UIN MALANGUIN MALANG

Jurnal Riset Mahasiswa MatematikaJurnal Riset Mahasiswa Matematika

Memprediksi predikat kelulusan mahasiswa merupakan hal yang penting untuk pemantauan akademik dan intervensi tepat waktu dalam pendidikan tinggi. Studi ini menyelidiki prediksi predikat kelulusan menggunakan jaringan saraf tiruan dalam tiga pengaturan kelompok fitur: hanya akademik, hanya non-akademik, dan fitur akademik–non-akademik gabungan. Multilayer perceptron dengan tiga lapisan tersembunyi dilatih menggunakan SGD dengan momentum, RMSProp, Adam, dan prosedur optimasi Hessian-free yang diredam. Dua tugas dipertimbangkan: tugas klasifikasi predikat kelulusan empat kelas dan tugas penyaringan risiko biner di mana Cukup diperlakukan sebagai kelas risiko positif. Hasilnya menunjukkan bahwa kelompok fitur gabungan mencapai kinerja multiclass terbaik, dengan akurasi 0,8478 dan skor F1 berbobot 0,8274. Optimasi Hessian-free secara konsisten menghasilkan hasil terbaik di semua skenario kelompok fitur, dengan peningkatan yang paling jelas muncul dalam pengaturan non-akademik-saja. Dalam analisis penyaringan risiko tambahan, variabel non-akademik memberikan sinyal prediktif yang bermakna tetapi terbatas, dan Jurusan muncul sebagai prediktor individu terkuat. Temuan ini menunjukkan bahwa menggabungkan informasi akademik dan non-akademik meningkatkan prediksi predikat kelulusan dan bahwa optimasi Hessian-free adalah strategi pelatihan yang efektif untuk klasifikasi mendalam dalam data pendidikan.

Secara keseluruhan, hasil eksperimen mendukung empat kesimpulan utama.Pertama, kelompok fitur gabungan mencapai kinerja klasifikasi multiclass terbaik, meskipun keunggulannya atas kelompok fitur akademik saja hanya marginal.Kedua, optimasi Hessian-free secara konsisten mencapai kinerja terbaik di semua skenario kelompok fitur.Ketiga, keuntungan HFO yang jelas atas pengoptimal pertama kali muncul dalam skenario non-akademik-saja, di mana keuntungannya atas pengoptimal pertama kali terkuat sangat besar.Keempat, variabel non-akademik yang tersedia pada waktu masuk memang mengandung sinyal prediktif yang bermakna untuk penyaringan risiko dini, meskipun kinerja penyaringan yang dihasilkan tetap terbatas karena ketidakseimbangan kelas yang parah dan kesulitan inheren dalam memprediksi hasil akademik jangka panjang dari informasi sebelum masuk.Studi ini menunjukkan bahwa variabel non-akademik dapat mendukung penyaringan tahap pertama mahasiswa, meskipun mereka tidak cukup untuk prediksi risiko mandiri yang sangat akurat.

Berdasarkan temuan ini, penelitian lebih lanjut dapat mengeksplorasi penggunaan teknik penanganan ketidakseimbangan kelas untuk meningkatkan kinerja penyaringan risiko dini. Selain itu, penelitian dapat menyelidiki potensi menggabungkan data eksternal, seperti data sosioekonomi atau data demografis, untuk lebih meningkatkan akurasi prediksi. Terakhir, penelitian dapat berfokus pada pengembangan model yang dapat memberikan penjelasan yang dapat ditindaklanjuti untuk hasil prediksi, memungkinkan intervensi yang ditargetkan dan dukungan bagi mahasiswa yang berisiko.

  1. Performance Improvement of Logistic Regression for Binary Classification by Gauss-Newton Method | Proceedings... dl.acm.org/doi/10.1145/3545839.3545842Performance Improvement of Logistic Regression for Binary Classification by Gauss Newton Method Proceedings dl acm doi 10 1145 3545839 3545842
  2. 0. scitepress publication details scitepress.org/Link.aspx?doi=10.5220/00099071015101570 scitepress publication details scitepress Link aspx doi 10 5220 0009907101510157
  3. Using Data Mining Techniques to Predict Student Performance to Support Decision Making in University... doi.org/10.1109/ACCESS.2020.2981905Using Data Mining Techniques to Predict Student Performance to Support Decision Making in University doi 10 1109 ACCESS 2020 2981905
  4. Indonesian | G-Tech: Jurnal Teknologi Terapan. indonesian tech jurnal teknologi terapan authors nur baiti... ejournal.uniramalang.ac.id/index.php/g-tech/article/view/2077Indonesian G Tech Jurnal Teknologi Terapan indonesian tech jurnal teknologi terapan authors nur baiti ejournal uniramalang ac index php g tech article view 2077
Read online
File size5.67 MB
Pages11
DMCAReport

Related /

ads-block-test