BSIBSI
Computer Science (CO-SCIENCE)Computer Science (CO-SCIENCE)Penilaian kinerja akademik siswa secara objektif tetap menjadi tantangan di SMP Negeri 16 Bogor karena faktor internal dan eksternal yang beragam dalam catatan siswa. Penelitian ini bertujuan untuk membandingkan kinerja klasifikasi algoritma Random Forest dan Support Vector Machine (SVM) menggunakan dataset 403 siswa yang berisi atribut demografis, sosioekonomi, dan terkait sekolah. Meskipun atribut-atribut ini bukan indikator akademik tradisional (misalnya, nilai tugas atau ujian), mereka digunakan untuk mengeksplorasi apakah fitur non-akademik dapat berkontribusi pada model prediktif. Setelah pra-pemrosesan data - menangani nilai yang hilang, mengkode variabel kategorik, dan mengelola ketidakseimbangan kelas - kedua algoritma dievaluasi menggunakan akurasi, presisi, recall, dan analisis matriks kebingungan. Hasil menunjukkan bahwa SVM lebih unggul daripada Random Forest dengan akurasi 78,00%, presisi 89,98%, dan recall 70,24%. Temuan ini menunjukkan bahwa SVM lebih tangguh untuk tugas klasifikasi yang tidak seimbang dan dapat memberikan wawasan yang berguna bahkan ketika label kinerja akademik diprediksi dari atribut non-akademik.
Penelitian ini bertujuan untuk mengatasi tantangan yang dihadapi SMP Negeri 16 Bogor dalam mengevaluasi kinerja akademik siswa menggunakan atribut demografis, sosioekonomi, dan lingkungan yang beragam.Dengan menerapkan dua algoritma machine learning - Random Forest dan Support Vector Machine (SVM) - penelitian ini menunjukkan bahwa SVM, khususnya dengan kernel RBF, memberikan kinerja klasifikasi yang lebih andal dan tangguh pada data pendidikan yang tidak seimbang dibandingkan dengan Random Forest.Keunggulan ini didorong oleh mekanisme pembelajaran berbasis margin SVM dan sensitivitasnya terhadap distribusi fitur yang dinormalisasi, yang memungkinkan generalisasi yang lebih efektif ketika kelas minoritas kurang terwakili.Temuan ini menegaskan bahwa SVM adalah algoritma yang lebih cocok untuk konteks sekolah, di mana kategori akademik didistribusikan secara tidak merata dan dipengaruhi oleh faktor non-akademik yang heterogen.
Untuk memperkuat model, disarankan untuk mengadopsi k-fold cross-validation, memperluas penyesuaian hiperparameter untuk SVM dan Random Forest, dan bereksperimen dengan klasifikasi canggih seperti XGBoost, LightGBM, atau jaringan saraf dalam. Selain itu, menggabungkan fitur akademik yang lebih kaya (misalnya, nilai tugas, pola kehadiran, data perilaku) dapat meningkatkan akurasi prediksi dan memberikan wawasan yang lebih dalam tentang pola belajar siswa. Penelitian masa depan juga harus mengeksplorasi metode pembelajaran sensitif biaya atau metode penanganan ketidakseimbangan ensembel yang secara eksplisit memprioritaskan kelas minoritas daripada hanya mengandalkan oversampling. Setelah mencapai kinerja prediktif yang kuat, langkah selanjutnya adalah mengembangkan sistem dukungan keputusan peringatan dini yang dapat diterapkan di sekolah untuk mengidentifikasi siswa berisiko dan memandu strategi intervensi.
| File size | 343.67 KB |
| Pages | 9 |
| DMCA | Report |
Related /
BSIBSI Hasil eksperimen menunjukkan akurasi klasifikasi sebesar 99,97%. Sistem ini diimplementasikan sebagai aplikasi ramah pengguna secara real-time. MeskipunHasil eksperimen menunjukkan akurasi klasifikasi sebesar 99,97%. Sistem ini diimplementasikan sebagai aplikasi ramah pengguna secara real-time. Meskipun
UIBUIB Pengelolaan layanan perpustakaan yang masih dilakukan secara manual sering menimbulkan kendala, seperti keterlambatan pencatatan, kesalahan pendataan,Pengelolaan layanan perpustakaan yang masih dilakukan secara manual sering menimbulkan kendala, seperti keterlambatan pencatatan, kesalahan pendataan,
BSIBSI Berdasarkan observasi di Megah Grahaa, ditemukan keterlambatan pengiriman pemasok selama 2–4 hari pada periode permintaan tinggi, ketidaksesuaian dataBerdasarkan observasi di Megah Grahaa, ditemukan keterlambatan pengiriman pemasok selama 2–4 hari pada periode permintaan tinggi, ketidaksesuaian data
BSIBSI Sistem yang diusulkan menerapkan arsitektur client–server dimana proses pengenalan yang membutuhkan komputasi tinggi dijalankan pada server Ubuntu menggunakanSistem yang diusulkan menerapkan arsitektur client–server dimana proses pengenalan yang membutuhkan komputasi tinggi dijalankan pada server Ubuntu menggunakan
BSIBSI Aplikasi SIG Desa Kaputihan menawarkan kemudahan pembaruan titik lokasi, fokus pada wilayah desa, dan integrasi dengan Google Maps. Kelebihan lainnya termasukAplikasi SIG Desa Kaputihan menawarkan kemudahan pembaruan titik lokasi, fokus pada wilayah desa, dan integrasi dengan Google Maps. Kelebihan lainnya termasuk
BSIBSI Metode yang digunakan adalah metode model Network Development Life Cycle. Hasil pengujian menunjukkan bahwa sistem mampu mendeteksi gangguan dengan akuratMetode yang digunakan adalah metode model Network Development Life Cycle. Hasil pengujian menunjukkan bahwa sistem mampu mendeteksi gangguan dengan akurat
BSIBSI Di SMP Islam Annasiriin, proses absensi masih dilakukan secara manual menggunakan buku absen, yang rawan kesalahan pencatatan, manipulasi data, serta keterlambatanDi SMP Islam Annasiriin, proses absensi masih dilakukan secara manual menggunakan buku absen, yang rawan kesalahan pencatatan, manipulasi data, serta keterlambatan
BSIBSI Pengujian akurasi sensor menunjukkan rata-rata selisih 0,76% untuk DHT11 (dibandingkan termometer) dan rata-rata error 4,57% untuk sensor kelembapan tanahPengujian akurasi sensor menunjukkan rata-rata selisih 0,76% untuk DHT11 (dibandingkan termometer) dan rata-rata error 4,57% untuk sensor kelembapan tanah
Useful /
BSIBSI Sebagian besar masalah memiliki tingkat keparahan 2, yang memerlukan desain ulang. Tingkat keparahan rata-rata yang diperoleh adalah 2. Rekomendasi meliputiSebagian besar masalah memiliki tingkat keparahan 2, yang memerlukan desain ulang. Tingkat keparahan rata-rata yang diperoleh adalah 2. Rekomendasi meliputi
BSIBSI Data dikumpulkan melalui kuesioner dari 30 responden, termasuk praktisi akuntansi dan pengguna aktif. Evaluasi berfokus pada lima kriteria utama: hargaData dikumpulkan melalui kuesioner dari 30 responden, termasuk praktisi akuntansi dan pengguna aktif. Evaluasi berfokus pada lima kriteria utama: harga
BSIBSI Hasil menunjukkan bahwa sistem mengintegrasikan data pelanggan dan transaksi ke dalam basis data terpusat dan menghitung poin loyalitas secara otomatisHasil menunjukkan bahwa sistem mengintegrasikan data pelanggan dan transaksi ke dalam basis data terpusat dan menghitung poin loyalitas secara otomatis
UBUB & Sulianta (2013) bahwa media sosial merupakan suatu objek atau produk yang dibentuk yang memiliki tujuan tertentu yang tentunya memiliki karakteristik& Sulianta (2013) bahwa media sosial merupakan suatu objek atau produk yang dibentuk yang memiliki tujuan tertentu yang tentunya memiliki karakteristik