Roadmap Riset ML: Prokastinasi dan Penentuan Kelayakan Tepat Waktu Studi Mahasiswa

Novia Kumala Sari, 2017

Membahas bagaimana menjadikan data unsupervised menjadi supervised learning, langkah yang dilakukan adalah dengan melakukan penilaian dari kuesioner yang diisi oleh mahasiswa, divalidasi oleh bidang akademik dan pakar psikologi serta dalam penilaiannya menggnakan Metode Analytic Hierarchy Process (AHP). Data yang telah terkonversi menjadi data supervised learning kemudian dilakukan klasifikasi dengan menggunakan algoritma Backpropagation Neural Network (BPNN) untuk memprediksikan kemungkinan lulus tepat waktu Mahasiswa. Dari penelitian ini diperoleh dari 7 atribut yang digunakan, ternyata hanya ada 3 atribut yang sangat berpengaruh terhadap penentu kelayakan kelulusan tepat waktu studi Mahasiswa. Hasil pemodelan terbaik dari ANN tersebut diimplementasikan pada bahasa pemrograman PHP menjadi sistem penentu kelayakan ketepatan masa studi Mahasiswa.

Data: Data Quesioner 2012-2014 sebanyak 200 data

Atribut: 7 Atribut Utama dan 38 Atribut Prokrastinasi

Metode: AHP, BPNN, Pemodelan Konversi

  1. Analytic Hierarchy Process (AHP), sebagai metode perbandingan berpasangan dalam menentukan kombinasi item/ atribut pada data.
  2. Pemodelan Konversi, menggunakan salah satu teknik konversi dengan menerapkan rumus yang telah ditetapkan dalam dunia psikologi
  3. Backpropagation Neural Network (BPNN), algoritma yang digunakan untuk melakukan klasifikasi data penentuan kelayakan ketepatan waktu studi Mahasiswa, yang terdiri dari 2 kelas Tepat Waktu (TW) dan Kemungkinan Tepat Waktu (KTW).

Tools : Python, Matlab, PHP, Excel


Novia Kumala Sari dan Mustakim, 2018

Paper ini membahas pecahan dari tugas akhir/ penetian sebelumnya. Pada penelitian ini hanya membahas bagaima mengubah data dari unsupervised menjadi supervised learning sesuai dengan rumus dan pemodelan dari pakar psikologi. Hasilnya terbentuknya dataset dengan 200 data dengan konsistensi metode AHP mencukupi dan baik.

Data: Data Quesioner 2012-2014 sebanyak 200 data

Atribut: 7 Atribut Utama dan 32 Atribut Prokrastinasi

Metode: AHP, Pemodelan Konversi

Tools: Python, Excel dan Matlab


Ega Dwi Lestari, 2020

Penelitian ini meneruskan dari kedua penelitian diatas, dengan diperolehnya model terbaik dari penelitian sebelumnya, maka penelitian ini tinggal menerapkan dataset yang digunakan, serta mengupdate data menjadi data terbaru yaitu 2014-2016. Model penelitian ini lebih difokuskan pada menggunakan Algoritma Backpropagation Neural Network (BPNN). Namun disini dalam proses pembagian data memabandingkan dua metode clustering yaitu algoritma K-Means dan K-Medoid. Hasil dari penelitian ini, memperoleh hasil bahwa algoritma K-Means yang lebih baik dengan 7 atribut.

Data: Data Quesioner 2014-2016 sebanyak 150 data

Atribut:

  1. 7 Atribut Utama dan 32 Atribut Prokrastinasi
  2. 3 Atribut Terpilih dan 32 Atribut Prokrastinasi

Metode:

  1. K-Means dan K-Medoid, digunakan untuk membagi data
  2. Backpropagation Neural Network (BPNN), digunakan untuk klasifikasi data

Tools: Python dan Excel


Shinta Ayunda Putri, 2020

Penelitian ini meneruskan dari kedua penelitian diatas dan hampir mirip dengan penelitian Ega Dwi Lestari, dengan diperolehnya model terbaik dari penelitian sebelumnya, maka penelitian ini tinggal menerapkan dataset yang digunakan, serta mengupdate data menjadi data terbaru yaitu 2014-2016. Model penelitian ini lebih difokuskan pada menggunakan Algoritma Backpropagation Neural Network (BPNN) dan Probabilistic Neural Network (PNN). Namun disini dalam proses pembagian data menggunakan algoritma K-Means. Hasil dari penelitian ini, memperoleh simpulan bahwa algoritma BPNN adalah algoritma terbaik dibandingkan dengan PNN, yang diterapkan pada 3 dan 7 atribut. Algoritma terbaik pada penelitian ini adalah BPNN.

Data: Data Quesioner 2014-2016 sebanyak 150 data

Atribut:

  1. 7 Atribut Utama dan 32 Atribut Prokrastinasi
  2. 3 Atribut Terpilih dan 32 Atribut Prokrastinasi

Metode:

  1. K-Means digunakan untuk membagi data
  2. Backpropagation Neural Network (BPNN) dan Probabilistis Neural Network (PNN), digunakan untuk klasifikasi data

Tools: Python dan Excel


Mahasiswa 1, 2022

Data: Data Quesioner 2016-2018 sebanyak 150-200 data

Atribut: 7 Atribut Utama dan 38 Atribut Prokrastinasi

Metode:

  1. Principle Component Analysis (PCA), Information Gain C4.5 dan Chi-Square, digunakan untuk fitur selection
  2. Hold-Out untuk Pembagian Data
  3. Backpropagation Neural Network (BPNN)

Tools: Python, Matlab, SPSS dan Excel


Mahasiswa 2, 2022

Data: Data Quesioner 2016-2018 sebanyak 150-200 data

Atribut: 7 Atribut Utama dan 38 Atribut Prokrastinasi

Metode:

  1. Hold-Out, K-Means dan K-Fold Cross Validation untuk Pembagian Data
  2. Backpropagation Neural Network (BPNN) dan K-Nearest Neighbor (KNN)

Tools: Python, Matlab dan Excel

Tinggalkan Balasan

Alamat email Anda tidak akan dipublikasikan. Ruas yang wajib ditandai *