Prediction of Student Academic Performance in Practicum Courses Based on Activity Logs and Student Background

Wijayaningrum, Vivi Nur; Kirana, Annisa Puspa; Putri, Ika Kusumaning; Satrio, Titis Octary

doi:10.1109/ieit56384.2022.9967888

Cited by 2 publications

(1 citation statement)

References 22 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Oleh karena itu, pada penelitian ini dilakukan perbandingan kinerja sejumlah algoritma dalam melakukan seleksi atribut untuk mendapatkan hasil prediksi yang akurat secara efisien. Dengan 23 atribut data yang telah digunakan pada penelitian sebelumnya untuk memprediksi potensi mahasiswa putus studi (Wijayaningrum, Kirana, Putri, & Satrio, 2022), penyeleksian atribut data menggunakan sejumlah metode yang terdiri dari Chi Square, Pearson Correlation, dan Random Forest untuk meningkatkan kinerja algoritma Multi-Layer Perceptron (MLP) dalam memprediksi potensi mahasiswa putus studi, serta mengurangi waktu komputasi secara keseluruhan.…”

unclassified

Analisis Performa Seleksi Atribut untuk Menentukan Potensi Mahasiswa Putus Studi

Wijayaningrum¹,

Putri

Kirana³

et al. 2023

JIP

View full text Add to dashboard Cite

Banyaknya kasus mahasiswa putus studi yang terjadi di sejumlah pendidikan tinggi menjadi perhatian khusus di berbagai negara. Efek yang ditimbulkan akibat masalah ini antara lain dapat menghambat perekonomian dan produktivitas di negara tersebut. Untuk mengatasi hal tersebut, beberapa algoritma telah digunakan untuk memprediksi potensi mahasiswa putus studi. Berbagai atribut data yang berkaitan dengan informasi mahasiswa, seperti data pribadi, riwayat akademik, dan latar belakang mahasiswa digunakan sebagai bahan pertimbangan mahasiswa tersebut berpotensi putus studi atau tidak. Namun, banyaknya atribut data yang digunakan pada proses prediksi memungkinkan terjadinya overfitting, menurunnya performa algoritma, dan menambah waktu komputasi. Pada penelitian ini, seleksi atribut data dilakukan dengan menggunakan Chi Square, Pearson Correlation Coefficient, dan Random Forest untuk selanjutnya dapat dilakukan prediksi menggunakan Multi-Layer Perceptron. Hasil dari skenario pengujian dengan menggunakan berbagai variasi banyaknya atribut data menunjukkan terjadinya peningkatan nilai akurasi dan F1-Score saat dilakukan seleksi atribut dengan nilai rata-rata di atas 0.8.

show abstract

unclassified