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