Please use this identifier to cite or link to this item: https://repository.uksw.edu//handle/123456789/33106
Title: Modifikasi Metode Random Forest Untuk Prediksi Kelulusan Siswa
Other Titles: Modification of random forest method to predict student graduation data
Authors: Laukon, Gerald Edgard
Keywords: Hutan Acak;Kinerja Siswa;Pembelajaran Mesin;Prediksi
Issue Date: 22-Jan-2024
Abstract: Tingkat kelulusan siswa merupakan ukuran penting dari keberhasilan sekolah, karena hal ini menunjukkan kemampuan sekolah untuk membantu siswa menyelesaikan pendidikan mereka. Memprediksi kelulusan siswa sangat penting bagi sekolah untuk mengidentifikasi siswa yang berisiko dan menawarkan intervensi dini untuk meningkatkan kinerja akademik mereka. Hal ini juga dapat membantu para pembuat kebijakan dalam mengembangkan kebijakan dan program yang efektif untuk meningkatkan tingkat kelulusan dan mengurangi angka putus sekolah. Dataset yang digunakan dalam penelitian ini diperoleh dari situs web Kaggle, dan model terbaik yang diusulkan menggunakan metode Random Forest dengan tuning hyperparameter. Dengan mengatur parameter n_estimator menjadi 1000, metode yang diusulkan menurunkan nilai mean squared error (MSE) dari 0.5525155 menjadi 0.5374983 dan meningkatkan nilai R2 Score dari 0.9984039 menjadi 0.9984873. Studi ini juga membandingkan kinerja model yang diusulkan dengan dataset lain yang bersumber dari University of California Irvine (UCI), yang menunjukkan kinerja yang lebih baik di semua percobaan. Hasilnya secara konsisten menunjukkan tren penurunan nilai MSE dan tren peningkatan nilai R2 untuk semua dataset.
The graduation rate of students is an important measure of a school's success, as it indicates the school's ability to help students complete their education. Predicting student completion is crucial for schools to identify at-risk students and offer them early interventions to improve their academic performance. This can also assist policymakers in developing effective policies and programs to enhance graduation rates and reduce dropout rates. The dataset used in this study was obtained from the Kaggle website, and the best model proposed utilizes the Random Forest method with hyperparameter tuning. By adjusting the n_estimator parameter to 1000, our proposed method decreases the mean squared error (MSE) value from 0.5525155 to 0.5374983 and increases the R2 Score value from 0.9984039 to 0.9984873. The study also compares the performance of the proposed model with other datasets sourced from the University of California Irvine (UCI), demonstrating superior performance across all experiments. The results consistently show a decreasing trend in MSE value and an increasing trend in R2 value for all datasets.
URI: https://repository.uksw.edu//handle/123456789/33106
Appears in Collections:T1 - Informatics Engineering

Files in This Item:
File Description SizeFormat 
T1_672018121_Judul.pdf518.88 kBAdobe PDFView/Open
T1_672018121_Isi.pdf
  Until 9999-01-01
679.05 kBAdobe PDFView/Open
T1_672018121_Daftar Pustaka.pdf299.77 kBAdobe PDFView/Open
T1_672018121_Lisensi dan Embargo.pdf463.99 kBAdobe PDFView/Open


Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.