prediksi nilai akademik yang semu

5/17/2018 Prediksi Nilai Akademik Yang Semu - slidepdf.com

http://slidepdf.com/reader/full/prediksi-nilai-akademik-yang-semu 1/12

Prediksi Nilai Akademis MahasiswBenar Murni dari Kemam

Munjiah Nur Sa’adah

Lisa Yuli Kurniawati



~Latar Belakang~

ANGGAPAN MASYARAKAT

Mahasiswa Pintar

IPK ≥ 3,5, Nilai Matkul

AB hingga A

Oiya,MBACEM

tugasmu ya. .

PERGESERAN NILAI-NILAI

SOSIAL



Muncul Istilah baru:

Nilai semu??

Timbul pertanyaan

Nilai bagus yang didapat mahasiswa…

Apakah murni darikemampuannya??

atau. . .

Karena mengandalkan teman?



~Sistem Prediksi Nilai Semu(pada data akademik mahasiswa)

Tujuan: Untuk memprediksi apakah nilai yang

didapatkan mahasiswa selama iniadalah nilai hasil usaha sendiri atautidak.

Manfaat: Dosen dapat memberikan case

penanganan khusus pada mahasiswayang diduga bergantung pada temankelompok belajarnya.

Memberantas kecurangan dan nilaisemu pada mahasiswa.

Sasaran Sistem: Mahasiswa tahun kedua

ketiga.

Mengapa?karena pada tahun pertam

rata masih mahasiswa ba

belum terbentuk kelomkelompok belajar




Inputan: Data Akademik Mahasiswa (Histori

nilai tiap semester, nilai IPK, Data

Pribadi Mahasiswa, nilai tugas

mandiri, nilai tugas berkelompok)

Data Absen Mata Kuliah (Mata kuliah yang diambil semester ini,

dan semester lalu)

Data Hasil Tes Kepribadian

Mahasiswa (Tes EQ)

General Process :

Output:Angka 1 dan 0

(1 = Usaha sendiri, 0 = Team




Metode:

1

•Pre-processing

•Mempersiapkan data agar dapat diproses.

2

•Feature Importance

•Seleksi fitur dan faktor yang paling mempengaruhi.Menggunakan Association rule

3

•Classification Model

•Membuat model klasifikasi dengan Decision Tree

4

• Prediction

• Memprediksi data testing.




Association Rule:Tujuan : Untuk mendeteksi fitur-fitur yang penting, teknik data minin

menemukan aturan assosiatif antara suatu kombinasi item.

Penting tidaknya suatu aturan assosiatif dapat diketahui dengan dua parameter, supp

penunjang) yaitu persentase kombinasi item tersebut dalam database dan confiden

kepastian) yaitu kuatnya hubungan antar item dalam aturan assosiatif.

Misal :

# {nilai si A bagus, ada teman-teman yang range nilai tidak jauh

dari si A} => {teamwork}

#{nilai si A bagus, rataan nilai individual bagus} => {usaha sendiri}

#{nilai si A bagus, Extrovert} => {teamwork}

Parame

dinyatakan

= A) Range

3.25-




Metodologi dasar analisis asosiasi terbagi menjadi dua tahap :1. Analisa pola frekuensi tinggi : mencari kombinasi item yang memenu

minimum dari nilai support dalam database

2. Pembentukan aturan assosiatif: dicari aturan assosiatif yang memenuh

minimum untuk confidence dengan menghitung confidence aturan assos



Fitur-fitur penting yang

didapatkan dari Associatio

Rule dibuat model DecisioTree C 4.5

~Sistem Prediksi Nilai Semu~(pada data akademik mahasiswa)

Kemudian. .




Decision TreeTujuan : untuk membangun pohon keputusan

Algoritma:

1. Pilih atribut sebagai akar

2. Buat cabang untuk masing-masing nilai

3. Bagi kasus dalam cabang

4. Ulangi proses untuk masing-masing cabang sampai semua kasus pmemiliki kelas yang sama.

Catatan:

Pemilihan atribut sebagai akar, didasarkan pada nilai gain tertinggi dar

atribut yang ada



THANK YOU *(^_^)*

~Any question? ~

.. end of slide ..

prediksi nilai akademik yang semu

Documents