Komparasi Evaluasi Kinerja Siswa Belajar dengan Mengggunakan Algoritma Machine Learning

Komparasi Evaluasi Kinerja Siswa Belajar dengan Mengggunakan Algoritma Machine Learning

• By Saputra, Elin Panca; Maulidah, Mawadatul; Hidayati, Nadiyah; Saryoko, Andi;
• Jurnal Nasional Terakreditasi
• 259
• 2239-2246

Pada Penelitian kami saat ini adalah melakukan komparasi dari beberapa algoritma yang telah kami ujikan yaitu dalam melakukan pencarian tingkat akurasi kinerja belajar pada siswa, permasalahan dari penelitian ini adalah bagaimana mendapatkan hasil kemampuan generalisasi yang sangat baik sehingga didapat nilai akurasi yang lebih tinggi selain itu tujuan penelitian kami adalah untuk mendapatkan hasil tingkat akurasi dengan performa terbaik yang selanjut untuk mengidentifikasi fitur-fitur yang dapat mempengaruhi dalam kinerja siswa belajar. Dari hasil algoritma yang telah kami uji cobakan sebanyak empat yang diantaranya Naïve Bayes, Support Vectore Machine, Neural Network dan KNN yang terdapat pada machine learning. Hasil dari keempat algoritma tersebut untuk algoritma Naïve Bayes didapatkan nilai akurasinya sebesar 96.30%, pada algoritma Support Vectore Machine akurasi sebesar 98.70%, serta pada algoritma Naural Network akurasi sebesar 99.50% dan yang terakhir dengan algoritma KNN menghasilkan akurasi sebesar 94.80%. maka dapat disimpulkan dengan menggunakan algoritma Neural Network merupakan algoritma dengan performa terbaik daripada menggunakan algoritma lainnya dalam mengevaluasi kinerja siswa belajar, selain itu Neural Network dapat dijadikan sebuah alternatif yang baik sekali untuk digunakan sebagai prediksi khususnya dibidang pendidikan.

• Katakunci Komparasi; Neural Network; Evaluasi; Kinerja; Machine Learning
• URL https://ejurnal.stmik-budidarma.ac.id/index.php/mib/article/view/4786/3010
• Penerbit Jurnal MIB (Media Informatika Budidarma), Jakarta DKI Jakarta

REFERENSI

[1]        S. F. Aziz, “Students’ Performance Evaluation Using Machine Learning Algorithms,” Univ. Al-hamdaniya, vol. 16, no. 3, pp. 976–986, 2020.

[2]        N. Ketui, “Using Classification Data Mining Techniques for Students Performance Prediction,” 2020 Jt. Int. Conf. Digit. Arts, Media Technol. with ECTI North. Sect. Conf. Electr. Electron. Comput. Telecommun. Eng. ECTI DAMT NCON 2020, pp. 359–363, 2020.

[3]        A. Tousi and M. Lujan, “Comparative Analysis of Machine Learning Models for Performance Prediction of the SPEC Benchmarks,” IEEE Access, vol. 10, pp. 11994–12011, 2022.

[4]        Z. A. Adriani and I. Palupi, “Prediction of University Student Performance Based on Tracer Study Dataset Using Artificial Neural Network,” J. Komtika (Komputasi dan Inform., vol. 5, no. 2, pp. 72–82, 2021.

[5]        P. M. Arsad, N. Buniyamin, and J. L. A. Manan, “A neural network students’ performance prediction model (NNSPPM),” 2013 IEEE Int. Conf. Smart Instrumentation, Meas. Appl. ICSIMA 2013, no. November, 2013.

[6]        E. P. Saputra, Supriatiningsih, Indriyanti, and Sugiono, “Prediction of Evaluation Result of E-learning Success Based on Student Activity Logs with Selection of Neural Network Attributes Base on PSO,” J. Phys. Conf. Ser., vol. 1641, no. 1, 2020.

[7]        Y. A. Alsariera, Y. Baashar, G. Alkawsi, A. Mustafa, A. A. Alkahtani, and N. Ali, “Assessment and Evaluation of Different Machine Learning Algorithms for Predicting Student Performance,” Comput. Intell. Neurosci., vol. 2022, pp. 1–11, 2022.

[8]        M. Zafari, A. Sadeghi-Niaraki, S. M. Choi, and A. Esmaeily, “A practical model for the evaluation of high school student performance based on machine learning,” Appl. Sci., vol. 11, no. 23, 2021.

[9]        S. Ghareeb et al., “Evaluating student levelling based on machine learning model’s performance,” Discov. Internet Things, vol. 2, no. 1, 2022.

[10]     E. S. Panca Saputra and Indriyanti, “Comparison of Data Mining In E-Learning Learning Based On Log Aktivity On PSO-Based Nural Network Algorithms With PSO-Based SVM,” Indones. J. Artif. Intell. Data Min., vol. 3, no. 2, pp. 95–102, 2020.

[11]     I. Technologies, “Predicting student final performance using artificial neural networks in online learning environments,” Educ. Inf. Technol., 2019.

[12]     F. Handayani and S. Pribadi, “Implementasi Algoritma Naive Bayes Classifier dalam Pengklasifikasian Teks Otomatis Pengaduan dan Pelaporan Masyarakat melalui Layanan Call Center 110,” J. Tek. Elektro, vol. 7, no. 1, pp. 19–24, 2015.

[13]     F. Janan and S. K. Ghosh, “Prediction of student’s performance using support vector machine classifier,” Proc. Int. Conf. Ind. Eng. Oper. Manag., pp. 7078–7088, 2021.

[14]     V. V. Corinna Cortes, “Support-Vector Networks,” IEEE Expert. Syst. their Appl., vol. 7, no. 5, pp. 63–72, 1995.

[15]     C. F. Rodríguez-Hernández, M. Musso, E. Kyndt, and E. Cascallar, “Artificial neural networks in academic performance prediction: Systematic implementation and predictor evaluation,” Comput. Educ. Artif. Intell., vol. 2, no. March, 2021.

[16]     G. S. and V. G. Gupta N., Khosravy M., Patel N., Artificial Neural Network Trained by Plant Ge- netic-Inspired Optimizer, Frontier Applications of Nature Inspired Computation, Frontier A. 2020.

[17]    Y. F. Safri, R. Arifudin, and M. A. Muslim, “K-Nearest Neighbor and Naive Bayes Classifier Algorithm in Determining The Classification of Healthy Card Indonesia Giving to The Poor,” Sci. J. Informatics, vol. 5, no. 1, p. 18, 2018.

[18]     A. Nugroho, O. R. Riady, A. Calvin, and D. Suhartono, “Identification of Student Academic Performance using the KNN Algorithm,” Eng. Math. Comput. Sci. J., vol. 2, no. 3, pp. 115–122, 2020.