MEMPREDIKSI KINERJA SISWA PADA E-LEARNING MOODLE PLATFORM MENGGUNAKAN ALGORITMA ADAPTIVE BOOSTING DENGAN BASE LEARNER C4.5

• JORDY LASMANA PUTRA
• 14002289

---

ABSTRAK

ABSTRAK

 

 

Nama                          :   Jordy Lasmana Putra

NIM                            :   14002289

Program Studi            :   Magister Ilmu Komputer

Jenjang                        :   Strata Dua (S2)

Konsentrasi                 :   Data Mining

Judul Tesis                  :    Memprediksi Kinerja Siswa Pada E-Learning Moodle Platform Menggunakan Algoritma Adaptive Boosting Dengan Base Learner C4.5

 

Dalam perkembangan dunia teknologi informasi saat ini mempengaruhi berbagai bidang, salah satunya bidang pendidikan, yang dimana pembelajaran secara daring sudah menjadi hal yang biasa untuk era saat sekarang ini, salah satu Learning Management System atau yang sering disingkat LMS yang sering digunakan adalah E-Learning menggunakan platform moodle, ditambah untuk saat ini sedang ada pandemic covid-19, dimana proses pembelajaran diarahkan ke system daring, sehingga penggunaan E-Learning menjadi meningkat. Melihat hal tersebut penulis bermaksud untuk melakukan penelitian untuk melakukan prediksi terhadap kinerja siswa dalam mengikuti perkuliahan e-learning yang menggunakan moodle platform, penelitian ini melihat dari sisi log activity siswa di moodle platform lalu log tersebut di transformasi agar dapat dilakukan proses klasifikasi oleh algoritma machine learning. Pada penelitian ini penulis melakukan klasifikasi menggunakan algoritma Adaptive Boosting dengan Base Learner C4.5 dengan teknik prapemrosesan data Resample untuk Imbalance data. Hasil dari penelitian ini didapatkan hasil performansi yang baik, dengan nilai Akurasi 95%, ROC 0.97, dan Kappa 0.90.

Kata Kunci : C4.5, Kinerja Siswa, Resample, Adaptive Boosting, E-Learning

KATA KUNCI

ALGORITMA ADAPTIVE BOOSTING

---

DAFTAR PUSTAKA

DAFTAR REFERENSI

 

 

 

[1]      C. G. Nespereira, E. Elhariri, N. El-Bendary, A. F. Vilas, and R. P. D.

 

Redondo, “Machine Learning Based Classification Approach for Predicting

 

Students Performance in Blended Learning,” Adv. Intell. Syst. Comput., vol. 407, pp. 287–296, 2016, doi: 10.1007/978-3-319-26690-9.

 

[2]      N. Ghatasheh, “Knowledge Level Assessment in e-Learning Systems Using Machine Learning and User Activity Analysis,” Int. J. Adv. Comput. Sci. Appl., vol. 6, no. 4, 2015, doi: 10.14569/ijacsa.2015.060415.

 

[3]      R. Conijn, C. Snijders, A. Kleingeld, and U. Matzat, “Predicting student performance from LMS data: A comparison of 17 blended courses using moodle LMS,” IEEE Trans. Learn. Technol., vol. 10, no. 1, pp. 17–29,

2017, doi: 10.1109/TLT.2016.2616312.

 

 

[4]      T. Mahboob, S. Irfan, and A. Karamat, “A machine learning approach for student assessment in E-learning using Quinlan’s C4.5, Naive Bayes and Random Forest algorithms,” Proc. 2016 19th Int. Multi-Topic Conf. INMIC

2016, 2017, doi: 10.1109/INMIC.2016.7840094.

 

 

[5]      Y. Aleksandrova, “Predicting Students Performance In Moodle Platforms

 

Using Machine Learning Algorithms.pdf,” pp. 177–187, 2019.

 

 

[6]      A. Rachmat and Y. Lukito, “SENTIPOL: Dataset Sentimen Komentar Pada Kampanye PEMILU Presiden Indonesia 2014 dari Facebook Page,” Konf. Nas. Teknol. Inf. dan Komun. 2017, no. December, pp. 218–228, 2016.

 

[7]      A. H. Elyas, “Penggunaan Model Pembelajaran E-Learning Dalam

 

Meningkatkan Kualitas Pembelajaran,” J. War., vol. 56, no. 04, pp. 1–11,

 

2018.

 

 

[8]      H. Husdi, “Pengenalan Ekspresi Wajah Pengguna Elearning Menggunakan

 

Artificial Neural Network Dengan Fitur Ekstraksi Local Binary Pattern

 

Dan Gray Level Co-Occurrence Matrix,” Ilk. J. Ilm., vol. 8, no. 3, pp. 212–

 

219, 2016, doi: 10.33096/ilkom.v8i3.58.212-219.

 

[9]      D. Suyanto, Data Mining untuk Klasifikasi dan Klasterisasi Data Edisi

 

Revisi, Revisi. Bandung: Informatika, 2019.

 

 

[10]    R. Buaton, Y. Maulita, and A. Kristiawan, “Korelasi Faktor Penyebab Tindak Kekerasan dalam Rumah Tangga Menggunakan Data Mining Algoritma A Priori,” J. Media Infotama, vol. 14, no. 1, pp. 21–30, 2018.

 

[11]    R. S. Wahono, C. Supriyanto, F. I. Komputer, and U. D. Nuswantoro, “Penanganan Fitur Kontinyu dengan Feature Discretization Berbasis Expectation Maximization Clustering untuk Klasifikasi Spam Email Menggunakan Algoritma ID3,” J. Intell. Syst., vol. 1, no. 2, pp. 148–155,

2015.

 

 

[12]    C. Jian, J. Gao, and Y. Ao, “A new sampling method for classifying imbalanced data based on support vector machine ensemble,” Neurocomputing, vol. 193, pp. 115–122, 2016, doi:

10.1016/j.neucom.2016.02.006.

 

 

[13]    H. He, W. Zhang, and S. Zhang, “A novel ensemble method for credit scoring: Adaption of different imbalance ratios,” Expert Syst. Appl., vol.

98, pp. 105–117, 2018, doi: 10.1016/j.eswa.2018.01.012.

 

 

[14]    A. Saifudin and S. Wahono, “Pendekatan Level Data untuk Menangani Ketidakseimbangan Kelas pada Prediksi Cacat Software,” J. Softw. Eng., vol. 1, no. 2, pp. 76–85, 2015.

 

[15]    A. N. Kasanah, Muladi, and U. Pujianto, “Penerapan Teknik SMOTE untuk Mengatasi Imbalance Class dalam,” RESTI (Rekayasa Sist. dan Teknol. Informasi), vol. 3, no. 10, 2019.

 

[16]    W. T. Ina et al., “KLASIFIKASI TINGKAT KELULUSAN MAHASISWA PRODI TEKNIK ELEKTRO,” Semin. Nas. SAINS DAN Tek. FST UNDANA, pp. 355–361, 2019, [Online]. Available: https://conference.undana.ac.id/sainstek/article/view/64.

 

[17]    Y. I. Kurniawan, “Rancang Bangun Sistem Informasi Surat Menyurat

 

Berbasis SAAS (Software As A Service),” J. Teknol. Inf. dan Ilmu

 

Komput., vol. x, no. No. 30/E/KPT/2018, pp. 1–8, 2018, doi:

 

10.25126/jtiik.

 

 

[18]    A. Nurzahputra and M. A. Muslim, “Peningkatan Akurasi Pada Algoritma C4.5 Menggunakan Adaboost Untuk Meminimalkan Resiko Kredit,” Pros. SNATIF, no. 1, pp. 243–247, 2017, [Online]. Available: https://media.neliti.com/media/publications/173704-ID-none.pdf.

 

[19]    N. V. De Lima, L. Novamizanti, E. Susatio, T. Telekomunikasi, and U.

 

Telkom, “Sistem Pengenalan Wajah 3D Menggunakan Icp Dan Svm 3D Face Recognition System Using Icp and Svm,” J. Teknol. Inf. dan Ilmu Komput., vol. 6, no. 6, pp. 601–610, 2019, doi: 10.25126/jtiik.201961609.

 

[20]    D. Brzezinski and J. Stefanowski, “Prequential AUC: properties of the area under the ROC curve for data streams with concept drift,” Knowl. Inf. Syst., vol. 52, no. 2, pp. 531–562, 2017, doi: 10.1007/s10115-017-1022-8.