Perilaku [39] Performance Level Demografis, Akademis, Perilaku [40] Final Grade Akademis, Perilaku [41] Total Grade/Mark Demografis, Akademis, Perilaku [42] Score Akademis, Perilaku [43] Grade Akademis [44] Final Grade Demografis, Akademis, Perilaku [45] Post Test Scores Akademis [46] Final Grade Demografis, Akademis, Perilaku sebagai salah satu acuan untuk mengukur kinerja murid. Jenis data yang digunakan dalam penelitian-penelitian tersebut dapat dikategorikan menjadi tiga jenis, yaitu data demografis, akademis, dan perilaku.…”

Section: B P2: Metrik Apa Saja Yang Digunakan Untuk Mengukurunclassified

“…Jenis data yang digunakan dalam penelitian-penelitian tersebut dapat dikategorikan menjadi tiga jenis, yaitu data demografis, akademis, dan perilaku. Data yang termasuk jenis data demografis di antaranya adalah jenis kelamin, usia, profil keluarga dan orang tua murid, hingga fasilitas yang dimiliki, seperti komputer/laptop dan koneksi internet [28], [38], [41], [44], [46]. Kategori jenis data perilaku di antaranya adalah aktivitas dalam pembelajaran, seperti kehadiran, raised hand, diskusi, membaca materi dan pengumuman, jumlah jam belajar mandiri yang dilakukan di luar jam kelas, hingga frekuensi murid pergi ke luar rumah bersama teman [27], [35], [38], [40], [44], [46].…”

Section: B P2: Metrik Apa Saja Yang Digunakan Untuk Mengukurunclassified

“…Data yang termasuk jenis data demografis di antaranya adalah jenis kelamin, usia, profil keluarga dan orang tua murid, hingga fasilitas yang dimiliki, seperti komputer/laptop dan koneksi internet [28], [38], [41], [44], [46]. Kategori jenis data perilaku di antaranya adalah aktivitas dalam pembelajaran, seperti kehadiran, raised hand, diskusi, membaca materi dan pengumuman, jumlah jam belajar mandiri yang dilakukan di luar jam kelas, hingga frekuensi murid pergi ke luar rumah bersama teman [27], [35], [38], [40], [44], [46]. Selanjutnya, yang termasuk data akademis di antaranya adalah strata pendidikan, kelas/tingkat/semester, kuis, tugas, dan GPA [29], [30], [34], [40], [41].…”

Section: B P2: Metrik Apa Saja Yang Digunakan Untuk Mengukurunclassified

See 2 more Smart Citations

Tinjauan Pustaka Sistematis: Implementasi Metode Deep Learning pada Prediksi Kinerja Murid

Diponegoro

Kusumawardani

Hidayah

2021

JNTETI

View full text Add to dashboard Cite

Pemanfaatan machine learning yang merupakan salah satu implementasi dalam bidang artificial intelligence telah merambah ke berbagai bidang, salah satunya adalah bidang pendidikan. Dengan menggunakan kombinasi teknik machine learning, statistik, dan basis data, dapat dilakukan educational data mining untuk mengetahui pola yang ada dalam suatu dataset tertentu. Salah satu penggunaan educational data mining adalah untuk melakukan prediksi kinerja murid. Hasil dari prediksi kinerja murid dapat digunakan sebagai salah satu instrumen untuk melakukan monitoring dan evaluasi terhadap proses pembelajaran sehingga dapat membantu menentukan langkah-langkah lanjutan dalam rangka meningkatkan proses pembelajaran. Makalah ini bertujuan untuk mengetahui state of the art implementasi deep learning yang merupakan bagian dari machine learning pada konteks educational data mining, khususnya mengenai prediksi kinerja murid. Pada makalah ini disajikan systematic literature review untuk mengetahui variasi teknik atau algoritme deep learning yang digunakan beserta kinerja yang dicapai. Dari dua puluh publikasi ilmiah yang ditelusuri, rata-rata kinerja yang dicapai dalam melakukan prediksi adalah 89,85%. Mayoritas teknik yang digunakan adalah Deep Neural Network (DNN), Recurrent Neural Network (RNN), dan Long Short-Term Memory (LSTM) dengan fitur data demografis, perilaku, dan akademis.

show abstract

Educational data mining to predict students' academic performance: A survey study

et al. 2022

View full text Add to dashboard Cite

Development and Optimization of Deep Belief Networks Applied for Academic Performance Prediction with Larger Datasets

Cited by 14 publications

References 0 publications

Developing Web-based Support Systems for Predicting Poor-performing Students using Educational Data Mining Techniques

Developing Web-based Support Systems for Predicting Poor-performing Students using Educational Data Mining Techniques

Tinjauan Pustaka Sistematis: Implementasi Metode Deep Learning pada Prediksi Kinerja Murid

Educational data mining to predict students' academic performance: A survey study

Contact Info

Product

Resources

About