Machine Translated by Google
ilmu
terapan
Artikel
Menuju Memprediksi Prestasi Akademik Siswa Menggunakan
Jaringan Syaraf Tiruan (JST)
Yahia Baashar1 , Gamal Alkawsi 1,* , Abdulsalam Mustofa 2 , Ammar Ahmad Alkahtani 1 ,
Yazan A. Alsariera 3 , Abdulrazzaq Qasem Ali4 , Wahidah Hashim 5 dan Sieh Kiong Tiong
Kutipan: Bashar, Y.; Alkawsi, G.;
Mustafa, A.; Alkahtani, AA;
Alsariera, YA; Ali, AQ; Hasyim, W.;
Tiong, SK Menuju Memprediksi
Prestasi Akademik Siswa
Menggunakan Artificial Neural
Networks (ANNs). Aplikasi Sains.
2022, 12, 1289. https://doi.org/10.3390/app12031289
Editor Akademik: Jenny Pange dan
Zoë Nikiforidou
Diterima: 23 Oktober 2021
Diterima: 27 November 2021
Diterbitkan: 26 Januari 2022
Catatan Penerbit: MDPI tetap netral
sehubungan dengan klaim yurisdiksi
dalam peta yang diterbitkan dan afiliasi kelembagaan
iasi.
Hak cipta: © 2022 oleh penulis.
Penerima Lisensi MDPI, Basel, Swiss.
Artikel ini adalah artikel akses terbuka
didistribusikan dengan syarat dan
kondisi Creative Commons
Lisensi atribusi (CC BY) (https://
creativecommons.org/licenses/by/
4.0/).
Aplikasi Sains. 2022, 12, 1289. https://doi.org/10.3390/app12031289
1
1
Institute of Sustainable Energy (ISE), Universiti Tenaga Nasional, Kajang 43000, Selangor, Malaysia;
yahia.baashar@uniten.edu.my (Y.B.); ammar@uniten.edu.my (A.A.A.); Siehkiong@uniten.edu.my (S.K.T.)
2
College of Graduate Studies, Universiti Tenaga Nasional, Kajang 43000, Selangor, Malaysia;
asalamsm@gmail.com
3
Department of Computer Science, College of Science, Northern Border University, Arar 91431, Saudi Arabia;
yazan.sadeq@nbu.edu.sa
4
Department of Computing, Mharat Academy for Training & Development, Ibb, Yemen;
abdulrazzaq.alyhari@gmail.com
5
College of Computing and Informatics, Universiti Tenaga Nasional, Kajang 43000, Selangor, Malaysia;
Wahidah@uniten.edu.my *
Correspondence: gamal.abdulnaser@uniten.edu.my
Abstrak: Kinerja siswa terkait dengan faktor-faktor yang kompleks dan berkorelasi. Implementasi kemajuan
teknologi baru dalam perpindahan pendidikan memiliki potensi yang tidak terbatas. Salah satu kemajuan
ini adalah penggunaan analitik dan penambangan data untuk memprediksi prestasi dan kinerja akademik
siswa. Mengingat literatur yang ada, pendekatan machine learning (ML) seperti Artificial Neural Networks
(ANNs) dapat terus ditingkatkan. Karya ini mengkaji dan mensurvei literatur terkini mengenai metode JST
yang digunakan dalam memprediksi prestasi akademik siswa.
Studi ini juga mencoba menangkap pola teknik dan algoritma JST yang paling banyak digunakan. Sebagai
catatan, artikel yang diulas terutama berfokus pada pendidikan tinggi. Hasilnya menunjukkan bahwa JST
selalu digunakan dalam kombinasi dengan analisis data dan metodologi penambangan data, yang
memungkinkan studi untuk menilai keefektifan temuan mereka dalam mengevaluasi prestasi akademik.
Tidak ada pola yang terdeteksi terkait pemilihan variabel masukan karena sebagian besar didasarkan pada
konteks penelitian dan ketersediaan data. Selain itu, temuan nyata yang sangat terbatas mengacu pada
penggunaan teknik dalam konteks aktual dan sasaran tujuan untuk meningkatkan hasil, kinerja, dan
prestasi
siswa. Rekomendasi penting dari pekerjaan ini adalah untuk mengatasi kesenjangan yang
teridentifikasi terkait dengan satu-satunya penerapan JST secara teoretis dan terbatas dalam situasi
kehidupan nyata untuk membantu mencapai tujuan pendidikan.
Kata kunci: jaringan syaraf tiruan; JST; ramalan; kinerja siswa
1. Perkenalan
Lembaga pendidikan pada berbagai jenjang pendidikan didirikan untuk menyelenggarakan
pendidikan berkualitas tinggi yang mampu mengubah tingkat kesadaran, pengetahuan, dan
kapasitas mental masyarakat . Guru dan pendidik selalu mencari untuk meningkatkan prestasi
siswa dan memantau kinerja mereka untuk menentukan efisiensi proses pengajaran. Kemajuan
baru teknologi memungkinkan pendidik untuk menggunakan analitik dan metodologi
penambangan data untuk mencari kumpulan data besar untuk pola yang mencerminkan perilaku
dan pembelajaran siswa mereka [1]. Meskipun kinerja siswa sangat penting untuk proses
pembelajaran, itu adalah fenomena kompleks yang dipengaruhi oleh berbagai faktor seperti
lingkungan pengajaran dan kebiasaan belajar individu. Berbagai penelitian [2,3] telah
menggunakan berbagai indikator/variabel untuk mengembangkan model yang dapat memprediksi
kinerja akademik siswa di berbagai tingkat pendidikan, termasuk pendidikan sekolah menengah
dan universitas di berbagai disiplin ilmu, khususnya teknik dan kedokteran.
https://www.mdpi.com/journal/applsci
Machine Translated by Google

Aplikasi Sains. 2022, 12, 1289 2 dari 16

Sifat dari faktor-faktor yang berkontribusi terhadap kinerja seorang kandidat berkorelasi dan
kompleks. Dengan demikian, ini membatasi potensi model prediksi lainnya, seperti asumsi
langsung dan jelas dari data yang diberikan seperti model regresi. Namun, masalahnya di sini
adalah kompleksitas pemilihan fungsi yang tepat yang mampu menangkap semua bentuk
asosiasi data dan secara otomatis menyesuaikan keluaran jika ada informasi tambahan.
Pendekatan yang lebih umum untuk menyelesaikan masalah jenis ini adalah dengan
menggunakan jaringan Syaraf Tiruan, yang mensimulasikan otak manusia dalam memecahkan
suatu masalah. Akibatnya, sistem adaptif, seperti Jaringan Syaraf Tiruan, sedang dikembangkan
untuk memprediksi kinerja siswa berdasarkan efek dari faktor-faktor ini. Jaringan Syaraf Tiruan
(JST) adalah alat yang berharga untuk analisis data yang digunakan untuk mengidentifikasi
dan mewakili korelasi fungsional antara variabel [4]. JST saat ini digunakan untuk mengatasi,
memperkirakan, dan mengklasifikasikan tantangan di berbagai bidang. Misalnya pada ranah
akademik, JST diterapkan untuk menganalisis kinerja akademik [5]. Memang, berbagai
pendekatan metodologis telah digunakan untuk memprediksi prestasi akademik siswa.
Misalnya, metode statistik tradisional, seperti analisis diskriminan dan regresi linier berganda,
digunakan sebagai pendekatan pertama dan paling umum yang ditemukan dalam literatur
pendidikan di studi Malaysia yang dilakukan oleh [6].
Berbagai penelitian [7,8] telah menggunakan model persamaan struktural (SEM) untuk
membandingkan model teoretis dengan kumpulan data atau untuk menguji model kinerja
akademik yang berbeda [7,8]. Dibandingkan dengan metode komputasi kecerdasan buatan,
pendekatan tradisional gagal secara konsisten menunjukkan kapasitas untuk mencapai prediksi
atau klasifikasi yang akurat [9]. Akibatnya, pendekatan ketiga untuk memprediksi prestasi siswa
dan kinerja akademik yang ditunjukkan dalam literatur terbaru menggunakan teknik pembelajaran
mesin, seperti metode Artificial Neural Network (ANN) dan beberapa teknik lainnya termasuk
Decision Tree [10], Support Vector Machines [2], algoritma Bayesian [11], dan Ensemble Learning
[12]. Metode ini telah berhasil diterapkan di berbagai bidang, antara lain bisnis, teknik,
meteorologi, dan ekonomi, tanpa perbedaan yang signifikan dalam hasil yang diperoleh maupun tingkat ak
JST adalah salah satu algoritma pembelajaran mesin dan penambangan data yang
digunakan dalam berbagai literatur penelitian dan diklaim dapat memberikan hasil yang unggul
dan akurat terkait prediksi kinerja siswa. JST secara luas dianggap sebagai pengenal pola yang
efektif dan metode penting untuk mengklasifikasikan hasil potensial. Mengingat literatur yang
ada, selalu ada ruang untuk perbaikan dalam pendekatan pembelajaran mesin seperti JST (fokus
utama makalah ini) dan model prediksi.
Tinjauan literatur merupakan langkah penting yang memungkinkan peneliti untuk
mengidentifikasi kesenjangan pengetahuan, memahami tren teknologi terkini dan
memeriksa berbagai metode yang menghasilkan berbagai tingkat akurasi untuk
mengidentifikasi faktor atau variabel masukan dan metodologi yang menghasilkan akurasi
prediksi tertinggi. prestasi dan prestasi akademik siswa .
Melalui penilaian literatur, pikiran peneliti terbuka untuk berkontribusi pada pengetahuan
JST dalam memprediksi prestasi dan kinerja siswa. Oleh karena itu, makalah ini bertujuan untuk
memeriksa literatur saat ini dalam pendekatan tinjauan sistematis. Juga, ulasan ini mencoba
untuk mengidentifikasi pola teknik JST yang paling banyak digunakan dan sifat data yang biasa
digunakan untuk memprediksi kinerja akademik siswa, dalam hal tingkat pendidikan, ukuran
sampel dan atribut atau input yang digunakan dalam berbagai model. . Selain itu, ulasan ini
mencoba untuk menetapkan kaitan apa pun dengan faktor-faktor yang berkontribusi pada
kemampuan model untuk memprediksi kinerja siswa secara akurat.
Sisa dari makalah ini disusun sebagai berikut: Bagian 2 menyajikan studi terkait dan
pentingnya ulasan ini. Bagian 3 memperkenalkan metodologi penelitian.
Bagian 4 menyajikan hasil, sedangkan Bagian 5 membahas temuan dan Bagian 6 membahas
pekerjaan masa depan. Akhirnya, kesimpulan disajikan dalam Bagian 7.

2. Pekerjaan Terkait

Pencarian awal pada survei dan tinjauan literatur sistematis, khususnya mengenai kinerja
akademik siswa menggunakan Jaringan Syaraf Tiruan (JST),
Machine Translated by Google

Aplikasi Sains. 2022, 12, 1289 3 dari 16

mengungkapkan bahwa saat ini tidak ada studi sekunder yang dilakukan pada tujuan khusus dari
tinjauan ini; namun hanya satu SLR yang dilakukan oleh penulis [1]. Dalam ref. [1], penulis
menganalisis dan mengklasifikasikan 62 makalah tentang prediksi kinerja siswa menggunakan data
mining dan teknik analisis. Namun, menggunakan Jaringan Syaraf Tiruan (JST) dalam memprediksi
kinerja siswa tidak diberi fokus dan pertimbangan penting.
Dengan demikian, hanya segelintir studi yang tersedia dimasukkan dalam ulasan mereka tentang
penggunaan JST untuk memprediksi prestasi akademik siswa.
Untuk menekankan kesimpulan bahwa belum ada tinjauan literatur sistematis yang
dilakukan sebelumnya pada topik tinjauan ini, pencarian pendahuluan dilakukan pada database
digital yang sama yang digunakan dalam tinjauan ini (misalnya, Google Scholar, IEEEXplore,
ACM Library, Web of Science dan ScienceDirect ). Hasil pencarian pendahuluan, yang
mencantumkan dan meringkas tinjauan literatur sistematis yang paling terkait dengan tinjauan
kami, disajikan pada Tabel 1. Analisis data yang diambil dari tinjauan sistematis ini, disajikan
pada Tabel 1, menunjukkan bahwa mereka berada di luar ruang lingkup dan tujuan tinjauan sistematis in

Tabel 1. Tinjauan literatur sistematis yang ada.

Referensi Tujuan Utama Sumber Tahun Publikasi

Menganalisis kajian-kajian yang ada tentang

[13] pendekatan dan teknik inteligensi yang digunakan untuk Ilmu Terapan (Jurnal) 2021
memprediksi hasil belajar siswa.

Untuk mengeksplorasi metode dan atribut pembelajaran

[14] mesin saat ini yang digunakan dalam memprediksi Penjelajah IEEE (Konferensi) 2021
kinerja siswa.

Untuk mensintesis literatur penelitian tentang penambangan Penemuan Informasi dan 2020
[15]
data pendidikan (EDM) dan analitik pembelajaran. Pengiriman (Jurnal)
Konferensi ACM pada
Untuk menilai kondisi penelitian prediksi kinerja akademik
[16] Inovasi dan Teknologi di 2018
mahasiswa saat ini.
Pendidikan Ilmu Komputer

Jurnal Internasional dari

Untuk mengetahui perbedaan antara berbagai teknik prediksi
[17] Pendidikan dan Manajemen 2017
data mining yang digunakan dalam pendidikan.
Rekayasa

3. Metode
3.1. Strategi
Pencarian Untuk tinjauan komprehensif literatur saat ini tentang topik penelitian yang diperlukan
dan untuk mencapai tujuan penelitian kami, kami menyusun langkah-langkah spesifik untuk rencana
yang jelas. Langkah-langkah ini termasuk mendefinisikan dan memprioritaskan masalah dan kueri.
Proses ini melibatkan penetapan tujuan dan sasaran penelitian, pengembangan struktur dan strategi,
dan penetapan kriteria inklusi dan eksklusi. Selain itu, langkah lain meliputi pemeriksaan literatur
(scanning) menggunakan database yang relevan, pencarian manual, pemilihan artikel berdasarkan
kriteria inklusi dan eksklusi, penilaian kritis, dan ekstraksi data dari studi yang dipilih. Langkah
terakhir melibatkan pengumpulan data dan melaporkan temuan dengan ilustrasi (memvisualisasikan
hasil). Dalam konteks penelitian, Google Scholar terutama digunakan sebagai database pencarian
utama. Alasannya adalah Google Scholar memiliki keunggulan besar dibandingkan mesin pencari
lainnya dalam mengidentifikasi artikel di berbagai jurnal ilmiah. Juga, ia menawarkan akurasi yang
tepat dalam hal kata kunci yang dipilih. Selain itu, untuk pencarian literatur yang lebih komprehensif,
jika memungkinkan, pencarian database lain termasuk IEEEXplore, ACM Library, Web of Science
dan ScienceDirect. Pencarian literatur dalam database dilakukan dengan menggunakan kriteria,
parameter, dan kata kunci berikut: "memprediksi hasil siswa" dan "jaringan saraf tiruan."
Menggunakan permintaan pencarian, kami berusaha untuk mengambil semua literatur akademis
yang relevan yang diterbitkan di bawah konteks JST. Selanjutnya dilakukan pencarian database
yang relevan dengan menggunakan periode tahun 2013 sampai dengan tahun 2021.
Machine Translated by Google dalam database dilakukan dengan menggunakan kriteria, parameter, dan kata kunci berikut:
"memprediksi hasil siswa" dan "jaringan saraf tiruan". Menggunakan permintaan pencarian, kami
berusaha untuk mengambil semua literatur akademis yang relevan yang diterbitkan di bawah konteks JST.
Selanjutnya dilakukan pencarian database yang relevan dengan menggunakan periode tahun 2013 sampai dengan tahun 2021.
Aplikasi Sains. 2022, 12, 1289 4 dari 16

3.2. Kriteria Inklusi dan Pengecualian

KriteriaInklusi
3.2. Kriteria inklusidan
danEksklusi
eksklusi penelitian dikembangkan berdasarkan [18]; kami di
termasuk studi yang (i) diterbitkan dalam bahasa Inggris, (ii) dari kedua prosiding
kamikonferensi
bahasa
semua
rincian
memasukkan
Inggris, Kriteria
ekstensif
tingkatan,
(ii) dari
dan inklusi
pada
(iv) dan
prosiding
jurnal
langsung eksklusi
metodologi yangstudi
peer-review,
konferensi
mempelajari
(iii) dikembangkan
digunakan.
dan memprediksi
kembali
peer- lated
yang berdasarkan
keberhasilan
ke(i)ANN
diterbitkan [18];
dan memberikan
siswa
dalamdi
Jurnal kajian studi lainnya , (iii) memprediksi keberhasilan siswa di semua tingkatan,
(iv) terkait
ekstensif
ditulis
(secara
menyertakan
mendalam
dalamlangsung
karakteristik
rinci)
tentang
(secara
bahasa
yang
pada dengan
datametodologi
digunakan,
yang
algoritma
rinci)
Inggris, JST
dapat
padayang
tidakyang
tidak tidak
algoritma
dipercaya
memasukkan
digunakan
digunakan.
masuk yangditulis
tentang
ke dan
tahun dalam
digunakan
Studi
data bahasa
karakteristik
diterbitkan
lain
2013
yang
yang
dan danInggris,
dikeluarkan.
dapat
sebelum tidak
dipublikasikan
tidak
diandalkan
memberikan
digunakan,
2013
mendalam
dikeluarkan.
sebelum
tentang
tidak
rincian

4.Hasil
4. Hasil
Pencarian
penelitian
relevan
menghasilkan literatur
berdasarkan
pada 853 dilakukan
tahun
penelitian
kami
Pencarian pada
di fase
pada bulan
literatur
pertama. Agustus
pertama.2021
tahapdilakukan padadan
Catatan menghasilkan
bulan
dipilih
Agustus
jika dianggap
2021 853dan
Catatan
digunakan
416
Proses dipilih
penelitian
ini untuk jika
digunakan dianggap
merupakan
memfilter relevan
untukduplikat
judul
memfilter
dandanberdasarkan
abstrak
judul
369 dan
ditolak.kriteria
artikel.
abstrak
Teks
Pada inklusi
artikel.
lengkap
kriteria kami.
Pada
inklusiProses
pemeriksaan
pemeriksaan, ini
lebih lanjut.
lebih
lanjut
untuk
diambil, 416
untukstudi
pemeriksaan duplikat
pemeriksaan dan
lebih lanjut.369
lebih ditolak.
Setelah
lanjut. Teks lengkap
memeriksa
Setelah memeriksa
secaradari 68 artikel
menyeluruh
teks lengkap utama
sisa 68diambil
secara artikel
menyeluruh dan menerapkan kriteria inklusi dan eksklusi (Gambar 1), total 21 teks
lengkap
memenuhi
memenuhi dan menerapkan
kriteria
kriteria dan kriteria inklusiuntuk
dandipertimbangkan
dipertimbangkan dan eksklusi
untuk penilaian(Gambar
penilaian penuh.1),
penuh. 21 total
21artis 21terpilih
artikel artikel adalah
terpilih artikel

cles dikategorikan berdasarkan judul, penulis, tahun publikasi, lokasi studi, objek dikategorikan berdasarkan judul, penulis, tahun
publikasi, lokasi studi, tujuan, tahun tives, tahun data artikel diadopsi, tingkat pendidikan, dan ukuran sampel. Lainnya data artikel
diadopsi, tingkat pendidikan, dan ukuran sampel. Kriteria esensial lainnya kriteria esensial termasuk metodologi, jenis JST yang
diadopsi dalam studi, input meliputi metodologi, jenis JST yang diadopsi dalam studi, variabel input (independen) dan (independen)
dan output (dependen), evaluasi kinerja JST kriteria, variabel keluaran (tergantung), kriteria evaluasi kinerja JST, prediktor paling
signifikan
model, danpaling
ditunjukkan temuan
dalamsignifikan,
diagram tingkat
studi. Proses akurasi
alir seperti padamodel,
pemindaian Gambardan1
literatur temuan
pemindaian penelitian.
[19]. ditunjukkan Prediktor
literaturdalam proses
diagram alir, seperti
tingkat pada
akurasi
Gambar 1 [19].

Gambar 1. Bagan alur pemilihan dan penyaringan studi.

Gambar 1. Bagan alur pemilihan dan penyaringan studi.
4.1. Karakteristik Studi
4.1. Karakteristik Studidalam
minat penelitian Hebatnya,
menggunakan JST untuk memprediksi kinerja siswa telah berkembang selama
beberapa tahun terakhir, dengan peningkatan substansial dalam jumlah studi Hebatnya, minat penelitian dalam
menggunakan JST untuk memprediksi kinerja siswa antara tahun 2018 dan 2019, seperti Gambar 2 menggambarkan.
Namun, penurunan hasil penerbitan telah tumbuh selama beberapa tahun terakhir, dengan peningkatan substansial
dalam jumlah studi (2019–2021) tidak dapat dianggap sebagai tren karena pencarian database selesai sebelum
akhir tahun 2021. Jumlah yang sangat rendah publikasi selama jangka waktu ini (2013-2021) dapat dikaitkan
dengan kematangan topik penelitian yang rendah karena kebaruannya. Seperti diilustrasikan pada Gambar 2a,
periode peninjauan ini adalah dari 2013 hingga 2021, dengan literatur bersumber dari jurnal peer-review dan
prosiding konferensi melalui pencarian basis data. Secara rinci, 85,7% literatur adalah makalah jurnal, dan 14,3%
adalah prosiding konferensi (Gambar 2b).
 (2013–2021) dapat dikaitkan
Menjelangdengan kematangan
akhir tahun topik penelitian
2021. Jumlah publikasi yang
yang rendah karena selama
sangat rendah kebaruannya.
inif diilustrasikan
Machine Translated by Google pada Gambar 2a, periode tinjauan ini adalah dari tahun 2013 hingga 2021, dengan literatur (2013–
2021) dapat dikaitkan dengan rendahnya kematangan topik penelitian karena novel yang
bersumber dari jurnal peer-reviewed
pada Gambar 2a,dan prosiding
periode konferensi
review melalui
ini dari tahun 2013database
hingga yang
2021,diilustrasikan
dengan pencarian liter.
Secara rinci, 85,7% dari
literatur adalah
jurnal makalah
peer-review jurnal,
dan dan 14,3%
prosiding adalah
konferensi konferensi
melalui yangdata
prosiding bersumber
(Gambar 2b).
Aplikasi Sains. 2022, 12, 1289
mencari. Secara rinci, 85,7% literatur adalah makalah jurnal, dan 14,3% adalah prosiding 5 dari 16
konferensi (Gambar 2b).

(A) (A) (B) (B)

Gambar 2.2.
Distribusi
Tempat (a)
(a)Distribusi
Gambarpublikasi
studi yang
studi studi
disurvei
Gambaryang yang disurvei
disurvei.
per
2. (a) tahun;
Distribusi (B)per
studi tahun;
yang (b) per
disurvei Tempat
tahun;publikasi studi
(b) Tempat yangstudi
publikasi disurvei.
yang disurvei

Lebih
n dari setengah
= 12/21) studi
dilakukanAmerika
studi (57,1%,
di Asia
(57,1%,
(lihat n==12/21)
Selatan, 12/21)
nGambar
4,8% 3), dilakukan
(ndilakukan
=
3),1/21)
14,3%dididiUtara
(nAsia
Asia (lihatdiFiGambar
= 3/21)
(lihat
14,3% Eropa,
(n
Lebih Lebih
= 3/21)
dari
14,3% dari
(n = setengah
disetengah
Eropa, 3/21)
14,3%
studi
di (57,1%,
(n = 3/21)
di Amerika Selatan, Amerika
4,8% (n =Selatan,
1/21) di4,8%
Utara(n3), 14,3%di(nAmerika,
= 1/21) = 3/21) di Eropa,
dan 4,8%14,3% (n = di
(n = 1/21) 3/21) di Selanjutnya,
Afrika.
satu studikunci,
berbasis dilakukan
tetapi
oleh
tidak
oleh
tidak
Amerika,
jelas
Turjelas
Amerika,
di di
mana
dan
mana4,8%
dan
analisis
analisis
4,8%
(n =dilakukan.
(n
1/21)
dilakukan.
= 1/21)
di Afrika.
diSebanyak
Afrika.
Selain
Selanjutnya,
peneliti
itu, satuberbasis
studi
satudilakukan
studi
kunci,
dilakukan
tetapi
oleh peneliti
Sebanyak 295.354Seorang penelitidalam
peserta terlibat yang berbasis
studi yangdi dipilih.
Turki, tetapi
Ukurantidak jelas berkisar
sampel di mana 295.354
analisis dilakukan.
peserta162.030
hingga peserta
yang terlibat
peserta,
peserta,
150dalam yang
hingga
dengan terlibat
dengan
studi
162.030 dalam
rata-rata
yang
rata-rata
dipilih.
peserta,studi
156.015,
156.015,
Ukuran yang
dengan dipilih.
menunjukkan
sampel
menunjukkan
rata-rata Ukuran
berkisar
156.015,
bahwa sampel
bahwa
dari
JST
150 berkisar
menunjukkan
JST
digunakan
hingga
digunakandari
162.030
pada
bahwa295.354
pada JST
150
digunakan pada kumpulan data besar. kumpulan data besar. kumpulan data besar.

Gambar 3. Distribusi studi yang disurvei menurut negara.

Gambar Distribusi
3. Gambar
Distribusi studi3.
studi yang disurvei
yang disurveimenurut
menurutnegara..
negara

4.2. Sinopsis Studi

Untuk mendapatkan gambaran umum tentang studi, penulis mengekstrak data kritis pada
Tabel 2. Informasi yang ditabulasi meliputi tujuan studi, tingkat pendidikan, dan informasi tentang
data, seperti tahun pengumpulan data dan ukuran sampel. Hasil dalam tabel ini menunjukkan
bahwa sebagian besar penelitian berfokus pada prestasi akademik siswa sebagai variabel hasil;
juga, sebagian besar studi mengevaluasi mahasiswa sarjana karena sejumlah besar data pada
tingkat ini. Khususnya, ukuran sampel dalam studi dapat diabaikan, kecuali untuk beberapa studi.
Machine Translated by Google

Aplikasi Sains. 2022, 12, 1289 6 dari 16

Tabel 2. Ringkasan literatur yang ditinjau yang menunjukkan tujuan, tahun, ukuran sampel, dan
tingkat pendidikan.

referensi
Objektif Tingkat pendidikan Bertahun-tahun
Ukuran sampel
Bertujuan untuk melihat seberapa efisien Jaringan Syaraf
(Zacharis, 2016) [20] Tiruan dalam memprediksi prestasi siswa dalam hal Gelar sarjana 2015–2016 265
ketepatan prediksi

(Adekitan dan Salau, 2019) [21] Mengevaluasi hasil kelulusan berdasarkan kinerja 2002–2014 1841
Gelar sarjana
dalam tiga tahun pertama.

Juli 2006,
(Arsad dan Buniyamin, Analisis perbandingan antara Artificial Neural Matrikulasi 391
2007, dan
2013) [22] Jaringan (ANN) dan Regresi Linear (LR) 2008

(Abu-Naser et al., 2015) [23] Kesuksesan mahasiswa tingkat dua yang mendaftar di ITU 150
Gelar sarjana
jurusan teknik

(Amirhajlou et al., 2019) [24] Mahasiswa 2004 dan 2014 841

Perkirakan keberhasilan warga pada ujian preboard kedokteran sarjana

Menguji apakah siswa yang menggunakan sistem pembelajaran ITU 641

(Saputra, 2020) [25] Pendidikan yang lebih tinggi
terkait e-learning akan memiliki hasil prediksi

Prediksi Prestasi Akademik Mahasiswa Sekunder dan ITU

(Fujita, 2019) [26] 649, 260, 20.000
Gelar sarjana

Indikator kognitif dan non-kognitif siswa beserta data konteks

(Musso et al., 2013) [27] untuk mengembangkan model pembelajaran prediktif Gelar sarjana 2009–2011 864
siswa menggunakan JST

(Saarela dan Kärkkäinen, Memahami pengaruh profil mata kuliah inti saat ini terhadap 2009–2013
Gelar sarjana 13.640
2015) [28] keberhasilan belajar siswa

Memahami faktor-faktor yang mempengaruhi proses

(Rivas et al., 2021) [29] pembelajaran universitas dalam Virtual Learning Gelar Master ITU 32; 593
Lingkungan (VLE)

(Aydo ÿgdu, 2020) [30] Memprediksi kinerja siswa Gelar sarjana 2017–2018 3518

(Chen et al., 2014) [31] Usulkan model yang memprediksi kinerja siswa Gelar sarjana 2011–2012 653

(Hamoud dan Humadi, Memprediksi kinerja siswa dan menemukan faktor-faktor 2019 161
yang meningkatkan keberhasilan mereka Gelar sarjana
2019) [32]

Selidiki kemampuan prediksi jaringan saraf yang dilatih oleh

dua algoritme heuristik terbaru yang terinspirasi oleh perilaku 2011–2012 653
(Chen dan Do, 2014) [33] Gelar sarjana
fenomena alam, yaitu,
Algoritma pencarian Cuckoo dan pencarian gravitasi

Temukan hubungan antara hasil siswa dari kursus tertentu

(Rashid dan Aziz, 2016) [34] dan latar belakang sosial mereka, prestasi sebelumnya, 500
Gelar sarjana 2012/2013
dan lingkungan akademik dengan menggunakan
Kecerdasan Buatan
Mengevaluasi prestasi pendidikan kehormatan dan
Untuk membuat pedoman bagi pendidik honorer, 2015–2016 501
(Xu et al., 2018) [35] Gelar sarjana
perlu dilakukan prediksi kinerja siswa berprestasi secara
efektif

(Giannakas et al., 2021) [36] Memprediksi performa akademik tim selama fase pembelajaran 2012–2015 383
Gelar sarjana
dan produksi

(Marwara dan Singla 2020) [12] Periksa faktor-faktor yang memprediksi ITU 2012–2016 2156
kinerja siswa berisiko

(Lau et al., 2019) [37] Memprediksi kinerja siswa Gelar sarjana 2011–2013 1000

(Rodriguez-Hernandez 2016
Memprediksi kinerja akademik Gelar sarjana 162.030
2021) [38]

(Sandoval-Palis et al., Memprediksi kegagalan siswa ITU ITU 1308

2020) [39]

4.3. Prediktor dan Variabel Hasil

Pola spesifik terdeteksi dalam data yang dikumpulkan; hasil pada Tabel 3
menjelaskan variabel independen dan dependen yang digunakan dalam studi terpilih.
Prediktor berbeda dari satu studi ke studi lainnya. Selain hasil subjek, beberapa peneliti termasu
Machine Translated by Google

Aplikasi Sains. 2022, 12, 1289 7 dari 16

aktivitas siswa seperti total lama waktu internet, jumlah peminjaman buku, dan lalu lintas ke
sekolah. Variabel sosial ekonomi terlihat dalam beberapa penelitian, dan beberapa melibatkan
detail keluarga.

Tabel 3. Prediktor dan hasil yang digunakan dalam penelitian.

referensi Prediktor Hasil

Jumlah pesan di LMS yang dilihat dan diposting, pembuatan konten, file yang Hasil kursus
[20]
dilihat, upaya kuis

Poin Nilai Kumulatif tahun kelima dan terakhir

[21] (IPK) untuk tiga tahun pertama studi
Rata-rata (CGPA)
[22] Skor GP di beberapa mata pelajaran CGPA

Nilai universitas tahun pertama, nilai SMA, nilai hasil mata pelajaran matematika
I dan II, Elektronika I, Sirkuit Listrik I, jumlah sks yang lulus siswa selama
CGPA tahun pertama di
[23] tahun pertama kuliah, variabel demografis, jenis sekolah menengah
universitas teknik
(swasta atau umum), lokasi sekolah (di dalam atau di luar Palestina), dan jenis
kelamin siswa
[24] Tiga tahun pertama, catatan pelatihan residensi, jenis kelamin sukses pada ujian pra-papan

Gender, pelatihan, forum, chat, diskusi, upload bantuan,

[25] Keberhasilan e-learning
Pesan, pelatihan kuis, dan total login

Kumpulan data 1: 3 keluaran nilai semester

Dataset 1: 30 atribut (Cortez and Silva., 2008), dataset 2:8 atribut, IPK, CPA, no. pertama, nilai semester kedua dan variabel
beasiswa, skor 1,2,3,4 dan jenis kelamin, kumpulan data 3:3 variabel input nilai akhir yang diperoleh dari (Cortez dan Silva.,
[26]
(durasi langkah, salah dan petunjuk) diperoleh dari (Stamper et al., 2010) 2008), kumpulan data 2: CPA semester berikutnya,
kumpulan data 3 2 keluaran (Correct First Attempt
dan Correct ) diperoleh dari (Stamper et
[27] Variabel kognitif dan demografis al., 2010) (nilai rata-rata, IPK).

Memprediksi nilai rata-rata dan kredit siswa

[28] 21 atribut, lulus kursus dan afiliasi siswa

39 atribut, jenis kelamin siswa, wilayah, tingkat pendidikan, rentang usia,

tingkat kejahatan lingkungan (IMD), berapa kali mereka sebelumnya berpartisipasi
dalam kursus, kredit terdaftar, kecacatan, dan hasil ujian akhir (lulus/gagal). Keberhasilan siswa
[29]
Selain itu, berapa kali siswa berinteraksi dengan salah satu konten kursus
online dihitung di seluruh kursus Jenis kelamin, skor konten, waktu yang
dihabiskan, jumlah entri ke konten,

skor pekerjaan rumah. Kehadiran, kursus yang diarsipkan

[30] Kinerja siswa

Skor ujian masuk universitas, rata-rata skor keseluruhan kelulusan sekolah

menengah atas, ujian, waktu yang berlalu antara lulus dari sekolah
[31] Prestasi akademik siswa.
menengah atas dan memperoleh penerimaan universitas, lokasi sekolah
menengah siswa, jenis sekolah menengah yang dihadiri, variabel input jenis

kelamin 12, diklasifikasikan ke dalam akademik, orang tua, orang, manajerial dan
[32] Siswa lulus atau gagal
sosial

Hasil ujian dan faktor lainnya, seperti lokasi SMA siswa dan jenis kelamin
[33] Kinerja siswa
siswa

Variabel sosial ekonomi, variabel jenis sekolah, variabel prestasi siswa

[34] Kinerja siswa
sebelumnya, variabel keahlian tutor

Rincian akses internet siswa termasuk total lama waktu internet, masa
aktif, lalu lintas, nilai ujian masuk perguruan tinggi mewakili tingkat
[35] pengetahuan awal dan kemampuan belajar siswa, nomor peminjaman buku, Nilai siswa dalam mata pelajaran
dan tanggal lahir, nilai ujian tengah semester pertama
Machine Translated by Google

Aplikasi Sains. 2022, 12, 1289 8 dari 16

Tabel 3. Lanjutan.

referensi Prediktor Hasil

116 fitur untuk tahap produksi (data produk) dan 84 untuk tahap pembelajaran
[36] Performa tim
23 faktor termasuk

faktor demografi akademik, sosial, dan perilaku dengan kinerja semester Siswa berisiko
[12]
sebelumnya. 11 variabel meliputi latar belakang

sosial ekonomi, hasil ujian masuk universitas, dan CGPA. CGPA

[37]

123 variabel, termasuk prestasi akademik sebelumnya, biaya kuliah, status

sosial ekonomi siswa, karakteristik rumah siswa, status rumah tangga siswa,
[38] informasi latar belakang siswa, karakteristik sekolah menengah, status bekerja, Tingkat kinerja (rendah atau tinggi)
latar belakang universitas, dan prestasi akademik di perguruan tinggi.

Skor aplikasi, indeks kerentanan, jenis kelamin, segmen populasi, prioritas

[39] aplikasi, contoh aplikasi, jenis sekolah, rezim, provinsi, etnis, disabilitas Tingkat lulus

4.4. Metode dan Kinerja

Keakuratan prediksi kinerja siswa bervariasi karena banyak faktor seperti ukuran data,
variabel yang dievaluasi, dan jenis metode yang digunakan. Metode yang digunakan dalam
studi yang dinilai diperkenalkan pada Tabel 4, termasuk jenis JST atau algoritma yang
digunakan, akurasi model, dan temuan yang luar biasa.

Tabel 4. Temuan tinjauan pustaka berdasarkan metode algoritma atau jenis JST, akurasi model, dan temuan.

referensi
Jenis Algoritma/ANN Akurasi Model Temuan

MLP 98,30% JST memprediksi keberhasilan siswa dengan akurasi tinggi,

[20]
sangat tinggi, dengan 98,3%

Regresi kuadrat
[21] Jaringan Syaraf Probabilistik (PNN) Prediktor PNN memiliki akurasi paling kecil sebesar 85,89%
murni sebesar 0,957

93% Hasilnya menunjukkan akurasi NN yang unggul dibandingkan

[22] NN dan regresi logistik
model regresi linier

84,60% Potensi Jaringan Syaraf Tiruan untuk memprediksi kinerja

[23] Feed backpropagation
siswa
RMSE = 0,325,
MAE = 0,212 MLP-ANN memberikan hasil yang paling unggul, paling kecil
[24] JST, algoritma SVM, dan MR dalam hal kesalahan
(MLP-ANN)

97.9 Akurasi model yang baik untuk memprediksi

[25] Pengoptimalan Gerombolan Partikel JST
kinerja siswa

MANFIS-S (Multi Adaptif

ITU Keunggulan MANFIS-S dibanding algoritma terkait
[26] Sistem Inferensi Neuro-Fuzzy dengan
dalam hal akurasi
Set Perwakilan)

Akurasi ANN yang lebih besar dibandingkan dengan metode

Jaringan saraf perceptron 87% hingga 100%
[27] tradisional seperti analisis diskriminan. Selain itu, JST memberikan
multilayer backpropagation,
informasi tentang prediktor tersebut
Kombinasi triangulasi dalam-metode dan antara-metode
[28] Umpan maju MLP ITU
memberikan hasil yang sangat solid,
Pohon keputusan, Hutan Acak,
78,20% JST diusulkan untuk memprediksi model perilaku yang
[29] Peningkatan gradien ekstrim,
JST MLP mampu meningkatkan prestasi akademik.
Machine Translated by Google

Aplikasi Sains. 2022, 12, 1289 9 dari 16

Tabel 4. Lanjutan.

referensi
Jenis Algoritma/ANN Akurasi Model Temuan

Model tersebut mampu memprediksi kinerja siswa secara akurat,

JST 80,47% dan penelitian ini merekomendasikan penggunaan input
[30]
tambahan seperti jumlah klik dan data penjelajahan lainnya dari
sistem pembelajaran online.

Multiple Linear Regression, JST

memvalidasi hasil dengan MLR Cuckoo Perkuat fakta bahwa analisis komparatif dari berbagai
[31] 86,32% algoritme pelatihan selalu mendukung peningkatan kinerja
Cari (CS) dan Cuckoo
jaringan saraf
Algoritma Optimasi (COA)

JST MLP dengan pemilihan Faktor 87% Model JST memberikan akurasi yang lebih tinggi dibandingkan dengan
[32]
Pohon Keputusan, Pengelompokan Melalui PCA, Bayesian

JST–GSA, JST–CS. Jaringan saraf umpan NN yang dilatih oleh pencarian Cuckoo dapat digunakan dalam
[33] 90,64%
maju prediksi prestasi akademik siswa

[34] MLP 83% ANN mampu memprediksi kinerja dengan sukses

Elman neural network dan melatih jaringan secara wajar,

jaringan saraf Elman, BPNN
[35] 84,00% model prediktif lebih efektif dibandingkan dengan BPNN dan
(Jaringan saraf backpropagation)
metode regresi linier

Jam rapat, jam pengiriman kode secara signifikan memprediksi

ANN perceptron, Aditif Shapley 80,76% dan 86,57%
[36] kinerja tim selama fase produksi dan pembelajaran
Penjelasan (SHAP)

Model ML, Pohon Keputusan, Berulang

Dikotomiser, Chi-kuadrat
[12] Detektor Interaksi Otomatis, Naif
Pengklasifikasi Bayes, Induksi Aturan,
Hutan Acak, Ensemble NA
Model ansambel memberikan prediksi paling akurat (kesalahan 0,398
RMS).
86,67% (Ensemble)
Data akademik, pendapatan, dan kualifikasi keluarga
berpengaruh signifikan terhadap kinerja siswa

Algoritma Levenberg-Marquardt, pembelajaran Model memiliki kinerja yang lebih baik daripada yang sudah ada
[37] terawasi berbasis BP), 84,80% dan menunjukkan akurasi prediksi yang efektif. Hasil ujian
backpropagation bahasa Inggris sangat berkorelasi dengan CGPA.

Pencapaian akademik sebelumnya, latar belakang universitas,

MLP 82,10% (tinggi)
[38] karakteristik sekolah menengah atas, dan SES siswa
70,89% (rendah)
memprediksi kinerja secara signifikan
Model gagal mencapai maksimum
[39] Perceptron berlapis-lapis 74,5%
kinerja klasifikasi.

5. Diskusi
5.1. Domain Penelitian
Dalam beberapa tahun terakhir, banyak penelitian telah berkonsentrasi pada bidang
evaluasi keberhasilan siswa di EDM. Sejumlah besar artikel, terutama tentang pendidikan
tinggi, telah dilaporkan [8]. Identifikasi dini tidak diragukan lagi penting karena dapat digunakan
untuk mendukung organisasi pendidikan dalam melaksanakan tindakan dan kebijakan.
Berbagai metode penambangan data dan fitur penjelas digunakan untuk mencoba dan
meramalkan hasil akademik, termasuk pola perilaku demografis dan akademik, aktivitas
online, antara lain [ 40]. Tujuan utama artikel ini adalah menganalisis temuan dari lima tahun terakhir (
Ada kebutuhan untuk memahami keberhasilan siswa dan faktor-faktor yang berkontribusi
terhadap keberhasilan ini dan kinerja keseluruhan di semua tingkatan. Semua studi memprediksi
keberhasilan atau kegagalan siswa , memprediksi kinerja siswa, dan menyelidiki faktor-faktor
yang meningkatkan keberhasilan mereka [20,23,26,30,32,34]. Beberapa studi bertujuan untuk
membandingkan JST dan teknik lainnya untuk mencapai tujuan yang sama: prediksi kinerja siswa
termasuk Linear Regression (LR) [22]. Dalam studi lain, perbandingan dibuat antara dua
metodologi JST seperti pencarian Cuckoo dan algoritma pencarian gravitasi [31,33].
Mengenai tingkat pendidikan, semua studi yang ditinjau mengevaluasi kinerja siswa
dan menerapkan JST di tingkat universitas atau lebih tinggi. Dalam dua studi, sekunder
Machine Translated by Google

Aplikasi Sains. 2022, 12, 1289 10 dari 16

siswa sekolah dalam hubungannya dengan hasil mahasiswa universitas digunakan [22,26];
metodologi yang sama diterapkan untuk mahasiswa master [27,28]. Meskipun beberapa
studi menyelidiki kinerja siswa dalam disiplin medis [19], sebagian besar studi difokuskan
pada mahasiswa teknik termasuk arsitektur, mekanik, listrik, sipil, teknologi informasi, dan
disiplin perangkat lunak [34]. Studi lain menggunakan berbagai disiplin ilmu, termasuk bisnis
dan pemasaran, komunikasi sosial, hukum, kedokteran, teknik, dan psikologi [27]. Beberapa
penelitian berfokus pada E-learning atau Virtual Learning Environments (VLEs) [20,29,30].
Berbagai ukuran sampel digunakan berdasarkan ketersediaan data.

5.2. Jaringan Syaraf Tiruan

Jaringan saraf adalah persamaan yang menjelaskan struktur matematis yang terdiri dari
beberapa elemen komputasi yang saling terkait yang disebut neuron, mirip dengan nama yang
diberikan pada elemen pusat sistem saraf manusia. Dalam beberapa kasus, neuron ini, disebut
sebagai perceptron, atau node dalam topologi jaringan, melakukan operasi sederhana pada
inputnya dan mengirimkan output ke node yang sesuai [23,30]. Neural network bersifat polimorfik
dalam formasi struktural dan paralel dalam komputasi algoritme, dan mereka dapat digambarkan
sebagai sistem elemen pemrosesan yang saling terhubung secara padat yang mampu
melakukan komputasi paralel. JST berisi lapisan input (yang dapat dianggap sebagai variabel
independen atau variabel prediktor), satu atau lebih lapisan tersembunyi, dan lapisan output
seperti variabel dependen kategoris. Semua JST menggunakan beberapa entitas pemrosesan yang dapa
Ini adalah proses di mana jaringan belajar dan beradaptasi dengan pola input dengan
mengembangkan hubungan matematis yang unik berdasarkan pola set data input yang
dirasakan menggunakan kecocokan variabel input dengan hasil, untuk setiap kasus.
Perbedaan antara metodologi analitik tradisional dan JST adalah bahwa metode tipikal
mempertimbangkan jenis koneksi khusus antara variabel input dan variabel hasil dan
kemudian menggunakan banyak prosedur yang sesuai untuk mengubah nilai parameter dalam m
Pada saat yang sama, jaringan saraf membuat hubungan matematis dengan "mempelajari"
pola semua input dari kasus individu mana pun yang digunakan dalam melatih jaringan [23,30].
JST dapat menghasilkan hasil yang diprediksi untuk setiap kasus yang dimasukkan
selama fase pelatihan. Selain itu, salah satu manfaat signifikan pembelajaran mesin yang
membuatnya semakin populer dibandingkan metode statistik tradisional adalah prediksi yang
salah. Jaringan memiliki kemampuan untuk menyesuaikan dan menghitung ulang bobot
hubungan matematis antara variabel masukan yang mewakili prediktor dan, dengan hasil yang
diharapkan, bobot yang diwakili dalam lapisan tersembunyi jaringan. Variabel dependen hasil
adalah keluaran yang diprediksi, yang biasanya merupakan variabel kontinu seperti dalam
kasus memprediksi kinerja siswa. Dengan demikian, hasilnya biasanya sukses atau gagal, atau
lulus atau gagal; hasil ini dikaitkan dengan nilai unik untuk setiap kasus input (atau subjek).
Variabel input memiliki informasi tentang kemungkinan berhubungan dengan setiap klasifikasi
kategori dari variabel output yang digunakan dalam pengembangan JST yang diadopsi. Selama
proses pelatihan, jaringan meningkatkan akurasinya dalam mereplikasi hasil kasus uji yang
diketahui. Sampai satu atau lebih kriteria penghentian yang ditentukan sebelumnya terpenuhi ,
jaringan saraf memperbaiki prediksinya. Tingkat akurasi minimum, tingkat pembelajaran,
ketekunan, jumlah iterasi, jumlah waktu, dan kriteria lainnya dapat digunakan sebagai kriteria
penghentian [23].
Dalam artikel yang ditinjau, penulis biasanya membagi kumpulan data menjadi input
data aktual, yang biasanya dibuat antara 60–70% dari data yang diperoleh; dalam beberapa
penelitian, 40-30% sisanya digunakan untuk pelatihan model JST. Dalam beberapa kasus,
10% data digunakan untuk menentukan keakuratan model JST yang diusulkan. Salah satu
keuntungan utama dari pembelajaran mesin, termasuk metode JST, adalah bahwa setelah
model dilatih, kemampuan prediksi dari model yang dilatih diuji dengan kasus yang tersisa
dalam kumpulan data, yang dilaporkan dalam beberapa penelitian menjadi serendah
mungkin. sebagai 10% dari kumpulan data asli. Proses ini penting untuk validasi kapasitas
prediksi model. Proses validasi melibatkan pengamatan bobot dalam model yang ditetapkan
pada nilai yang diperoleh selama fase pelatihan. Proses ini sangat penting sebelum jaringan dikemba
Machine Translated by Google

Aplikasi Sains. 2022, 12, 1289 11 dari 16

digunakan untuk memprediksi kelas hasil dalam kumpulan data baru. Ini kemudian dapat digunakan untuk
memprediksi hasil masa depan dalam kasus di mana hasilnya masih belum diketahui [20,24,29,32].
Tinjauan literatur mengungkapkan bahwa meskipun JST memberikan akurasi hasil prediksi yang
tinggi, literatur tampaknya menggunakan JST pada tingkat yang lebih rendah karena penerapan JST
terbatas pada perangkat lunak canggih seperti SPSS dan MATLAB [9,20–22,27 ]. Perangkat lunak ini
membutuhkan pengetahuan ahli tentang statistik, algoritme, dan penambangan data, yang tidak
tersedia untuk sebagian besar guru dan pendidik, membatasi aplikasi kehidupan nyata dan penggunaan
perangkat lunak tersebut. Selain itu, algoritma dan data mining lain seperti algoritma Decision Tree
dianggap lebih sering digunakan karena tersedianya aplikasi yang lebih user friendly yang
dikembangkan oleh University of Waikato, Selandia Baru. Perangkat lunak ini berlisensi gratis dan
menggunakan penambangan data dan analisis prediktif untuk menggabungkan alat visualisasi dan
antarmuka pengguna grafis. Fitur-fitur ini menarik lebih banyak pengguna untuk menggunakan
perangkat lunak dibandingkan dengan JST.
Kriteria inklusi pencarian difokuskan pada JST, meskipun dalam beberapa penelitian, teknik ini
tidak digunakan sendiri; [21] menggunakan Probabilistic Neural Networks (PNNs) berdasarkan DDA
(Dynamic Decay Adjustment). Dibandingkan dengan Prediktor Ensemble Pohon, Prediktor Hutan
Acak, Prediktor Naïve Bayes, Prediktor Pohon Keputusan, dan Prediktor Regresi Logistik menggunakan
Konstanz Knowledge Miner (KNIME). referensi [22] menggunakan kedua NN dibandingkan dengan
algoritma konvensional, yaitu regresi logistik.
Demikian pula, [25] juga menggunakan JST, regresi berganda, dan algoritma SVM. referensi [21] menggunakan
MANFIS-S (Sistem Inferensi Neuro-Fuzzy Multi Adaptif dengan Set Representatif)
referensi [32] menggunakan teknik yang dikenal sebagai Pemilihan faktor, berdasarkan analisis
komponen utama, untuk mengurangi jumlah variabel dalam survei menjadi jumlah konstruksi yang lebih
kecil yang dikenal sebagai reduksi dimensi. Konstruksi baru kemudian digunakan sebagai masukan untuk JST.
Studi lain menggunakan JST untuk memvalidasi hasil yang diperoleh dengan metode lain [28,29].
Multi-layer perceptrons (MLPs) adalah jenis algoritma JST paling populer yang digunakan oleh sebagian besar
penelitian [9,20,21,24,27,29,32,34].
Beberapa studi menggunakan berbagai jenis MLP, termasuk feedforward [23,28] studi lain menggunakan
Backpropagation NN [23,27]. Studi lain menggunakan teknik yang berbeda seperti Elman neural network, BPNN
[29], Probabilistic Neural Network (PNN) di [16], Particle Swarm Optimization di [23], Cuckoo Search (CS), dan
Cuckoo Optimization Algo rithm (COA) di [31,33]. Tidak ada hubungan yang jelas antara jenis JST yang
digunakan dan tingkat akurasi, maupun ukuran sampel yang digunakan. Satu-satunya tautan yang diusulkan
atau dilihat untuk meningkatkan akurasi model prediksi adalah pelatihan jaringan, seperti yang disajikan dalam
[24]. Studi ini memberikan kontribusi akurasi prediksi yang tinggi untuk kombinasi penggunaan JST bersama-
sama dengan metode lain seperti analisis cluster dan jaringan Kohonen dan bukan sifat dari jenis variabel atau
atribut yang dipilih. Selanjutnya, pengamatan serupa ditunjukkan oleh [25].

Semua studi yang ditinjau menunjukkan akurasi ANN yang unggul dibandingkan algoritma prediksi
tradisional lainnya dan teknik penambangan data lainnya. Hanya dalam satu penelitian ditemukan bahwa PNN
menunjukkan akurasi paling rendah dibandingkan dengan Tree Ensemble Predictor, Random Forest Predictor,
Naïve Bayes Predictor, Decision Tree Predictor, dan Logistic Regression Predictor menggunakan Konstanz
Knowledge Miner (KNIME) [21] .

5.3. Variabel Input yang

Digunakan Variabel input yang digunakan dalam studi yang ditinjau tampaknya tidak mengikuti
pola tertentu kecuali untuk penggunaan nilai siswa dan IPK dari tahun studi sebelumnya. Berdasarkan
konteks penelitian ini, variabel dan bagian input sangat bervariasi antara satu penelitian dengan
penelitian lainnya. Sebagai contoh, ketika [17] mencoba memprediksi mahasiswa yang akan berprestasi
lebih baik selama belajar di Fakultas Teknik dan Teknologi Informasi, mereka memilih variabel input
yang diyakini terkait dengan pemahaman mahasiswa tentang Teknik. Variabelnya meliputi Matematika
I dan II, Elektronika I, Rangkaian Listrik I SMA. Masukan ini digabungkan dengan nilai tahun pertama
di universitas.
Machine Translated by Google

Aplikasi Sains. 2022, 12, 1289 12 dari 16

Tidak semua penelitian menggunakan nilai akademik; [27] menggunakan variabel kognitif untuk
menentukan kinerja siswa. Penelitian ini menerapkan variabel seperti memori Kerja (Kecerdasan dan
kemampuan untuk memperoleh pengetahuan baru), Perhatian, dan strategi Belajar. Studi ini
menggunakan beberapa tugas terkomputerisasi seperti Attention Network Test (ANT) diadaptasi dari
[41], Rentang Operasi Otomatis diadaptasi dari [42], dan Kuesioner Strategi Pembelajaran diadaptasi
dari [43-45]. Dari survei tersebut, penelitian ini mengekstraksi variabel input Waktu Reaksi Umum,
Jaringan Perhatian, Kapasitas Memori Kerja, Operasi Waktu Reaksi.
Sumber daya kognitif / Pemrosesan kognitif, Manajemen Kecemasan, Peringatan Perhatian, dan
Perhatian Berorientasi.
Studi ini juga memasukkan variabel demografi yang berhubungan dengan jenis kelamin dan tingkat
pendidikan serta pekerjaan orang tua. Faktor-faktor ini tampaknya diimplementasikan dalam banyak
penelitian [22,25,27,32,34] karena biasanya informasi ini mudah diperoleh. Selain itu, sebagian besar
studi menggunakan IPK atau berbagai nilai mata pelajaran, [21,24,26,31,34], karena alasan yang sama,
karena informasi ini mudah diperoleh, terutama dalam pengaturan retrograde untuk memprediksi skor
atau kesuksesan di masa mendatang. dan kegagalan siswa yang sama.
Studi yang menguji lingkungan pembelajaran virtual [20] memilih variabel input
yang sesuai seperti jumlah pesan pada LMS yang dilihat dan diposting, pembuatan
konten, file yang dilihat, dan upaya kuis. Data-data ini dengan mudah diperoleh dan
dicatat dalam LMS. Variabel yang relatif sama digunakan oleh [25] dalam memprediksi
tingkat kelulusan siswa e-learning. Variabel input meliputi Jenis Kelamin, Total Login,
Pelatihan Kuis, Pesan, Bantuan Unggah, Forum, Pelatihan, Obrolan, dan Diskusi.
Kedua studi menghasilkan akurasi JST yang tinggi, masing-masing mencapai 98,30% dan 97,9
Lingkungan belajar virtual menjadi semakin populer dalam penelitian terbaru [29] yang memprediksi
keberhasilan siswa di tingkat master. Studi ini menggunakan informasi yang diekstraksi dari platform
Moodle, yang bertujuan untuk memantau dan mengekstrak variabel input tertentu termasuk akses,
jumlah kunjungan, klik per jam setiap akses, Klik sumber daya dan Pesan di forum. Selain itu, hasilnya
menunjukkan peningkatan kinerja siswa dengan peningkatan masing-masing variabel.

Tingkat gangguan siswa dari penggunaan internet dan waktu yang dihabiskan di internet adalah
salah satu variabel yang diterapkan dalam memeriksa nilai siswa berprestasi dalam penelitian [35] .
Studi ini menggunakan kombinasi masukan menarik yang diyakini mempengaruhi kinerja siswa. Variabel
input ini meliputi variabel yang disebutkan sebelumnya, jumlah buku yang dipinjam dari perpustakaan,
nilai ujian masuk perguruan tinggi, dan nilai tengah semester pertama; model menunjukkan akurasi
yang memuaskan hingga 84%.
Pengamatan serupa dilaporkan dalam literatur lain [46], dan juga menggunakan skor dalam jangka
waktu atau akhir semester sebagai faktor masukan dalam sirkulasi keberhasilan siswa. Dalam tinjauan
yang dilakukan, ditemukan bahwa rata-rata nilai keseluruhan dan penilaian internal (kuis, studi
laboratorium, dan kehadiran) umumnya digunakan dalam memprediksi hasil siswa. Penilaian eksternal
(ujian akhir) dan karakteristik demografi (jenis kelamin, usia, status keluarga, dan status gangguan) juga
digunakan untuk meramalkan kemajuan siswa dalam penelitian tertentu. Perilaku ekstrakurikuler ,
riwayat sekolah menengah, dan variabel kontak sosial, serta pengaruh psikometrik (terkait siswa,
perilaku belajar, masa kehadiran, dan dukungan keluarga), semuanya dianggap digunakan untuk menilai
keberhasilan siswa. referensi [47] menggunakan nilai rata-rata tertimbang umum mereka , nilai huruf
dari kelas tertentu, dan nilai ujian tengah semester dan ujian akhir untuk mencoba memperkirakan
keberhasilan akademik siswa. Sebuah studi sebelumnya [48] menggunakan Jaringan Syaraf Tiruan,
Pohon Keputusan, dan analisis regresi linier untuk memperkirakan keberhasilan siswa berdasarkan nilai
rata-rata kumulatif. Meskipun banyak penelitian cenderung memasukkan variabel demografis dan sosial
ekonomi sebagai faktor kontribusi dan prediksi untuk kinerja dan kesuksesan siswa, [49] melaporkan
bahwa dengan menggunakan nilai saja, adalah mungkin untuk memperkirakan keberhasilan siswa tanpa
menggunakan detail sosial ekonomi apa pun.

6. Pekerjaan Masa Depan

Penggunaan JST dalam konteks pendidikan perlu memiliki bukti berbasis praktis
dari penggunaan aktual dan penerapan metodologi atau pendekatan dalam pendidikan.
Machine Translated by Google

Aplikasi Sains. 2022, 12, 1289 13 dari 16

kebijakan untuk mencapai tujuan akhir, yaitu perbaikan proses pembelajaran.

Aplikasi praktis dari temuan penelitian ini hanya ditunjukkan dalam beberapa kasus. Temuan nyata yang sangat
terbatas mengacu pada penggunaan teknik untuk konteks aktual dan tujuan target yang merupakan peningkatan
hasil, kinerja, dan pencapaian siswa melalui umpan balik dan prediksi yang diadopsi dari pendekatan metodologis
dan algorisme yang diusulkan. Secara keseluruhan, ulasan ini menemukan beragam jenis metode analisis JST
dan penekanan yang kuat pada pendidikan tinggi.

Rekomendasi penting dari tinjauan ini adalah untuk mengatasi kesenjangan yang teridentifikasi,
yang terkait dengan penerapan JST secara teoritis dan terbatas dalam konteks aktual peningkatan
prestasi akademik siswa. Studi masa depan perlu mengembangkan penelitian yang bertujuan untuk
berkontribusi pada aplikasi aktual dalam proses dan praktik pengajaran sehari-hari, dan mendukung
pengambilan keputusan kebijakan pendidikan, yang harus menjadi alternatif. Umpan balik internal
dengan contoh sukses menggunakan berbagai algoritme dan teknik dari waktu ke waktu, tanpa
penerapan praktis, dapat menyebabkan layunya bidang ilmiah. Penerapan praktis dari hasil, di sisi lain,
akan memperluas cakupan penelitian dan bermanfaat bagi komunitas penelitian dan komunitas
pendidikan yang lebih luas.
Terakhir, dan yang paling penting, berdasarkan kajian literatur saat ini, ada kebutuhan untuk memperluas
bidang ini melampaui pendidikan tinggi dan berfokus terutama pada tingkat pendidikan awal. Ini akan melayani
lebih banyak siswa di kelas yang lebih beragam dan memiliki dampak yang lebih besar pada kehidupan dan
masyarakat mereka secara keseluruhan, arah masa depan yang paling menonjol untuk bidang ini. Ini adalah
jalan yang dapat mengarah pada peluang penelitian baru, tetapi yang lebih penting, hal itu dapat mengarah
pada hasil yang berdampak lebih besar pada pendidikan dan masyarakat.

7. Kesimpulan

Fokus pada pendidikan tinggi mendominasi artikel yang kami ulas. Tinjauan sistematis metodologi
literatur yang diadopsi dalam makalah ini mengarah pada pengamatan khusus dan poin kesimpulan
tentang penggunaan Jaringan Syaraf Tiruan dalam memprediksi prestasi dan kinerja siswa. Salah satu
pengamatannya adalah bahwa artikel yang diulas terutama berfokus pada pendidikan tinggi, termasuk
pendidikan universitas di berbagai bidang. Hal ini dapat dikaitkan dengan fakta bahwa pengaturan
pendidikan tinggi memiliki ketersediaan data yang signifikan dan meningkatnya keakraban para peneliti
dengan institusi universitas, terutama domain teknik. Di sisi lain, pendidikan menengah dan dasar, di
mana populasi yang lebih besar dan ukuran sampel yang lebih besar dapat diperoleh, tampaknya tidak
berkembang dengan cara yang sama dalam hal perhatian yang mereka terima dari peneliti data mining
pendidikan.
Terlepas dari kenyataan bahwa ada banyak ruang untuk penelitian karena usia siswa yang lebih tua,
keragaman mata pelajaran, dan tingkat pembelajaran siswa yang berbeda antara lain, bidang ini belum
berkembang seperti yang diharapkan. Selain itu, berkurangnya aksesibilitas data, prosedur untuk
menyetujui penelitian oleh otoritas pendidikan, peningkatan perhatian yang diberikan pada data pribadi
siswa , dan sebagainya merupakan penghalang utama untuk pengembangan penelitian lebih lanjut.
Hasil menunjukkan bahwa JST selalu digunakan dalam kombinasi dengan analisis data
dan metodologi dan algoritma penambangan data, yang memungkinkan penelitian untuk
menilai keefektifan temuan mereka dalam mengevaluasi prestasi akademik. JST telah
menunjukkan akurasi yang tinggi dalam memprediksi hasil prestasi akademik, meskipun hasil
serupa diperoleh dengan pendekatan data mining lainnya. Tingkat akurasi yang diperoleh dari
metodologi tampaknya tidak dipengaruhi oleh faktor-faktor seperti ukuran sampel, tingkat,
bidang pendidikan, atau konteks studi. Lebih lanjut diamati bahwa teknik penambangan data
yang sama digunakan lebih dari yang lain. Selain itu, tercatat bahwa menggunakan berbagai
teknik penambangan data tidak secara signifikan meningkatkan tingkat akurasi prediksi.
Mengenai variabel input, tidak ada pola yang terdeteksi terkait pemilihan variabel input, karena
beberapa penelitian menggunakan atribut kognitif. Sebaliknya, yang lain terbatas pada skor konvensional
siswa baik berdasarkan mata pelajaran atau tahun tanpa perbedaan yang signifikan dalam akurasi
model prediksi. Karena kemudahan dan ketersediaan data nilai mahasiswa, seperti IPK akumulatif,
paling sering digunakan sebagai variabel masukan selain beberapa variabel demografis termasuk jenis
kelamin. Nilai dulu
Machine Translated by Google

Aplikasi Sains. 2022, 12, 1289 14 dari 16

sering digabungkan dengan data demografis dan akademik. Tidak ada kombinasi yang
menghasilkan akurasi yang lebih besar. Dalam sebagian besar penelitian, hanya ekspresi saran
tentang bagaimana hasil dapat digunakan lebih umum, tetapi tanpa sesuatu yang spesifik. Dengan
demikian, tujuannya tampaknya mendistorsi praktik.

Kontribusi Penulis: Konseptualisasi, YB, GA; metodologi, YB, GA, AM; investigasi, YB, GA, AM; sumber daya, GA,
YB, AM, AQA, dan AAA; penulisan—penyusunan draf asli, GA,YB, AQA, YAA dan AM; menulis—review dan editing,
YB, GA, AM, AAA, YAA; WH dan SKT; pengawasan, AAA,WH dan SKT; administrasi proyek, AAA, WH; akuisisi
pendanaan , AAA, YAA dan WH Semua penulis telah membaca dan menyetujui versi naskah yang diterbitkan.

Funding: This research was funded by Northern Border University (NBU), Saudi Arabia, and Universiti Tenaga Nasional
(UNITEN), Malaysia.

Pernyataan Dewan Peninjau Institusional: Tidak berlaku.

Pernyataan Informed Consent: Tidak berlaku.

Pernyataan Ketersediaan Data: Data tersedia dari penulis terkait untuk peneliti yang memenuhi kriteria untuk
mengakses data.

Ucapan Terima Kasih: Para penulis menyampaikan penghargaan mereka kepada Kedeputian Riset & Inovasi,
Kementerian Pendidikan di Arab Saudi yang telah mendanai pekerjaan penelitian ini melalui nomor proyek “IF-2020-101”.
Selain itu, penulis ingin mengucapkan terima kasih atas dukungan publikasi melalui J510050002-IC-6
BOLDREFRESH2025-CENTRE OF EXCELLENCE dari iRMC Universiti Tenaga Nasional.

Konflik Kepentingan: Para penulis menyatakan bahwa tidak ada konflik kepentingan. Para penyandang dana tidak
memiliki peran dalam desain penelitian; dalam pengumpulan, analisis, atau interpretasi data; dalam penulisan naskah ;
atau dalam keputusan untuk mempublikasikan hasil.

Referensi
1. Arora, N.; Saini, JR Sebuah jaringan saraf probabilistik fuzzy untuk prediksi kinerja akademik siswa. Int. J.Innov. Res. Sains.
Eng. Technol. 2013, 2, 4425–4432.
2. Bhutto, ES; Siddiqui, JIKA; Arain, QA; Anwar, M. Memprediksi Prestasi Akademik Mahasiswa Melalui Supervised Machine Learning. Dalam Prosiding
Konferensi Internasional 2020 tentang Ilmu Informasi dan Teknologi Komunikasi (ICISCT), Tashkent, Uzbekistan, 7–9 Oktober 2020; hlm. 1–6.

3. Lagu, X.; Li, J.; Sun, S.; Yin, H.; Dawson, P.; Doss, RRM SEPN: Model Prediksi Kinerja Akademik Berbasis Keterlibatan Berurutan . IEEE Intell. Sistem.
2021, 36, 46–53. [Referensi Silang]
4. Bouwmans, T.; Javed, S.; Sultana, M.; Jung, SK Konsep jaringan saraf dalam untuk pengurangan latar belakang: Tinjauan sistematis dan evaluasi komparatif.
Jaringan Neural. 2019, 117, 8–66. [Referensi Silang] [PubMed]
5. Figueiredo, J.; Lopes, N.; García-Peñalvo, FJ Memprediksi Kegagalan Siswa dalam Kursus Pemrograman Pengantar dengan Beberapa Propagasi Belakang.
Dalam Prosiding Konferensi Internasional Ketujuh tentang Ekosistem Teknologi untuk Meningkatkan Multikulturalitas, León, Spanyol, 16–18 Oktober
2019; hlm. 44–49. [Referensi Silang]
6. Vandamme, J.-P.; Meskens, N.; Superby, J.-F. Memprediksi Prestasi Akademik dengan Metode Data Mining. Pendidikan Ekon. 2007, 15,
405–419. [Referensi Silang]
7. Fenollar, P.; Román, S.; Cuestas, kinerja akademik mahasiswa Universitas PJ: Kerangka kerja konseptual integratif dan analisis empiris. Sdr. J.
Pendidikan. Psikol. 2007, 77, 873–891. [Referensi Silang] [PubMed]
8. Ruban, LM; McCoach, DB Perbedaan Gender dalam Menjelaskan Nilai Menggunakan Structural Equation Modeling. Pendeta Tinggi. Pendidikan
2005, 28, 475–502. [Referensi Silang]
9. Kyndt, E.; Musso, M.; Cascallar, E.; Dochy, F. Memprediksi prestasi akademik: Peran kognisi, motivasi dan pembelajaran
pendekatan. Sebuah analisis jaringan saraf. Metode. Chall. Res. Pejantan. Mempelajari. 2015, 1, 55–76.
10. Guang-Yu, L.; Geng, H. Penelitian Analisis Perilaku dan Prediksi Prestasi Mahasiswa Berdasarkan Algoritma XGBoost Gradient Lifting Decision Tree.
Dalam Prosiding 2019 7th International Conference on Information and Education Technology—ICIET 2019, Aizu, Jepang, 29–31 Maret 2019; hlm. 289–
294. [Referensi Silang]
11. Xing, W.; Li, C.; Chen, G.; Huang, X.; Chao, J.; Massicotte, J.; Xie, C. Penilaian Otomatis Desain Teknik Siswa
Kinerja Menggunakan Model Jaringan Bayesian. J. Pendidikan. Komputer. Res. 2021, 59, 230–256. [Referensi Silang]
12. Marwaha, A.; Singla, A. Kajian Faktor-Faktor untuk Memprediksi Siswa Berisiko Berdasarkan Teknik Pembelajaran Mesin. Lanjut Intell. Sistem.
Komputer. 2019, 989, 133–141. [Referensi Silang]
Machine Translated by Google

Aplikasi Sains. 2022, 12, 1289 15 dari 16

13. Namoun, A.; Alshanqiti, A. Memprediksi kinerja siswa menggunakan teknik data mining dan learning analytics: Sistematika
Tinjauan Literatur. Aplikasi Sains. 2021, 11, 237. [Ref Silang]
14. Baashar, Y.; Alkawsi, G.; Ali, N.; Alhussian, H.; Bahbouh, HT Memprediksi kinerja siswa menggunakan metode pembelajaran mesin: Tinjauan literatur yang
sistematis. Dalam Prosiding Konferensi Internasional 2021 tentang Ilmu Komputer & Informasi (ICCOINS), Ipoh, Malaysia, 13 Juni 2021; hlm. 357–362.

15. Du, X.; Yang, J.; Hung, J.-L.; Shelton, B. Penambangan data pendidikan: Tinjauan sistematis penelitian dan tren yang muncul. Inf.
Diskov. Deliv. 2020, 48, 225–236. [Referensi Silang]
16. Hellas, A.; Ihantola, P.; Petersen, A.; Ajanovski, VV; Gutica, M.; Hynninen, T.; Liao, SN Memprediksi prestasi akademik: Tinjauan literatur yang sistematis. Dalam
Prosiding Companion of the 23rd Annual ACM Conference on Innovation and Technology in Computer Science Education, New York, NY, USA, 2–4 Juli 2018;
hlm. 175–199. [Referensi Silang]
17. Kumar, M.; Singh, AJ; Handa, D. Survei literatur prediksi kinerja siswa di bidang pendidikan dengan menggunakan teknik data mining. Int. J. Pendidikan. Kelola.
Eng. 2017, 7, 40–49. [Referensi Silang]
18. Papadogiannis, I.; Poulopoulos, V.; Wallace, M. Tinjauan Kritis Penambangan Data untuk Pendidikan: Apa yang telah dilakukan, apa yang telah dilakukan
telah dipelajari dan apa yang masih harus dilihat. Int. J. Pendidikan. Res. Wahyu 2020, 5, 353–372. [Referensi Silang]
19. Moher, D.; Altman, Dirjen; Liberati, A.; Tetzlaff, Pernyataan J. PRISMA. Epidemiologi 2011, 22, 128. [Ref Silang]
20. Zacharis, NZ Memprediksi Prestasi Akademik Mahasiswa pada Blended Learning Menggunakan Jaringan Syaraf Tiruan. Int. J.Artif.
Intell. Aplikasi 2016, 7, 17–29. [Referensi Silang]
21. Adekitan, AI; Salau, O. Dampak kinerja mahasiswa teknik dalam tiga tahun pertama terhadap hasil kelulusan mereka menggunakan data mining pendidikan. Heliyon
2019, 5, e01250. [Referensi Silang]
22. Arsad, PM; Buniyamin, N.; Ab Manan, J.-L. Prediksi Prestasi Akademik Mahasiswa Teknik Menggunakan Jaringan Syaraf Tiruan dan Regresi Linier: Sebuah
Perbandingan. Dalam Prosiding 2013 IEEE 5th Conference on Engineering Education (ICEED), Kuala Lumpur, Malaysia, 4–5 Desember 2013; hlm. 43–48.
[Referensi Silang]
23. Abu Naser, S.; Zaqout, I.; Abu Ghosh, M.; Atallah, R.; Alajrami, E. Memprediksi Kinerja Mahasiswa Menggunakan Jaringan Syaraf Tiruan : Di Fakultas Teknik dan
Teknologi Informasi. Int. J. Hybrid Inf. Technol. 2015, 8, 221–228. [Referensi Silang]
24. Amirhajlou, L.; Sohrabi, Z.; Alebouyeh, MR; Tavakoli, N.; Haghighi, RZ; Hasemi, A.; Asoodeh, A. Penerapan teknik penambangan data untuk memprediksi kinerja
warga pada pemeriksaan pra-dewan: Studi kasus. J. Pendidikan. Promosi Kesehatan. 2019, 8, 108.
[PubMed]
25. Saputra, EP Prediksi Hasil Evaluasi Keberhasilan E-learning Berdasarkan Student Activity Logs Dengan Pemilihan Atribut Neural Network Berbasis PSO. J.Fis.
Konf. Ser. 2020, 1641, 012074. [Ref Silang]
26. Putra, LH; Fujita, H. Neural-fuzzy dengan himpunan representatif untuk prediksi kinerja siswa. Aplikasi Intell. 2019, 49, 172–187.
[Referensi Silang]

27. Musso, MF; Kyndt, E.; Cascallar, EC; Dochy, F. Memprediksi Kinerja Akademik Umum dan Mengidentifikasi Kontribusi Diferensial Variabel Berpartisipasi
Menggunakan Jaringan Syaraf Tiruan. Depan. Mempelajari. Res. 2013, 1, 42–71.
28. Saarela, M.; Kärkkäinen, T. Menganalisis kinerja siswa menggunakan data jarang program Sarjana inti. J. Pendidikan. Data Min. 2015, 7,
3–32.
29. Rivas, A.; González-Briones, A.; Hernández, G.; Prieto, J.; Chamoso, P. Analisis jaringan saraf tiruan kinerja akademik siswa di lingkungan belajar virtual.
Neurokomputasi 2021, 423, 713–720. [Referensi Silang]
30. Aydo ÿgdu, ¸Seyhmus Memprediksi kinerja akhir siswa menggunakan jaringan saraf tiruan di lingkungan pembelajaran online. Pendidikan
Inf. Technol. 2019, 25, 1913–1927. [Referensi Silang]
31. Chen, J.-F.; Hsieh, H.-N.; Lakukan, QH Memprediksi kinerja akademik siswa: Perbandingan dua algoritme meta-heuristik yang terinspirasi oleh burung kukuk untuk
melatih jaringan saraf. Algoritma 2014, 7, 538–553. [Referensi Silang]
32. Hamoud, A.; Humadi, A. Model Prediksi Keberhasilan Siswa Berbasis Artificial Neural Networks (ANN) dan Kombinasi Metode Seleksi Fitur. J. Universitas Jiaotong
Barat Daya. 2019, 54. Tersedia online: https://ssrn.com/abstract=3619933 (diakses pada 26 November 2021).

33. Chen, J.-F.; Lakukan, QH Pelatihan jaringan saraf untuk memprediksi kinerja akademik siswa: Perbandingan pencarian kukuk dan
algoritma pencarian gravitasi. Int. J.Komput. Intell. Aplikasi 2014, 13, 1450005. [Ref Silang]
34. Rasyid, TA; Aziz, Prestasi akademik mahasiswa NK menggunakan kecerdasan buatan. ZANCO J. Aplikasi Murni. Sains. 2016, 28. Tersedia online: http://
zancojournals.su.edu.krd/index.php/JPAS/article/view/544 (diakses pada 26 November 2021).
35. Xu, WWM; Chen, X. Prediktor Kinerja Mahasiswa Berprestasi Berbasis Elman Neural Network di Workshop ITS 2018
Proses. 2018, hal. 55. Tersedia online: http://ceur-ws.org/Vol-2354/w2paper1.pdf (diakses pada 15 Agustus 2021).
36. Giannakas, F.; Troussas, C.; Voyiatzis, I.; Sgouropoulou, C. Kerangka klasifikasi pembelajaran mendalam untuk prediksi awal
kinerja akademik berbasis tim. Aplikasi Komputasi Lunak. 2021, 106, 107355. [Ref Silang]
37. Lau, ET; Sun, L.; Yang, Q. Pemodelan, prediksi dan klasifikasi kinerja akademik siswa menggunakan saraf tiruan
jaringan. Aplikasi SN Sains. 2019, 1, 1–10. [Referensi Silang]
38. Rodríguez-Hernández, CF; Musso, M.; Kyndt, E.; Cascallar, E. Jaringan saraf tiruan dalam prediksi kinerja akademik: Implementasi sistematis dan evaluasi prediktor.
Komputer. Pendidikan Artifisial Intell. 2021, 2, 100018. [Ref Silang]
39. Sandoval-Palis, I.; Oranye, D.; Gilar-Corby, R.; Pozo-Rico, Model T. Neural Network untuk Memprediksi Kegagalan Siswa pada Mata Kuliah Leveling Akademik
Politeknik Negeri. Depan. Psikol. 2020, 11, 1–7 [Referensi Silang] [PubMed]
Machine Translated by Google

Aplikasi Sains. 2022, 12, 1289 16 dari 16

40. del Río, C.; Insuasti, JP Memprediksi prestasi akademik di lingkungan tradisional di institusi pendidikan tinggi menggunakan penambangan data: Tinjauan. Ecos
de la Academia 2016, 2, 185–201.
41. Fan, J.; McCandliss, BD; Sommer, T.; Raz, A.; Posner, MI Menguji efisiensi dan kemandirian jaringan perhatian. J.
Cogn. Ilmu saraf. 2002, 14, 340–347. [Referensi Silang]
42. Unsworth, N.; Heitz, RP; Schrock, JC; Engle, RW Versi otomatis dari tugas rentang operasi. Perilaku. Res. Metode 2005,
37, 498–505. [Referensi Silang]
43. Weinstein, CE; Schulte, AC; Cascallar, EC The Learning and Studies Strategies Inventory (LASSI): Desain dan Pengembangan Awal (Laporan Teknis); Lembaga
Penelitian Angkatan Darat AS untuk Ilmu Perilaku dan Sosial: Alexandria, VA, AS, 1982.
44. Weinstein, CE; Palmer, Panduan Pengguna DR LASSI, edisi ke-3; Penerbitan H&H: Clearwater, FL, USA, 2016; Tersedia online: https://www.hhpublishing.com/
LASSImanual.pdf (diakses pada 10 Agustus 2021).
45. Weinstein, CE; Palmer, D.; Schulte, AC Learning and Study Strategies Inventory (LASSI); Penerbitan H & H: Clearwater, FL, USA, 1987. Tersedia online: https://
asu.pure.elsevier.com/en/publications/learning-and-study-strategies-inventory-lassi (diakses pada 15 Juli 2021).

46. Shahiri, AM; Husain, W.; Rashid, NA Review Memprediksi Kinerja Siswa Menggunakan Teknik Data Mining. Proses
Komputer. Sains. 2015, 72, 414–422. [Referensi Silang]
47. Huang, S.; Fang, N. Memprediksi prestasi akademik siswa dalam kursus dinamika teknik: Perbandingan empat jenis
model matematika prediktif. Komputer. Pendidikan 2013, 61, 133–145. [Referensi Silang]
48. Ibrahim, Z.; Rusli, D. Memprediksi prestasi akademik siswa: Membandingkan jaringan syaraf tiruan, pohon keputusan dan regresi linier. Dalam Prosiding Forum
SAS Malaysia Tahunan ke-21, Kuala Lumpur, Malaysia, 5 September 2007.
49. Asif, R.; Merceron, A.; Ali, SA; Haider, NG Menganalisis kinerja mahasiswa sarjana menggunakan penambangan data pendidikan.
Komputer. Pendidikan 2017, 113, 177–194. [Referensi Silang]