Prediksi Hasil Penilaian Akhir Mahasiswa

Prediksi Hasil Penilaian Akhir Mahasiswa pada Matakuliah Tertentu dengan

Abstract/Abstrak: Assessment is the most important part on learning activities. Student achievement can be determined based on achievement of final score on particular course. There are many grading system has been developed to support academic process work effectively and efficiently. The student’s final score can be used to evaluating and predicting future student achievements. This research is conducted to a nalyzing and comparing two classification algorithm that used to predicting future student final score based on past semester data . This research proposed two classification algorithm such as k-NN and Naïve Bayes. The result of this study states that k-NN (k= 15) is the best algorithm. The accuracy of k-NN reach 95%. The best algorithm will be implemented to academic assessment system and used as early warning system to monitor student learning process.

Keywords/Kata kunci: Prediksi Nilai, k-NN, Naive Bayes, Algoritma Prediksi Nilai

1.

Pendahuluan

Pada umumnya pendidikan tinggi telah memiliki sistem yang digunakan untuk mengelola data-data penilaian mahasiswa. Data penelaian tersebut dikelola oleh sistem informasi yang mengelola penilaian berdasarkan poin-poin penilaian yang digunakan. Poin-poin penilaian yang digunakan oleh masing-masing institusi pendidikan diatur berdasarkan peraturan akademik yang dimiliki oleh institusi tersebut. Berdasarkan Peraturan Pemerintah Nomor 19 Tahun 2005 menjelaskan bahwa penilaian merupakan proses yang dilakukan secara berkelanjutan yang dilakukan untuk mengeveluasi proses belajar, kemajuan belajar dan peningkatan capaian siswa terhadap pelajaran. Masing-masing institusi menggunakan aturan sendiri untuk melakukan penilaian akadmik terhadap mahasiswanya. Penilaian dilakukan berdasarkan nilai tugas, kuis, tugas rumah, ujian tengah semester dan ujian akhir semester.

Menurut Peraturan Pemerintah No 19 Tahun 2005[1] menjelaskan bahwa nilai akhir merupakan nilai capaian siswa yang diolah berdasarkan nilai tugas, ujian tengah semester dan ujian akhir semester. Dalam implementasinya, tugas merupakan nilai gabungan dari beberapa tugas lain, seperti kuis, pekerjaan rumah, laporan praktikum, dan lain-lain. Dosen memiliki peranan yang sangat penting dalam menentukan nilai dan metode penilian yang dilakukan terhadap mahasiswanya. Institusi memberikan arahan melalui peratiran akademik tentang peniliaan yang dilakukan. Bagi dosen, data-data hasil penilaian merupakan data yang bermanfaat untuk mengevaluasi capaian pendidikan yang dilakukannya. Data hasil penilaian semester yang alalu merupakan data penting yang dapat digunakan untuk memberikan pediksi terhadap nilai mahasiswa yang sedang mengikuti perkuliahan. Artinya, data penilaian alam dapat digunakan untuk memprediksi capaian mahasiswa sekarang. Prediksi dilakukan dengan menggunakan teknik data mining. Metode supervise learning dapat diterapkan dengan kondisi ini. Metode ini dikenal dengan metode klasifikasi. Menurut Larose[2], terdapat sejumlah algoritma klasifikasi yang digunakan di data mining. Algoritma tersebut antara lain: Classification and Regression Tree (CARTs), C.50 Decision Tree, Neural Network dan Logistik Regression. Berbeda dengan Han[3] yang mengklasifikasikan algoritma klasifikasi menjadi: Decision Tree Induction, Bayesian Classification, Rule Based Classification, Support Vector Machines, Associative Classificatioan dan Lazy Learner.

Penelitian ini mengajukan penggunaan data hasil penilaian semester yang lalu sebagai bagian dari penelitian. Selain itu data penilaian untuk semester yang sedang berjalan merupakan data yang akan diprediksi nilai akhirnya. Data penilaian semester lalu disebut dengan data training, dan data yang akan diprediksi nilai akhirnya disebut dengan data testing. Data-data penilaian lalu terdiri dari sejumlah nilai variabel prediksi yang terdiri dari nilai kuis, tugas, tugas rumah, laporan praktikum, ujian tengah semester, dan ujian akhir semester. Dalam penelitian ini, variabel prediksi ditentukan berdasarkan hasil survei yang dilakukan terhadap beberapa universitas di Indonesia. Variabel prediksi tersebut akan digunakan untuk menghasilkan nilai prediksi yang didapat oleh data mahasiswa semester ini.

Dari sekian banyak algoritma klasifikasi, penelitian ini mengajukan penggunaan algoritma k-Nearest Neighbor (k-NN) dan Naïve Bayes. Kedua Algortima tersebut akan diujicobakan dengan data-data penelitian. Hasil ujicoba akan menghasilkan akurasi dari masing-masing algoritma. Algoritma terbaik akan digunakan sebagai algoritma prediksi penilaian. Algoritma tersebut akan ditanamkan ke dalam aplikasi penilaian yang akan dikembangkan di dalam penelitian selanjutnya.

▸ Baca selengkapnya: strategi prediksi adalah

2.

Penelitian Terkait

Hingga saat ini telah banyak dilakukan penelitian terkait dengan implementasi teknik data mining, sistem pemrediksi dan sistem perekomendasi. Penelitian-penelitian tersebut tidak jarang diimplementasikan sebagai sistem pendukung keputusan di dunia pendidikan. Penelitian yang dilakukan oleh Wan dkk.[4] menghasilkan sistem perekomendasi yang dimanfaatkan oleh pelajar untuk menemukan bahan ajar yang dibutuhkan. Sumber belajar yang direkomendasikan dihasilkan dari hasil analisis dan observasi perilaku interkasi pelajar saat pembelajaran berlangsung. Penelitian ini tidak menerapkan algoritma klasifikasi tertentu, akan tetapi hasil rekomendasi yang dihasilkan diolah berdasarkan perilaku pelajar saat menggunakan sistem. Penelitian yang dilakukan oleh Liu dan Chen[5] menghasilkan sistem pendukung keputusan yang digunakan untuk memprediksi nilai akhir yang didapat oleh mahasiswa. Penelitian ini hanya diterapkan di matakuliah kalkulus. Algoritma data mining yang digunakan adalah Bayesian Relief Network. Akurasi hasil prediksi yang dicapai oleh penelitian ini adalah 82.6%.

Penelitian yang dilakukan oleh Ogor[6] menghasilkan sistem untuk memonitor dan mengevaluasi proses belajar yang dilakukan oleh pelajar. Pengawasan dan evaluasi ini diharapkan mampu meningkatkan capaian nilai akhir pelajar. Penelitian ini menggunakan teknik data mining dalam penerapannya. Terdapat sejumlah algortima yang digunakan. Algoritma-algoritma tersebut antara lain: Artificial Neural Network, C&RT, C.50 dan CHAID. Penelitian ini menggunakan aplikasi Clementine 10 untuk menganalisis data. Prediksi nilai dihasilkan dengan menggunakan Bayesian Relief Network dan Teori Fuzzy. Universitas Pertahanan Nasional Malaysia telah menggunakan teknik data mining untuk sistem penilaian yang dikembangkan[7]. Sistem ini dikembangkan dengan menggunakan Artificial Neural Network (ANN) dan Decision Tree untuk mengestimasi kinerja belajar mahasiswa. Penelitian untuk sistem tersebut dilakukan untuk membandingkan algoritma ANN dengan decision tree. Pembandingan ini dilakukan untuk menghasilkan prdiksi dan mengklasifikasikan kinerja akademik mahasiswa.

Penelitian yang dijelaskan pada paragraf sebelumnya merupakan realisasi dari sistem pemrediksi dan perekomendasi di dunia pendidikan. Beberapa penelitian menerapkan teori data mining dalam implementasinya. Penelitian tersebut tidak menggunakan algoritma k-NN dan Naïve Bayes untuk menghasilkan kesimpulan hasil prediksi. Penelitian ini mengimplementasikan algoritma k-NN dan Naïve Bayes dalam memperoleh prediksi nilai mahasiswa.

3.

Metodologi Penelitian

3.1 Penentuan Variabel Prediksi

Institusi pendidikan tinggi di Indonesia memiliki aturan sendiri untuk menentukan nilai akhir yang dicapai mahasiswa yang mengikuti matakuliah tertentu. Aturan tersebut tertuang di dalam peraturan akademik yang dimiliki masing-masing institusi. Sejatinya, nilai akhir merupakan nilai yang diperoleh dari kalkulasi nilai-nilai pendukung yang diambil selama proses perkuliahan berjalan. Nilai-nilai tersebut dapat bersumber dari nilai tugas, nilai kuis, nilai laporan, nilai ujian tengah semester, ujian akhir semester dan nilai lainnya. Pada penelitian ini, nilai-nilai tersebut disebut sebagai variabel prediksi. Masalahnya, setiap institusi di Indonesia poin-poin yang berbeda untuk menentukan nilai akhir. Oleh karena itu dilakukanlah survei yang bertujuan untuk menentukan nilai-nilai yang umum digunakan oleh institusi pendidikan tinggi dalam menentukan nilai akhir. Survei ini dilakukan dengan cara berkomunikasi langsung dengan dosen di institusi pendidikan lain melalui media sosial. Selain itu juga dilakukan analisis dan kajian terhadap Peraturan Akademik yang dimiliki oleh beberapa institusi yang terdapat di Indonesia. Hasil survei adalah penentuan variabel prediksi baku yang akan digunakan sebagai variabel prediksi untuk sistem pemrediksi nilai akhir.

3.2 Pengumpulan Data Training dan Data Uji (Testing)

Data training menjadi bagian penting di dalam penelitian ini. Data training merupakan data nyata yang dikumpulkan dari beberapa matakuliah yang diajarkan di institusi pendidikan yang berbeda. Data-data tersebut digunakan untuk menguji tingkat akurasi algortima yang akan digunakan. Data training yang digunakan merupakan data penilaian untuk mata kuliah tertentu yang telah dilaksanakan pada semester yang lalu. Artinya terdapat nilai akhir yang didapat dari hasil penilaian tersebut. Nilai akhir penilaian tersebut berupa Nilai Huruf yang diambil dari Nilai Angka hasil kalkulasi variabel prediksi. Nilai Huruf dapat berupa nilai A, B, C, D dan E atau bentuk lain yang disesuaikan dengan kebijakan masing-masing institusi. Selanjutnya Data Testing dikumpulkan dari nilai semester yang sedang berlangsung. Nilai-nilai tersebut belum memiliki Nilai Angka Akhir dan Nilai Huruf.

3.3 Preprocessing Data

Data training yang digunakan merupakan data yang memiliki variabel prediksi yang telah ditentukan pada poin 3.1. Sehingga dibutuhkan proses preprocessing untuk membuat bentuk baku tersebut. Bentuk baku tersebut ditentukan berdasarkan hasil analisis dan survei yang dilakukan pada poin 3.1. Sebagai contoh, jika pada bentuk baku variabel prediksi hanya terdiri dari nilai kuis, tugas, UTS, UAS dan Presensi, maka nilai lain seperti laporan dan praktikum harus diformulasikan ulang untuk diolah kembali agar dapat dimanfaatkan. Data-data tersebut bisa saja dikalkulasikan dengan nilai tugas yang kemudian diambil nilai rata-ratanya.

3.4 Algoritma Naïve Bayes

(1)

Penentuan klasifikasi dilakukan dengan menghitung nilai maksimum dari P(Ci|X) dari data P = {p(Ci|X)}. Perhitungan probabilitas P(Ci|X) (data uji) dianggap sebagai hasil perkalian dari probabilitas dari kemunculan data pada Ci. Perhitungan probalilitas P(Ci|X) dapat dilihat pada persamaan (2).

(2)

3.5 Algoritma k-NN

k-Nearest Neighbor (k-NN) classifier pertama kali diperkenalkan diawal tahun 1950an. Klasifikasi k-NN bekerja berdasarkan pada analogi, dimana data uji dan data training dikomparasikan dan ditarik kesimpulan berdasarkan kesamaan data yang dihasilkan oleh komparasi tersebut. Perhitungan dilakukan berdasarkan jarak (kedekatan data) yang kemudian dikenal dengan nama euclidean distance. Euclidean distance antara data X1 = (x11,x12,…,x1n) dengan data X2 =

(x21,x22,…,x2n) dijabarkan berdasarkan persamaan (3).

(3)

3.6 Prediksi Nilai Akhir

Prediksi nilai akhir siswa dijalankan berdasarkan penilaian yang dilakukan setelah UTS dan sebelum UAS. Hasil prediksi ini dijalankan berdasarkan semua variabel prediksi kecuali nilai final exam. Jadi prediksi ini lebih mendekati ke akhir semester suatu matakuliah. Perhitungan hasil prediksi dan rekomendasi dijalankan untuk dua jenis algoritma, yaitu k-NN dan Naïve Bayes.

4.

Analisis dan Hasil Prediksi

4.1 Hasil Survei Variabel Prediksi

Survei tentang variabel prediksi yang telah dilakukan dapat dilihat di table berikut ini.

Tabel 1. Hasil Survei untuk Variabel Prediksi yang digunakan

Institution

Berdasarkan data survey tersebut, disimpulkan bahwa variabel prediksi yang digunakan di dalam penelitian ini adalah Tugas, Ujian Tengah Semester, Ujian Akhir Semester dan Persentase Kehadiran Mahasiswa. Untuk variabel yang tidak digunakan, maka nilainya akan digabungkan dan dikalkulasikan ulang untuk menjadi nilai tugas. Nilai tugas yang digunakan adalah nilai rata-rata dari hasil kalkulasi tersebut.

4.2Data Training

Tabel 2. Contoh Data Training dari UNP

Tabel 4. Contoh Data Training dari Universitas Trunojoyo

Pengujian yang dilakukan pada bagian dilakukan untuk memperoleh persentase akurasi dari algoritma yang diujikan. Pengujian akurasi dilakukan dengan menjalankan menguji hasil klasifikasi yang dijalankan dengan Algoritma k-NN dan Naïve Bayes. Khusus untuk Algortima k-NN akan dilakukan variasi nilai k. Nilai k yang akan digunakan adalah k=1, 5, 10 dan 15. Data uji (data testing) yang digunakan adalah data-data hasil penilaian semester yang sedang berjalan. Data tersebut diseleksi hanya untuk data yang memiliki nilai yang sama atau hampir sama dengan salah satu nilai yang terdapat di data training. Sehingga nilai akhir dapat diprediksi langsung secara manual. Pengujian tersebut dilakukan dengan menggunakan masing-masing 5 data uji. Dimana data tersebut tidak memiliki Nilai Akhir Semester dan Nilai Huruf. Sehingga algortima diharapkan mampu melakukan prediksi untuk nilai tersebut berdasarkan data training yang dimiliki. Penentuan keakurasian hasil prediksi dilakukan dengan cara mengevaluasi nilai setiap prediksi yang diberikan. Gambaran penentuan nilai akurasi dapat dilihat pada tabel 6.

Tabel 6. Penentuan hasil prediksi yang dinyatakan benar

Conf. D Conf. C Conf. E Conf. B Conf. A

Berdasarkan hasil analisis dan pengujian yang dilakukan, diperolah nilai akurasi untuk masing-masing algoritma yang digunakan. Akurasi tersebut diambil dari pengujian empat kelompok sampel data. Akurasi terbaik hasil pengujian diperoleh ketika menggunakan algoritma k-NN dengan nilai k 15. Tabel 7 menggambarkan perbedaan akurasi dari setiap algortima yang diujikan.

Table 7. Tabel perbandingan akurasi hasil pengujian algoritma

Sumber

Pada gambar 1 terlihat bahwa naïve bayes tidak lebih baik jika dibandingkan dengan algoritma k-NN. Pengunaan k-NN dengan nilai k 15 merupakan pilihan terbaik jika dilakukan pengembangan aplikasi penilaian yang dapat melakukan prediksi penilaian.

Gambar 1 Perbandingan Hasil Akurasi

5.

Kesimpulan dan Penelitian Lanjutan

Penelitian ini menghasilkan rekomendasi mengenai poin-poin penting yang dijadikan pertimbangan untuk menentukan nilai akhir mahasiswa. Poin-poin tersebut dikumpulkan dengan melakukan survei terhadap peraturan akademik di beberapa universitas di Indonesia. Poin-poin penilaian yang dijadikan acuan baku tersebut adalah Tugas, Ujian Tengah Semester, Ujian Akhir Semester dan persentase kehadrian (Presensi). Poin-poin penilaian tersebut dapat dijadikan sebagai variabel prediksi yang digunakan untuk memprediksi nilai akhir untuk semester yang sedang berjalan. Prediksi ini menggunakan algoritma klassifikasi. Algoritma terbaik yang didapatkan dari penelitian ini adalah k-NN dengan k = 15. Akurasi pengujian dengan menggunakan algoritma ini mencapai 95%.

Hasil penelitian ini akan dilanjutkan dengan mengimplementasikan algoritma k-NN ke dalam Sistem Informasi Akademik, khususnya di bagian penilaian. Penerapan kemampuan memprediksi nilai akhir ini diharapkan mampu memberikan peringatan dini kepada pelaksana pendidikan tentang capaian belajar yang diperoleh oleh mahasiswa di institusinya.

6.

Daftar Pustaka

[1] Kementrian Pendidikan dan Kebudayaan, "Peraturan Pemerintah Republik Indonesia Nomor 19 Tahun 2005 Tentang Standar Nasional Pendidikan," Ministry of Education, Jakarta, 2005.

[2] Daniel T. Larose, Data Mining Methods and Models. New Jersey, USA: John Wiley and Sons, Inc, 2006.

[3] Jiawei Han and Micheline Kamber, Data Mining: Concepts and Techniques, 2nd ed. San Fransisco, USA: Elsevier, 2006.

[4] Xin Wan, Toshie Ninomiya, and Toshio Okamoto, "A Learner’s Role-based Multi Dimensional Collaborative

Recommendation (LRMDCR) for Group Learning Support," in 2008 International Joint Conference on Neural Networks (IJCNN 2008), Tokyo, 2008, pp. 3912-3917.

Computer Research and Development (ICCRD), Shanghai, 2011, pp. 299-302.

[6] Emmanuel N. Ogor, "Student Academic Performance Monitoring and Evaluation Using Data Mining Techniques," in Fourth Congress of Electronics, Robotics and Automotive Mechanics, 2007, pp. 354-359.