Hasanah, Ajeng Dwi (2021) PREDIKSI KELULUSAN MAHASISWA BERDASARKAN DATA AKTIVITAS PEMBELAJARAN DI LAYAR E-LEARNING YARSI. Diploma thesis, Universitas YARSI.

Preview	Text 01-COVER.pdf Download (286kB) | Preview
Preview	Text 04-HALAMAN PENGESAHAN.pdf Download (855kB) | Preview
Preview	Text 03-HALAMAN PERNYATAAN ORISINALITAS.pdf Download (423kB) | Preview
Preview	Text 02-ABSTRAK.pdf Download (307kB) | Preview
Preview	Text 12-BAB I.pdf Download (475kB) | Preview
Preview	Text 18-DAFTAR PUSTAKA.pdf Download (240kB) | Preview
	Text 13-BAB II.pdf Restricted to Registered users only Download (458kB)
	Text 14-BAB III.pdf Restricted to Registered users only Download (881kB)
	Text 15-BAB IV.pdf Restricted to Registered users only Download (1MB)
	Text 16-BAB V.pdf Restricted to Registered users only Download (423kB)
	Text 17-BAB VI.pdf Restricted to Registered users only Download (411kB)
	Text 19-LAMPIRAN.pdf Restricted to Registered users only Download (647kB)

Abstract

Nilai hasil belajar yang rendah dapat diinterpretasikan sebagai kurangnya kegiatan belajar yang dilakukan mahasiswa atau adanya tantangan, baik kognitif, emosional, ataupun fisiologis, yang dihadapi oleh mahasiswa. Mahasiswa yang mengalami banyak kendala belajar dalam suatu mata kuliah, umumnya akan sulit untuk lulus pada mata kuliah tersebut. Oleh karenanya, sangat penting untuk memperbaiki kualitas kegiatan belajar dari satu mata kuliah dan juga memberikan intervensi khusus bagi mahasiswa yang terkendala dalam pembelajarannya. Namun, sebelum intervensi dapat diberikan, instruktur perlu mengidentifikasi para mahasiswa yang mengalami kendala dalam belajar. Artinya, instruktur perlu memonitor proses dan kemajuan belajar mahasiswanya. Hal yang sangat tidak mungkin dilakukan dalam lingkungan belajar luring, tapi sangat mungkin dalam situasi belajar daring dengan pemanfaatan e-learning. Dengan memanfaatkan teknik penambangan data dengan menggunakan data dari e-learning, untuk memprediksi performa dan kelulusan mahasiswa dari suatu mata kuliah. Metode Naïve Bayes, Support Vector Machine, Logistic Regression dan Random Forest dapat diimplementasi untuk memprediksi kelulusan mahasiswa. Dataset yang digunakan pada penelitian ini berasal dari log moodle mata kuliah Dasar-Dasar Pemrograman. Jumlah data berisi 194 mahasiswa yang terdiri dari 66 mahasiswa lulus dan 128 mahasiswa tidak lulus. Hasil implementasi menunjukan algoritma Random Forest mendapatkan nilai akurasi terbesar yaitu 87%. Sedangkan untuk pengujian algoritma naïve bayes mendapatkan nilai akurasi terbesar yaitu 84%.

Actions (login required)

View Item