Komparasi Evaluasi Kinerja Siswa Belajar dengan Mengggunakan Algoritma Machine Learning
Elin Panca Saputra1*, Mawadatul Maulidah2, Nadiyah Hidayati2, Andi Saryoko3
1 Fakultas Teknik & Informatika, Prodi Teknologi Informasi, Universitas Bina Sarana Informatika, Jakarta, Indonesia
2 Fakultas Teknik & Informatika, Prodi Teknik Komputer, Universitas Bina Sarana Informatika, Jakarta, Indonesia
3 Fakultas Teknologi Informasi, Prodi Informatika, Universitas Nusa Mandiri, Jakarta, Indonesia Email: 1[email protected], 2[email protected], 3[email protected], 4[email protected]
Email Korespondensi: [email protected]
Abstrak−Pada Penelitian kami saat ini adalah melakukan komparasi dari beberapa algoritma yang telah kami ujikan yaitu dalam melakukan pencarian tingkat akurasi kinerja belajar pada siswa, permasalahan dari penelitian ini adalah bagaimana mendapatkan hasil kemampuan generalisasi yang sangat baik sehingga didapat nilai akurasi yang lebih tinggi selain itu tujuan penelitian kami adalah untuk mendapatkan hasil tingkat akurasi dengan performa terbaik yang selanjut untuk mengidentifikasi fitur-fitur yang dapat mempengaruhi dalam kinerja siswa belajar. Dari hasil algoritma yang telah kami uji cobakan sebanyak empat yang diantaranya Naïve Bayes, Support Vectore Machine, Neural Network dan KNN yang terdapat pada machine learning. Hasil dari keempat algoritma tersebut untuk algoritma Naïve Bayes didapatkan nilai akurasinya sebesar 96.30% , pada algoritma Support Vectore Machine akurasi sebesar 98.70%, serta pada algoritma Naural Network akurasi sebesar 99.50%
dan yang terakhir dengan algoritma KNN menghasilkan akurasi sebesar 94.80%. maka dapat disimpulkan dengan menggunakan algoritma Neural Network merupakan algoritma dengan performa terbaik daripada menggunakan algoritma lainnya dalam mengevaluasi kinerja siswa belajar, selain itu Neural Network dapat dijadikan sebuah alternatif yang baik sekali untuk digunakan sebagai prediksi khususnya dibidang pendidikan.
Kata Kunci: Komparasi; Neural Network; Evaluasi; Kinerja; Machine Learning
Abstract−In our current study, we are doing a comparison of several algorithms that we have tested, namely in searching for the accuracy level of learning performance in students, the problem of this research is how to get the results of excellent generalization abilities so that a higher accuracy value is obtained. Our goal is to get the best-performing accuracy level results and then to identify features that can affect student learning performance. From the results of the algorithm that we have tested, four of them are Naïve Bayes, Support Vectore Machine, Neural Network and KNN contained in machine learning. The results of the four algorithms for the Naïve Bayes algorithm have an accuracy value of 96.30%, the Support Vectore Machine algorithm has an accuracy of 98.70%, and the Naural Network algorithm has an accuracy of 99.50% and the last one with the KNN algorithm produces an accuracy of 94.80%. it can be concluded that using the Neural Network algorithm is an algorithm with the best performance than using other algorithms in evaluating student learning performance, besides that the Neural Network can be used as an excellent alternative to be used as predictions, especially in the field of education.
Keywords: Comparation; Neural Network; Evaluation; Performance; Machine Learning.
1. PENDAHULUAN
Membandingkan algoritma machine learning itu sendiri penting dalam mencari tingkat prediksi yang akan digunakan untuk menentukan kebijakan dimasa yang akan datang. Data mining dalam suatu sistem pendidikan begitu juga penting untuk menganalisis sebuah kinerja siswa di bidang akademik dengan melihat faktor-faktor kinerja yang berbeda [1]. dalam pengelolahan pada Data mining baru selain diperkenalkan di sektor bisnis, tetapi juga terbukti diterapkan untuk sector pada pendidikan [2].Begitupun memprediksi kinerja akademik siswa sangat penting untuk mengembangkan strategi bagi pelajar yang lemah untuk meningkatkan kinerja mereka secara keseluruhan karena kinerja siswa tergantung pada perbedaan faktor sosial, demografi, psikologis, dan keluarga [3]. untuk meningkatkan prestasi siswa di lembaga pendidikan, beberapa mengupayakan yang dapat dilakukan untuk meningkatkan perbaikkan dalam pendidikan perlu juga untuk dilakukan [4].
Prediksi kinerja siswa tampaknya menghawatirkan dan penting bagi sebagian besar institusi akademik pendidikan tinggi lembaga Pendidikan lainnya. Hal ini menyebabkan banyak penelitian dalam pekerjaan prediksi yang termasuk siswa dari berbagai latar belakang dan bidang akademik[5]. Evaluasi sistem pembelajaran sangat penting untuk menentukan keberhasilan hasil belajar siswa belajar[6].Maka dari itu penting untuk ditinjau kembali untuk melakukan peningkatan kinerja dalam kegiatan belajar mengajar, sehingga kami dapat mengetahui seberapa besar keberhasilan siswa.
Prestasi siswa sangat menentukan keberhasilan sebuah lembaga pendidikan. Terutama, prestasi akademik adalah salah satu metrik yang digunakan dalam penilaian lembaga berkualitas tinggi. Terlepas dari volume data pendidikan yang besar, memprediksi kinerja siswa dapat dilakukan secara akurat [7]. Masalah dari pernyataan diatas adalah bagaimana kami mendapatkan kemampuan generalisasi dengan pendekatan learning mechine dari percobaan beberapa algoritma yang diuji cobakan. makapada penelitian ini kami mencoba untuk mnedapatkan hasil tingkat prediksi pada kinerja pembelejaran siswa, yaitu mencoba menerapkan dengan Machine Learning namun dalam melakukan pengelolahan data untuk mencari nilai akurasi kami mengalami kesulitan dalam jumlah besar maka perlu adanya algoritma yang tepat untuk mengatasinya. Machine learning (ML) merupakan sebuah sistem dari kecerdasan buatan yang secara sistematis dalam penerapan sebuah algoritma untuk menemukan kombinasi hubungan mendasar antara data yang dapat menghasilkan sebuah informasi. Tujuan utama dari ML dari
DOI: 10.30865/mib.v6i4.4786
tersebut adalah untuk memprediksi peristiwa yang akan mendatang atau skenario masa depan yang tidak diketahui komputer.[8].
Machine Learning (ML) dapat menawarkan sistem level yang akurat untuk sekolah. Algoritma Machine Learning. (ML) juga banyak dipergunakan pada berbagai bidang seperti ilmu kesehatan, prediksi deret waktu keuangan, analisis genetika, analisis citra, dan pembelajaran online. Machine Learning(ML) juga dapat mengubah cara pendidikan disampaikan dan secara mendasar mengubah metode pengajaran, pembelajaran dan riset [9].
Tujuan dari penelitian kami lakukan adalah melakukan perbandingan algoritma yang ada pada machine learning untuk menghasilkan performa akurasi yang lebih performa dari pada algoritma – algoritma lainnya yang ada pada machine learning. Kami mencoba untuk menerapkan sebanyak empat algoritma yang akan di ujicobakan untuk mendapatkan hasil akurasi performa yang lebih tinggi diantaranya adalah dengan Naïve Bayes, Support Vectore Machine, Neural Network dan KNN. Dari ke empat algortima yang kami telah ujikan maka didapat dengan menggunakan Neural Network memmiliki tingkat akurasi yang lebih permaforma dibandingkan menggunakan algoritma Naïve-Bayes, Support Vectore Machine, dan KNN. Penelitian sebelumnya kami menggunakan beberapa metode yang kami terapkan pada metode Naural Network, dan memang memiliki akurasi tertinggi daripada metode lainnya [10], karena algoritma adalah metode kecerdasan buatan Karena sulit untuk menginterpretasikan berapa banyak variabel input, dalam artifisial Neural Network berkontribusi untuk memprediksi variabel keluaran [11], maka hasil dari algoritma Neural Network memang unggul dalam menentukan tingkat prediksi dalam mengevaluasi kinerja siswa belajar. Maka untuk algoritma Neural Network dapat dijadikan sebagai rekomendasi sebagai algoritma yang untuk melakukan prediksi khususnya pada bidang Pendidikan.
2. METODOLOGI PENELITIAN
2.1 Tahapan Penelitian
Penerapan penelitian ini kami menerapkan beberapa metode-metode yang ada pada machine learning diantara metode yang kami implementasikan antara lain adalah Naïve Bayes, Support Vectore Machine, Neural Network dan KNN, untuk lebih detailnya kami akan memaparkan satupersatu mengenai metode tersebut dan berikut kami tampilkan tahapan-tahapan dalam melakukan penelitian.
Gambar 1. Tahapan Penelitian 2.2 Pengumpulan Data
Data yang akan kami olah, kami mendapatkannya pada situs Kaggle, Kaggle itu sendiri adalah situs yang berbagi ide yang terdapat kumpulan konmunitas pada machine learning online yang di dilamnya memiliki beberapa data science. Sedangkan data yang akan kami oleh sebanyak 1000 data. Sebagai contoh Untuk lebih detailnya dapat ditampilkan pada table 1.
Mulai
Mengupulkan data yang akan di Proses
Penggujian dengan Algoritma Naïve Bayes
Klasifikasi data untuk penghitungan
Penggujian dengan Algoritma SVM
Penggujian dengan Algoritma NN
Penggujian dengan Algoritma KNN
Hasil Komparasi yang telah diujikan
Selesai
Tabel 1. Data Students Performance
gen der
race/ethn icity
parental level of
education lunch
Test- preparation
course
Math- score
Reading- score
Writing- score fema
le groupB bachelor's-degree standard none 72 72 74
fema
le groupC Some-college standard completed 69 90 88
fema
le groupB master's-degree standard none 90 95 93
male groupA associate's-degree
free/red
uced none 47 57 44
male groupC Some-college standard none 76 78 75
fema
le groupB associate's-degree standard none 71 83 78
fema
le groupB Some-college standard completed 88 95 92
male groupB Some-college
free/red
uced none 40 43 39
male groupD highschool
free/red
uced completed 64 64 67
fema
le groupB High-school
free/red
uced none 38 60 50
male groupC associate's-degree standard none 58 54 52
male groupD associate's-degree standard none 40 52 43
fema
le groupB High-school standard none 65 81 73
male groupA Some-college standard completed 78 72 70
fema
le group A master's-degree standard none 50 53 58
Dari table 1 yang diatas, Langkah selanjutnya kami akan melakukan klasifikasi terhadap data tersebut untuk memudahkan dalam pengelolahan dan penghitungan data, selanjutnya dapat ditampilkan pada table 2.
Tabel 2. Reduction and Discritization
No Atribut Keterangan Nilai
1 Gender Male / female 1/2
2 race/ethnicity Grup A/ B/ C/ D/ E 1/2/3/4/5
3 parental level of education high school 1
Some colleges 2
associate degree 3
bachelor 4
Master's degree 5
4 lunch standard 1
free/reduced 2
5 Test-preparation-course completed 1
None 2
6 Math-score > 60 1
<60 2
7 Reading-score > 60 1
<60 2
8 Writing-score > 60 1
<60 2
9 Rerata Score > 60 1
<60 2
Pada table 2 diatas yaitu menjelaskan data size reduction dan discritization, adalah untuk memperoleh data set dengan jumlah atribut serta record yang lebih sedikit namun bersifat informatif.
2.3. Algoritma Naïve Bayes (NB)
Naive Bayes(NB) merupakan sebuah algoritma yang melakukan klasifikasi data yang didasari oleh probabilitas yang dapat terjadi di ramalkan di masa yang akan datang. Metode ini dianggap mudah serta efektif untuk
DOI: 10.30865/mib.v6i4.4786
menganalisa sebuah data. Pengklasifikasi pada algoritma tersebut adalah salah satu algoritma pengklasifikasi pada sebuah statistik, Adapun pengklasifikasi algoritma NB dapat memprediksikan sebuah probabilitas keanggotaan kelas suatu data dari sebuah tuple yang akan masuk kedalam kelas tertentu, sesuai dengan penghitungan dari probabilitas [12]. Teori dari algoritma bayes adalah dasar pengaturan dari naive bayes classifier berikut adalah teori bayes akan dijelaskan pada persamaan:
𝑃(𝐻|𝑋) = 𝑃(𝑋|𝐻)
𝑃(𝑋) . P(H) (1)
Yang mana X sebagai Data pada class yang tidak identifikasi, sedangkan H sebagai Hipotesis data yang merupakan dari suatu class yang spesifik, selanjutnya P(H|X) merupakan Probabilitas dari hipotesis H yang berdasar dari kondisi X (posteriori probabilitas), selanjutnya P(H) adalah sebagai Probabilitas hipotesis H (prior probabilitas), P(X|H) merupakan Probabilitas X berdasarkan kondisi pada sebuah hipotesis H, dan yang terakhir adalah P(X) sebagai Probabilitas X. Untuk mendetalkan Kembali tentang Teori dari Naïve Bayes, perlu pahami bahwa pada proses klasifikasi tentunya membutukan sejumlah petunjuk untuk penentuan kelas apa yang sesuai dari sampel yang akan dianalisis. Dengan begitu, Teorema Bayes di atas diselaraskan sebagai berikut:
𝑃(𝐶|𝐹1, . . . , 𝐹𝑛) =𝑃(𝐹1,...,𝐹𝑛|𝐶)
𝑃(𝐹1,...,𝐹𝑛) . 𝑃(𝐶) (2)
2.4. Algoritma Support Vectore Machine
Support Vectore Machine(SVM) adalah sebuah metode pada machine learning yang didasaarii dengan teknik pembelajaran yang dapat digunakan untuk melakukan klasifikasi serta regresi [13]. Dengan kata lain, dapat juga dikatakan bahwa itu adalah pengklasifikasi diskriminatif dengan hyperplane pemisah yang ditentukan. Jaringan support-vektor dapat melakukan mengimplementasikan kinerja berikut: memetakan input vektor ke beberapa ruang fitur dimensi tinggi Z melalui beberapa pemetaan non-linear dipilih secara apriori. Dalam ruang ini permukaan keputusan linier dibangun dengan sifat-sifat khusus yang memastikan kemampuan generalisasi jaringan yang tinggi [14]. Untuk lebih mengetahuinya dapat dilihat pada gambar 1 dibawah ini.
Gambar 2. dalam ruang 2 dimensi. Vektor pendukung
Pada gambar diatas mencotontohkan Untuk mendapatkan permukaan keputusan yang sesuai dengan polinomial derajat dua, satu dapat membuat ruang fitur, Z, yang memiliki koordinat 𝑵 =𝐧(𝐧+𝟑)
𝟐 dengan bentuk:
𝑍𝑛= 𝑋1, . . . , 𝑍𝑛= 𝑋𝑛, 𝑛 𝑐𝑜𝑜𝑟𝑑𝑖𝑛𝑎𝑡𝑒𝑠, (3) 𝑍𝑛+ 1 = 𝑋2
1 , . . . , 𝑍2𝑛= 𝑋2
𝑛 , 𝑛 𝑐𝑜𝑜𝑟𝑑𝑖𝑛𝑎𝑡𝑒𝑠, (4)
𝑍2𝑛+ 1 = 𝑋1𝑋2, . . . , 𝑍𝑁= 𝑋𝑛𝑋𝑛− 1, 𝑛(𝑛−1)
2 𝑐𝑜𝑜𝑟𝑑𝑖𝑛𝑎𝑡𝑒𝑠, (5)
dimana x = (xl . . . . xn). Hyperplane kemudian dibangun di ruang ini.
2.5. Algoritma Neural Network
Neural Network (NN) terinspirasi secara biologis teknik cerdas yang umumnya terbuat dari sejumlah unit atau node elemen pemrosesan yang sangat saling berhubungan yang fungsinya secara longgar didasarkan pada neuron hewan[5]. NN sendiri sebanyak tiga lapisan, yaitu input, hidden dan lapisan keluaran. Lapisan tersembunyi dapat terdiri dari satu atau dua lapisan tersembunyi dan secara teoritis tidak ada penelitian dasar tentang berapa banyak lapisan tersembunyi yang memadai untuk jaringan tersebut. Pada Neural Network ada terdapat Sebuah neuron, yang memungkinkan untuk melakuan pemetaan input yang berbeda ke sebuah output, ini merupakan yang paling mendasar pada sebuah elemen dalam NN apapun [15]. Untuk melakukannya, setiap neuron memiliki blok jumlah di mana input dijumlahkan setelah dibobot dan fungsi aktivasi, dimana output dihitung setelah menerima hasil dari penjumlahan memblokir. Bobot mewakili kekuatan hubungan antara neuron dan informasi yang digunakan oleh jaringan untuk meminimalkan kesalahan sehubungan dengan keluaran. Setelah melatih NN, jaringan terlatih diuji dan divalidasi. Untuk menguji dan memvalidasi NN terlatih, sampel yang tidak diketahui adalah digunakan untuk menguji Jaringan. Untuk mengekspresikan masalah NN, kita dapat menggunakan himpunan pada input (6) [16].
𝑿 = {𝑿 = 𝑿𝟏 |𝒙 𝝐 𝓡𝒏, 𝒊 = 𝟏, 𝟐, . . . , 𝒏 (6)
and outputs in
𝑿 = {𝒀 = 𝒀𝟎 |𝒀 𝝐 𝓡𝒎, 𝟎 = 𝟏, 𝟐, . . . , 𝒏 (7) Dari (6) dan (4),7kita dapat mengamati bahwa lapisan input dan output dari JST memiliki n dan m neu- ron masing-masing.
2.6. Algoritma K-Nearest Neighbor (NN)
Metode ini adalah termasuk metode yang sangat baik dalam melakukan klasifikasi. Algoritma K-Nearest Neighbor. Hitung D (x, y) dengan K-Nearest Neighbor algoritma untuk setiap data yang disimpan. Langkah terakhir menentukan urutan minimum nilai D (x, y) pada hasil perhitungan. Input data berasal dari data pelatih maka keluaran yang diharapkan adalah hasil prediksi berdasarkan jarak terdekat algoritma K-Nearest Neighbor(KNN) [17]. Algoritma klasifikasi K-Nearest Neighbor(KNN) berdasarkan pengelompokan data k =1, k=2, k=3 dengan nilai sekecil mungkin. Pada percobaan menggunakan metode KNN didapatkan hasil terlihat jelas dan menunjukkan akurasi yang cukup baik [18].
3. HASIL DAN PEMBAHASAN
Dari hasil pengujian yang kami lakukan maka akan kami bahas satu persatu algoritma-algoritma mana yang memiliki tingkat akurasi dengan performa yang tertinggi untuk klasifikasi untuk mengetahui tingkat kinerja siswa belajar pada point ini. Uji Coba yang dilakukan, kami menggunakan sebanyak 1000 data dengan 9 atribut yang akan kami ujikan. Berikut hasil dari algoritma yang telah kami ujikan.
4.1. Eksperimen Pengujian Algoritma Naïve Bayes (NB)
Hasil observasi dari penghitungan dengan Algoritma Naïve Bayes(NB) dengan K-Fold Cross Validation menunjukkan bahwa nilai tertinggi dari akurasi dengan menggunakan algoritma Naïve Bayes(NB) yaitu sebesar 96.30% selanjutnya nilai AUC yaitu 0.99.99% . Langkah selanjjutnya kami melakukan penghitungan hasil dari confusion matrix dengan metode Naïve Bayes (NB) adalah sebagai berikut dapat ditampilkan pada table 3:
Tabel 3. Hasil Pengujian dan Pengolahan Data NB Classification Predicted Class
Class= 1 Class= 2
Class= 1 680 2
Class= 2 35 283
Accuracy = 𝑇𝑃+𝑇𝑁
𝑇𝑃+𝑇𝑁+𝐹𝑃+𝐹𝑁= 680+283
680+283+35+2= 0,963 Sencisivity = 𝑇𝑃+𝐹𝑁𝑇𝑃 = 680
680+2= 0,997 Specificity = 𝑇𝑁
𝑇𝑁+𝐹𝑃= 283
283+35= 0,889 PPF = 𝑇𝑃
𝑇𝑃+𝐹𝑃= 680
680+35= 0,951 NPV = 𝑇𝑁+𝐹𝑁𝑇𝑁 = 283
283+2= 0,992
4.2. Eksperimen Pengujian Algoritma Support Vectore Machine
Hasil observasi dari penghitungan dengan Algoritma Support Vectore Machine(SVM) dengan K-Fold Cross Validation menunjukkan bahwa nilai tertinggi dari akurasi dengan menggunakan dari algoritma Support Vectore Machine(SVM) yaitu sebesar 98.70% sedangkan nilai AUC yaitu 0.99.99% . Langkah selanjjutnya kami melakukan penghitungan hasil dari sebuah confusion matrix dengan metode Support Vectore Machine (SVM) adalah sebagai berikut dapat ditampilkan pada table 4:
Tabel 4. Hasil Pengujian dan Pengolahan Data SVM Classification Predicted Class
Class = 1 Class = 2
Class= 1 709 7
Class= 2 6 278
Accuracy = 𝑇𝑃+𝑇𝑁
𝑇𝑃+𝑇𝑁+𝐹𝑃+𝐹𝑁= 708+278
709+278+6+7= 0,987 Sencisivity = 𝑇𝑃
𝑇𝑃+𝐹𝑁= 709
709+7= 0,990 Specificity = 𝑇𝑁+𝐹𝑃𝑇𝑁 = 278
278+6= 0,978
DOI: 10.30865/mib.v6i4.4786 PPF = 𝑇𝑃
𝑇𝑃+𝐹𝑃= 709
709+6= 0,991 NPV = 𝑇𝑁
𝑇𝑁+𝐹𝑁= 278
278+7= 0,975
4.3. Eksperimen Pengujian Algoritma Neural Network
Hasil observasi dari penghitungan dengan Algoritma Neural Network (NN) dengan K-Fold Cross-Validation menunjukkan bahwa nilai tertinggi dari akurasi dengan menggunakan algoritma Neural Network(NN) yaitu sebesar 99.50% sedangkan nilai AUC yaitu 1% . Langkah selanjjutnya kami melakukan penghitungan hasil dari sebuah confusion matrix dengan metode Neural Network (NN) adalah sebagai berikut dapat ditampilkan pada table 5:
Tabel 5. Hasil Pengujian dan Pengolahan Data NN Classification Predicted Class
Class= 1 Class= 2
Class= 1 712 2
Class= 2 3 283
Accuracy = 𝑇𝑃+𝑇𝑁
𝑇𝑃+𝑇𝑁+𝐹𝑃+𝐹𝑁= 712_283
712+283+3+2= 0,995 Sencisivity = 𝑇𝑃
𝑇𝑃+𝐹𝑁= 712
712+2= 0,997 Specificity = 𝑇𝑁
𝑇𝑁+𝐹𝑃= 283
283+3= 0,989 PPF = 𝑇𝑃+𝐹𝑃𝑇𝑃 = 712
712+3= 0,995 NPV = 𝑇𝑁
𝑇𝑁+𝐹𝑁= 283
283+2= 0,992
4.4. Eksperimen Pengujian Algoritma KNN
Hasil sebuah observasi dari penghitungan dengan pengujian Algoritma K-Nearest Neighbor(KNN) dengan K-Fold Cross Validation menunjukkan bahwa nilai tertinggi dari akurasi dengan menggunakan algoritma K-Nearest Neighbor(KNN) yaitu sebesar 94.80% sedangkan nilai AUC yaitu 0.5% . Langkah selanjjutnya kami melakukan penghitungan hasil dari confusion matrix dengan metode K-Nearest Neighbor (KNN) adalah sebagai berikut dapat ditampilkan pada table 6:
Tabel 6. Hasil Pengujian dan Pengolahan Data KNN Classification Predicted Class
Class= 1 Class= 2
Class= 1 691 28
Class= 2 24 257
Accuracy = 𝑇𝑃+𝑇𝑁
𝑇𝑃+𝑇𝑁+𝐹𝑃+𝐹𝑁= 691+257
691+257+24+28= 0,948 Sencisivity = 𝑇𝑃
𝑇𝑃+𝐹𝑁= 691
691+28= 0,961 Specificity = 𝑇𝑁+𝐹𝑃𝑇𝑁 = 257
257+24= 0,914 PPF = 𝑇𝑃+𝐹𝑃𝑇𝑃 = 691
691+24= 0,966 NPV = 𝑇𝑁+𝐹𝑁𝑇𝑁 = 257
257+28= 0,901
3.5 Hasil Evaluasi dari Hasil Komparasi
Hasil dari melakukan komparasi dari berbagai metode yang telah kami ujikan maka dapat disimpulkan dengan membandingkan nilai tingkat akurasi dari berbagai metode yang diujikan, maku untuk lebih detailnya. dapat ditampilkan pada tabel 7 sebagai berikut:
Table 7. Komparasi Nilai Akurasi dan Nilai AUC Algoritma Accuracy AUC Naïve Bayes 96.30% 99.99%
Support Vectore Machine 98.70% 99.99%
Algoritma Accuracy AUC Neural Network 99.50% 1%
K-Nearest Neighbor 94.80% 0.50%
Hasil dari komparasi dengan beberapa algoritma yang kami ujikan maka dengan algoritma Naïve Bayes Mendapatkan nilai akurasi sebesar 96.30% sedangkan nilai AUC yang didapat sebanyak 99.99%, algoritma Support Vectore Machine mendapatkan hasil sebesar 98.70% dengan AUC sebesar 99.99% sama, selanjutnya dengan menggunakan algoritma Neural Network mendapatkan hasil akurasi sebesar 99.50% dengan AUC sebanyak 1% dan yang terakhir menggunakan K-Nearest Neighbor nilai akurasi yang didapat sebesar 94.80%
namun nilai AUC yang didapat 0.50%. jika dibandingkan dengan algoritma lainnya maka Neural Network memiliki nilai yang lebih unggul dari pada algoritma yang lainnya.
4. KESIMPULAN
Hasil pengujian pada beberapa algoritma yang telah kami lakukan dalam mencari tingkat akurasi yang lebih tinggi atau dengan performa yang terbaik dari berbagai algortima yang kami gunakan, maka dapt diseimpulkan bahwa Nilai akurasi dengan algoritma Naïve Bayes sebesar 96.30% sedangkan nilai AUC sebesar 99.99%, selanjutnya dengan perhitungan menggunakan algoritma Support Vectore Machine nilai akurasi yang didapat sebesar 98.70%
sedangkan nilai Area under the Curve(AUC) sebesar 99.99%, berikutnya algoritma yang ketiga yang kami gunakan dengan menggunakan algoritma Neural Network(NN) yang menghasilkan nilai akurasi sebesar 98.70% sedangkan nilai Area Under the Curve(AUC) menghasilkan nilai akurasinya sebesar 1%, dan yang terakhir algortima yang kami gunakan menggunakan K-Nearest Neighbor menghasilkan nilai akurasinya sebesar 94.80% sedangkan nilai AUC yang didapat sebesar, 0.5%. Maka jelas dari ke empat algoritma yang kami gunakan dalam mencari performa nilai akurasi dengan nilai tertinggi maka algoritma Neural Network yang memiliki nilai akurasi tertinggi dan nilai akurasi AUC teritinggi daripada menggunakan ketiga algoritma Naïve Bayes, Support Vectore Machine, dan K- Nearest Neighbor. Dan memang terbukti dari penelitian-penelitian kami sebelumnya mengenai data mning khususnya pada prediksi pembelajaran berbasis e-learning ataupun online, Neural Network selalu unggul dari pada menggunakan metode lainnya. Kelebihan dari algoritma Neural Network juga memiliki keunggulan dalam menentukan pola saat melakukan klasifikasi data dalam jumlah yang banyak, akan tetapi jumlah atribut dalam data yang besar akan mengurangi akurasi dan menambah kompleksitas dari algoritma tersebut jika dilakukan fitur seleksi atribut, maka untuk penelitian selanjutnya kami akan mencoba dengan mengkomparasikan dengan metode lainnya.
UCAPAN TERIMAKASIH
Terima kasih kami ucapkan yang pertama kepada Allah SWT, para Autor-autor yang mendudukung pada penulisan ini, LPPM Universitas Bina Sarana Informatika, Editorial Team Jurnal Media Informatika dan teman- teman yang mendukung dalam kegiatan-kegiatan pembuatan jurnal ilmiah.
REFERENCES
[1] S. F. Aziz, “Students’ Performance Evaluation Using Machine Learning Algorithms,” Univ. Al-hamdaniya, vol. 16, no.
3, pp. 976–986, 2020.
[2] N. Ketui, “Using Classification Data Mining Techniques for Students Performance Prediction,” 2020 Jt. Int. Conf. Digit.
Arts, Media Technol. with ECTI North. Sect. Conf. Electr. Electron. Comput. Telecommun. Eng. ECTI DAMT NCON 2020, pp. 359–363, 2020.
[3] A. Tousi and M. Lujan, “Comparative Analysis of Machine Learning Models for Performance Prediction of the SPEC Benchmarks,” IEEE Access, vol. 10, pp. 11994–12011, 2022.
[4] Z. A. Adriani and I. Palupi, “Prediction of University Student Performance Based on Tracer Study Dataset Using Artificial Neural Network,” J. Komtika (Komputasi dan Inform., vol. 5, no. 2, pp. 72–82, 2021.
[5] P. M. Arsad, N. Buniyamin, and J. L. A. Manan, “A neural network students’ performance prediction model (NNSPPM),”
2013 IEEE Int. Conf. Smart Instrumentation, Meas. Appl. ICSIMA 2013, no. November, 2013.
[6] E. P. Saputra, Supriatiningsih, Indriyanti, and Sugiono, “Prediction of Evaluation Result of E-learning Success Based on Student Activity Logs with Selection of Neural Network Attributes Base on PSO,” J. Phys. Conf. Ser., vol. 1641, no. 1, 2020.
[7] Y. A. Alsariera, Y. Baashar, G. Alkawsi, A. Mustafa, A. A. Alkahtani, and N. Ali, “Assessment and Evaluation of Different Machine Learning Algorithms for Predicting Student Performance,” Comput. Intell. Neurosci., vol. 2022, pp.
1–11, 2022.
[8] M. Zafari, A. Sadeghi-Niaraki, S. M. Choi, and A. Esmaeily, “A practical model for the evaluation of high school student performance based on machine learning,” Appl. Sci., vol. 11, no. 23, 2021.
[9] S. Ghareeb et al., “Evaluating student levelling based on machine learning model’s performance,” Discov. Internet Things, vol. 2, no. 1, 2022.
[10] E. S. Panca Saputra and Indriyanti, “Comparison of Data Mining In E-Learning Learning Based On Log Aktivity On PSO-Based Nural Network Algorithms With PSO-Based SVM,” Indones. J. Artif. Intell. Data Min., vol. 3, no. 2, pp. 95–
DOI: 10.30865/mib.v6i4.4786 102, 2020.
[11] I. Technologies, “Predicting student final performance using artificial neural networks in online learning environments,”
Educ. Inf. Technol., 2019.
[12] F. Handayani and S. Pribadi, “Implementasi Algoritma Naive Bayes Classifier dalam Pengklasifikasian Teks Otomatis Pengaduan dan Pelaporan Masyarakat melalui Layanan Call Center 110,” J. Tek. Elektro, vol. 7, no. 1, pp. 19–24, 2015.
[13] F. Janan and S. K. Ghosh, “Prediction of student’s performance using support vector machine classifier,” Proc. Int. Conf.
Ind. Eng. Oper. Manag., pp. 7078–7088, 2021.
[14] V. V. Corinna Cortes, “Support-Vector Networks,” IEEE Expert. Syst. their Appl., vol. 7, no. 5, pp. 63–72, 1995.
[15] C. F. Rodríguez-Hernández, M. Musso, E. Kyndt, and E. Cascallar, “Artificial neural networks in academic performance prediction: Systematic implementation and predictor evaluation,” Comput. Educ. Artif. Intell., vol. 2, no. March, 2021.
[16] G. S. and V. G. Gupta N., Khosravy M., Patel N., Artificial Neural Network Trained by Plant Ge- netic-Inspired Optimizer, Frontier Applications of Nature Inspired Computation, Frontier A. 2020.
[17] Y. F. Safri, R. Arifudin, and M. A. Muslim, “K-Nearest Neighbor and Naive Bayes Classifier Algorithm in Determining The Classification of Healthy Card Indonesia Giving to The Poor,” Sci. J. Informatics, vol. 5, no. 1, p. 18, 2018.
[18] A. Nugroho, O. R. Riady, A. Calvin, and D. Suhartono, “Identification of Student Academic Performance using the KNN Algorithm,” Eng. Math. Comput. Sci. J., vol. 2, no. 3, pp. 115–122, 2020.
