Shinta Pramesti PS / 5110100186

Tren edukasi di tingkat atas

peningkatan jumlah mahasiswa di awal tahun pelajaran
Mahasiswa mengikuti pembelajaran, berkomunikasi
dengan lingkungan, gagal atau sukses dalam ujian di
mata kuliah yang diambil
Tidak sedikit yang gagal menyelesaikan studinya (DO)
Staff bidang akademis kampus ingin menyemangati
mahasiswa yg berpotensi DO agar semangat untuk
menyelesaikan studinya dengan baik, TAPI SUSAH.
karena: Jumlah mahasiswanya banyak

2
3
4
5
6
7
8
LATAR BELAKANG
1
0
1
2
3
4
5
Januari Maret Mei Agustus




Dibutuhkan sebuah metode yang dapat memberikan informasi
komprehensif dari data mahasiswa,
Dan dapat digunakan untuk prediksi
kemungkinan DO Mahasiswa
2
3
4
5
6
7
8
LATAR BELAKANG
1
1
3
4
5
6
7
8
Ide...
2
Data Mahasiswa
(diambil dari SIM Akademik)
Data Perilaku
Sosial Mahasiswa
(diambil dari forum, file
upload, relasi antar mhs)
Classifier untuk
Prediksi Dropout
(short term & long term)
1
2
4
5
6
7
8
Metode
3
SNA
Structural Network
Analysis
Data
Mining
membuat fitur-fitur baru terkait
studi yang dapat meningkatkan
akurasi prediksi DO
prediksi DO




DATA MAHASISWA

Untuk training, diambil Data Mahasiswa
Jurusan Informatika Terapan, Masaryk University
Tahun 2006, 2007, and 2008
Data set terdiri dari 775 mahasiswa, 837 matakuliah, semester 1 8,
Dengan total 4,373 data

Data yang diambil adalah data yg bersifat general berdasarkan 3 kategori:
Student-related attributes,
Semester-related attributes and
Attributes related to other studies

1
2
3
5
6
7
8
Data
4




DATA PERILAKU SOSIAL MAHASISWA

Beberapa atribut yang dapat menunjukkan hubungan
Mahasiswa dengan mahasiswa lain
1. Secara langsung menyatakan berteman
2. Percakapan melalui email
3. Publikasi buku yang ditulis bersama-sama
4. Komentar langsung terhadap mahasiswa lain
5. Komentar di forum diskusi yang ditandai penting
6. Thread di forum diskusi / blog yang ditandai sebagai favourite
7. File yang di unggah ke depository mahasiswa lain
1
2
3
5
6
7
8
Data
4





1
2
3
4
6
7
8
Steps
5
Membuat
Social
Network
Graph
1
Ekstraksi
Fitur Baru dari hasil
analisis Network
Graph yang terbentuk
2
Prediksi DO
menggunakan
metode DM
3





1
2
3
4
6
7
8
Social Network Graph
5
Atribut pada data perilaku
sosial mahasiswa
Diberi bobot
tertentu
Kamada Kawai Energy
Layout Algorithm
Social Network Graph
Titik hitam merepresentasikan mahasiswa yang berhasil lulus





1
2
3
4
6
7
8
Ekstraksi Fitur Baru
5
Vertex Degree
Melihat data
hubungan
mahasiswa dengan
yang lain dari
perspektif graf
Berdasarkan Struktur Jaringan:
(menyatakan kuantitas hubungan yg
terbentuk)
Incident line value
Betwenness Centrality
Nilai ujian rata-rata
Berdasarkan ciri tetangga:
(menyatakan kualitas hubungan yg terbentuk)
Tingkat/grade rata-rata
Perbandingan jumlah mata kuliah yang
diambil dan yang lulus
Jumlah sks / kredit per semester





1
2
3
4
6
7
8
Proses Prediksi DO
5
Seleksi Atribut
Reduksi atribut untuk
memperbaiki performa
Digunakan beberapa
macam algoritma
dengan pendekatan
berbeda
Data mahasiswa +
Data Perilaku Sosial
Dihasilkan
22 atribut
Paling relevan
Diproses dengan beberapa classifier
weka
(RJ48, PART, IB1, NB, ZeroR, One R, SMO)
Dihitung nilai akurasi dan True Positif





1
2
3
4
5
7
8
Hasil Prediksi
6
Akurasi & TP untuk data mahasiswa dan
data mahasiswa yg dilengkapi data SNA





1
2
3
4
5
7
8
Hasil Prediksi
6
Akurasi & TP untuk data SNA saja





1
2
3
4
5
7
8
Hasil Prediksi
6
Hasil Prediksi DO per semester





1
2
3
4
5
7
8
Hasil Prediksi
6
Perbandingan Hasil Prediksi DO per semester





1
2
3
4
5
7
8
Perbaikan dengan CMS & Bagging
6
Digunakan untuk meningkatkan akurasi dan True
Positive, serta menurunkan False Negative
Hasil CSM & Bagging untuk hasil prediksi terbaik
sebelumnya:





1
2
3
4
5
6
8
Kesimpulan
7
Tujuan utama dari riset ini adalah menemukan sebuah
metode untuk melakukan proses mining pada data
edukasi, kemudian memprediksi dropout mahasiswa.
Dengan menggunakan SNA dan DM, akurasi prediksi
meningkat dan kesalahan prediksi dapat dikurangi.
Untuk prediksi DO per semester, metode ini memiliki
akurasi tinggi bila digunakan untuk semester 4 ke atas.
Metode ini dapat digunakan tidak hanya untuk
Masaryk University, tetapi bisa digunakan untuk global.





1
2
3
4
5
6
8
Sumber Paper
7
http://educationaldatamining.org/EDM2012/uploads/
procs/Full_Papers/edm2012_full_12.pdf