Hybrid Classification Algorithms for Predicting Student Performance

Kumar, Ajay; Selvam, Rajajee; Palanisamy, V.

doi:10.1109/icais50930.2021.9395974

Cited by 9 publications

(7 citation statements)

References 7 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Metode pembelajaran secara tatap muka masih disukai dan dipercaya menjadi metode utama dalam meningkatkan keterampilan karena adanya interaksi secara langsung [15]. Dalam beberapa tahun terakhir, telah banyak penelitian yang mempelajari tentang analisis perilaku dan prestasi belajar mahaiswa [20], salah satunya dengan menggunakan teknik data mining [21]- [23]. Ini dilakukan dengan menganalisis dan mempelajari pola dari data gaya belajar, perilaku, ataupun karakteristik mahasiswa di masa lalu untuk memberikan gambaran prestasi belajar di masa mendatang [20], [23].…”

Section: Pendahuluanunclassified

“…Ini dilakukan dengan menganalisis dan mempelajari pola dari data gaya belajar, perilaku, ataupun karakteristik mahasiswa di masa lalu untuk memberikan gambaran prestasi belajar di masa mendatang [20], [23]. Dengan menggunakan algoritma klasifikasi data mining, hal tersebut dapat dicapai dengan sangat baik [21], [22]. Pengetahuan yang dihasilkan dapat dimanfaatkan oleh perguruan tinggi untuk menyusun strategi pembelajaran demi menghasilkan lulusan yang berkualitas [21]- [23].…”

Section: Pendahuluanunclassified

“…Dengan menggunakan algoritma klasifikasi data mining, hal tersebut dapat dicapai dengan sangat baik [21], [22]. Pengetahuan yang dihasilkan dapat dimanfaatkan oleh perguruan tinggi untuk menyusun strategi pembelajaran demi menghasilkan lulusan yang berkualitas [21]- [23].…”

Section: Pendahuluanunclassified

See 2 more Smart Citations

Seleksi Fitur pada Supervised Learning: Klasifikasi Prestasi Belajar Mahasiswa Saat dan Pasca Pandemi COVID-19

Rahmadeyan

Mustakim

2023

TEKNOSI

View full text Add to dashboard Cite

Dampak pandemi COVID-19 membuat lembaga pendidikan mengubah metode belajar menjadi pembelajaran jarak jauh secara daring. Banyak perguruan tinggi menyatakan keprihatinannya pada prestasi akademik mahasiswanya selama selama periode tersebut, namun disisi lain terdapat mahasiswa yang merasa puas dan nyaman. Di masa pasca pandemi terjadi transisi bertahap untuk kembali ke pembelajaran tatap muka. Ini dilakukan karena pembelajaran tatap muka dianggap lebih efektif dibandingkan pembelajaran daring. Untuk meningkatkan dan memantau kemajuan prestasi akademik mahasiswa demi menghasilkan lulusan yang berkualitas, maka diperlukan analisis terkait perilaku dan prestasi belajar mahaiswa, salah satunya dengan menggunakan teknik data mining. Penelitian ini bertujuan untuk menemukan pola dan faktor yang mempengaruhi prestasi akademik mahasiswa saat dan pasca pandemi COVID-19. Chi-Square dan Mutual Information diterapkan sebagai seleksi fitur untuk menentukan fitur paling berpengaruh pada data. Data dengan fitur optimal akan dilakukan klasifikasi dengan algoritma NBC, CART, RF, dan SVM. Berdasarkan hasil dan analisis yang dilakukan, dapat disimpulkan seleksi fitur efektif dalam meningkatkan kemampuan model dan mempercepat waktu komputasi. Pemodelan dengan 4 algoritma dan 2 metode seleksi fitur menghasilkan CART dengan Chi-Square pada 2 fitur sebagai model terbaik dengan akurasi 89,00%, precision 87,72%, recall 93,57% dan waktu komputasi 0,01814s. Dibandingkan tanpa seleksi fitur, performa CART dengan Chi-Square mengalami peningkatan akurasi sebesar 3% dan waktu komputasi 0,00629s. Chi-Square menjadi seleksi fitur yang efektif pada penelitian ini, yang mana Chi-Square unggul pada rara-rata recall dan waktu komputasi dibandingkan Mutual Information.

show abstract

Section: Pendahuluanunclassified

See 1 more Smart Citation

Seleksi Fitur pada Supervised Learning: Klasifikasi Prestasi Belajar Mahasiswa Saat dan Pasca Pandemi COVID-19

Rahmadeyan

Mustakim

2023

TEKNOSI

View full text Add to dashboard Cite

show abstract

“…Then, the C4.5 method and random forest algorithm were integrated, yielding a classification accuracy of 76.4583%. Compared to individual classification algorithms, the hybrid classification algorithm is more accurate [24].…”

Section: Classification Of Algorithmsmentioning

confidence: 99%

Voting Combinations-Based Ensemble: A Hybrid Approach

Abro

Talpur

JUMANİ

et al. 2022

Celal Bayar Üniversitesi Fen Bilimleri Dergisi

View full text Add to dashboard Cite

Machine learning (ML) is a prominent and extensively researched field in the artificial intelligence area which assists to strengthen the accomplishment of classification. In this study, the main idea is to provide the classification and analysis of ML and Ensemble Learning (EL) algorithms. To support this idea, six supervised ML algorithms, C4.5 (J48), K-Nearest Neighbor (KNN), Logistic Regression (LR), Support Vector Machine (SVM), Naive Bayes (NB) and One Rule (OneR) in addition the five UCI Datasets of ML Repository, are being applied that demonstrates the robustness and effectiveness of numerous approaches. In this paper, a voting-based ensemble classifier has been proposed along with two base learners (namely, Random Forest and Rotation Forest) to progress the performance. Whereas, for analytical procedures, significant parameters have been considered: Accuracy, Area under Curve (AUC), recall, precision, and F-measure values. Hence, the prime objective of this research is to obtain binary classification and efficiency by conducting the progress of ML and EL approaches. We present experimental outcomes that validate the effectiveness of our method to well-known competitive approaches. Image recognition and ML challenges, such as binary classification, can be solved using this method.

show abstract

“…Another eight studies 23,[27][28][29][30][31][32][33] collected data from Kaggle, 34 and seven of them used dataset named xAPI-Edu-Data. 35 Two studies 36,37 used StudentPerformance 38 dataset from UCI Machine Learning Repository.…”

Section: Source Of Datamentioning

confidence: 99%

A survey on educational data mining methods used for predicting students' performance

Xiao

2021

Engineering Reports

View full text Add to dashboard Cite

Predicting students' performance is one of the most important issues in educational data mining (EDM), which has received more and more attention. By predicting students' performance, we can identify students' risk of academic failure and help instructors to take some actions such as guidance or interventions to help learners as early as possible, or carry out continual evaluation of learners as to optimize learning path or personalized learning resources recommendation. In this survey, we reviewed the 80 important studies on predicting students' performance using EDM methods in 2016-2021, synthesized the procedure of building prediction model of students' performance which contains four phases and 10 key steps, and compared and discussed the latest EDM methods used in all steps. We analyzed the challenges faced by previous studies in three aspects and put forward future suggestions on data collection, EDM methods used, and interpretation of prediction model. This survey provides a comprehensive understanding and practical guide for researchers in this field, and also provides direction for further research.

show abstract

Hybrid Classification Algorithms for Predicting Student Performance

Cited by 9 publications

References 7 publications

Seleksi Fitur pada Supervised Learning: Klasifikasi Prestasi Belajar Mahasiswa Saat dan Pasca Pandemi COVID-19

Seleksi Fitur pada Supervised Learning: Klasifikasi Prestasi Belajar Mahasiswa Saat dan Pasca Pandemi COVID-19

Voting Combinations-Based Ensemble: A Hybrid Approach

A survey on educational data mining methods used for predicting students' performance

Contact Info

Product

Resources

About