Optimasi Correlation-Based Feature Selection Untuk Perbaikan Akurasi Random Forest Classifier Dalam Prediksi Performa Akademik Mahasiswa

Yoga Priantama, Taghfirul Azhima Yoga Siswa

Abstract


Kegiatan pembelajaran sejak pandemi covid-19 melanda Indonesia mengharuskan institusi pendidikan melaksakanan kegiatan pembelajaran secara online atau daring. Learning Management System (LMS) menjadi salah satu solusi untuk mendukung proses pembelajaran daring. Universitas Muhammadiyah Kalimantan Timur (UMKT) memanfaatkan plat-form LMS OpenLearning sebagai upayanya untuk menjaga agar kegiatan pembelajaran tetap berlangsung dimasa pan-demi. Tujuan penelitian ini adalah untuk mengidentifikasi indikator atau atribut yang berpengaruh menggunakan metode correlation-based feature selection dan mengevaluasi kinerja algoritma Random Forest Classifier untuk memprediksi per-forma akademik mahasiswa UMKT dalam pembelajaran daring berbasis LMS OpenLearning. Pada penelitian ini, data diperoleh dari bagian administrasi akademik dan LMS OpenLearning sebanyak 2.663 data. Hasil penelitian menunjukan identifikasi korelasi atribut terbaik menggunakan correlation-based feature selection (CFS) adalah pada atribut time spent on course, course completed, tugas, uts, dan quiz. Hasil pemodelan Random Forest Classifier menggunakan optimasi CFS terbukti dapat memperbaiki akurasi pemodelan sebesar 97,22%, sedangkan pemodelan tanpa menggunakan optimasi CFS menghasilkan akurasi sebesar 91,66%.

Keywords


correlation-based feature selection, data mining, learning management system, performa akademik, random forest classifier

References


KPAI. 2021. Survei Pelaksanaan Pembelajaran Jarak Jauh (PJJ) dan Sistem Penilaian Jarak Jauh Berbasis Pengaduan KPAI [pdf] Komisi Perlindungan Anak Indonesia. Tersedia di: https://bankdata.kpai.go.id/files /2021/02/ Paparan-Survei-PJJ-KPAI-29042020_Final-update.pdf.

Magdalena, I., Ridwanita, A., & Aulia, B. (2020). Evaluasi Belajar Peserta Didik. PANDAWA, 2(1), 117-127.

Hermawati, F.A. (2013). Data Mining. Yogyakarta: Penerbit Andi.

Xing, W., Chen, X., Stein, J., & Marcinkowski, M. (2016). Temporal predication of dropouts in MOOCs: Reaching the low hanging fruit through stacking generalization. Computers in Human Behavior, 58, 119-129.

Abubakar, Y., & Ahmad, N. B. H. (2017). Prediction of Students Performance in E-Learning Environment Using Random Forest. Inter-national Journal of Innovative Computing, 7(2).

Breiman, L. (2001). Random Forests. Machine learning, 45(1), 5-32. Springer.

Batool, S., Rashid, J., Nisar, M. W., Kim, J., Mahmood, T., & Hussain, A. (2021). A Random Forest students’ performance prediction (rfspp) model based on students’ demographic features. In 2021 Mohammad Ali Jinnah University International Conference on Compu-ting (MAJICC) (pp. 1-4). IEEE

Linawati, S., Nurdiani, S., Handayani, K., & Latifah, L. (2020). Prediksi Prestasi Akademik Mahasiswa Menggunakan Algoritma Random Forest Dan C4. 5. Jurnal Khatulistiwa Informatika, 8(1).

Daniya, T., Geetha, M., & Kumar, K. S. (2020). Classification and regression trees with Gini index. Advances in Mathematics: Scientific Journal, 9(10), 8237-8247.

Djatna, T, & Yasuhiko M. (2008). "Pembandingan Stabilitas Algoritma Seleksi Fitur Menggunakan Transformasi Ranking Normal." Jurnal Ilmiah Ilmu Komputer, vol. 6, no. 2.

Ali, H., Salleh, M. M., Saedudin, R., Hussain, K., & Mushtaq, M. F. (2019). Imbalance class problems in data mining: a review. Indone-sian Journal of Electrical Engineering and Computer Science, 14(3), 1560-1571.

Suyanto, S. A. N. (2018). Klasifikasi Jenis Infeksi Berdasarkan Hasil Pemeriksaan Leukosit Menggunakan K-Nearest Neighbor (KKN). Tersedia di: https://repositori.usu.ac.id/ handle/123456789/11694 [Diakses 28 Januari 2018]




DOI: http://dx.doi.org/10.26798/jiko.v6i2.651

Article Metrics

Abstract view : 174 times
PDF (Bahasa Indonesia) - 31 times

Refbacks

  • There are currently no refbacks.




Copyright (c) 2022 Yoga Priantama, Taghfirul Azhima Yoga Siswa


JIKO (Jurnal Informatika dan Komputer)

Published by
Lembaga Penelitian dan Pengabdian Masyarakat
Universitas Teknologi Digital Indonesia (d.h STMIK AKAKOM)

Jl. Raya Janti (Majapahit) No. 143 Yogyakarta, 55198
Telp. (0274)486664

Website : https://www.utdi.ac.id/

e-ISSN : 2477-3964 
p-ISSN : 2477-4413