Pendekatan kecerdasan buatan untuk memantau dan memprediksi kinerja siswa akademik.

 

Sistem ini memiliki modul internal berbasis AI yang mendefinisikan dan mengevaluasi data, serta mesin 'Analisis Data' yang selalu siap untuk menghasilkan laporan, prediksi, dan saran ketika diminta oleh para pemangku kepentingan. Pada kasus ini pemangku kepentingan dapat meminta sistem untuk menampilkan kinerja siswa dari perangkat statis atau bergerak di mana saja dan kapan saja. Kemudian, fase pengujian perangkat lunak akan dilakukan dengan menggunakan model yang telah diidentifikasi dan diuji di lingkungan nyata.

Sementara itu, pendekatan kuantitatif juga dilakukan, yaitu teknik penyiapan dan pemrosesan data yang digunakan. Selain itu, pembersihan data merupakan proses menghilangkan anomali seperti fitur-fitur yang tidak relevan dari data yang ada untuk mendapatkan kumpulan data yang akurat dan unik. Untuk menangani data yang tidak akurat, tidak konsisten, dan tidak lengkap. informasi mahasiswa yang memiliki fitur-fitur yang tidak relevan akan dihilangkan.

 

Lingkungan untuk analisis pengetahuan yang memiliki opsi dua jenis filter di WEKA yaitu yang diawasi dan tidak diawasi. Kedua kategori dapat memfilter atribut dan instans secara terpisah. WEKA adalah perangkat lunak sumber terbuka yang terdiri dari berbagai algoritma untuk pra-pemrosesan data, klasifikasi, pengelompokan, regresi, dan aturan asosiasi.

Tujuan utama studi ini adalah untuk memantau kinerja akademis siswa, menentukan mereka yang menunjukkan bakat akademis yang buruk, dan menyarankan tindakan pencegahan. Model pohon keputusan unggul dalam hampir semua metrik evaluasi, menurut evaluasi model. Akurasi tinggi menunjukkan kemampuan sistem untuk memiliki galat absolut rata-rata dan galat kuadrat rata-rata terendah dibandingkan dengan dua algoritma lain yang berbeda. Kemampuan pohon keputusan untuk mengkategorikan contoh secara akurat dalam kelas ditunjukkan oleh contoh yang diklasifikasikan dengan benar lebih tinggi.

Sistem berbasis web untuk memantau dan memprediksi kinerja mahasiswa akan dikembangkan dengan menerapkan aturan IF-THEN yang telah berhasil diidentifikasi. Model akan dijalankan dengan mengubahnya menjadi prosedur yang mudah dipahami dan pendekatan pencegahan bagi mahasiswa dengan kinerja yang buruk akan dirancang. Sebagai langkah pendukung, model keluaran mengungkap GPASem3 sebagai salah satu faktor kunci dan dengan demikian dosen khususnya koordinator program, mentor dan dosen mata kuliah harus terus menekankan pentingnya hal tersebut. Langkah ini dapat mengurangi jumlah mahasiswa yang tidak efisien.

Dalam hal tindakan pencegahan, siswa yang berisiko tidak lulus kelas akan dikirim untuk mengikuti pertemuan konsultasi. Instruktur bebas menjadwalkan wawancara dengan setiap siswa dan membuat rencana keselamatan yang mempertimbangkan berbagai perspektif mereka. Instruktur juga dapat menjadwalkan kelas tambahan untuk membantu siswa yang berisiko kembali ke jalur yang benar. Tujuan utama dari pelajaran tambahan adalah untuk memotivasi siswa dan meninjau materi pelajaran. Sejatinya sistem ini dibuat agar terciptanya pembelajaran yang dapat mematanagkan kinerja teknologi pada masa ini, pembelajaran dengan akurasi kinerja mahasiswa lebih tinggi. (oleh: gadis shovita ashary)