2. SLIDESMANIA.COM
Dalam beberapa tahun terakhir, sektor pendidikan telah mengalami
transformasi digital, sama seperti sektor pekerjaan lainnya. Penggunaan
teknologi baru dalam pendidikan telah mengakibatkan munculnya berbagai
tren seperti VLEs atau Massive Open Online Courses (MOOCs)
Jenis teknologi ini memungkinkan penyebaran pengetahuan ke mana pun di
dunia, mengubahnya menjadi alat penting bagi sekolah dan universitas.
Akibatnya, siswa tidak lagi harus tinggal di lokasi lembaga pendidikan untuk
dapat memanfaatkan layanannya.
Introduction
3. SLIDESMANIA.COM
Background
Empat yang paling umum digunakan Platform VLE hingga saat ini telah
dianalisis :
● Open Source atau tidak
● Adanya API atau tidak
● Kompatibilitas dengan Learning Tools Interoperability (LTI), sebuah
standar teknologi pendidikan yang dikembangkan oleh IMS Global
Learning Consortium
● Apakah lembaga tersebut memiliki integrasi dengan sistem e-
commerce untuk mencakup lebih banyak kemungkinan kursus, tidak
hanya gratis
4. SLIDESMANIA.COM
Metodologi AI dalam pendidikan
● Decision Tree
● Random Forest
● Extreme Gradient Boosting
● The simple perceptron
● Hopfield’s network
● The multi-layer perceptron
● Competitive learning networks
● Convolutional neural networks
● Kohonen Maps/Authorizing Neural
Networks.
5. SLIDESMANIA.COM
Artificial neural network
architecture
Arsitektur sistem yang diusulkan didasarkan
pada multi-layeredperceptron dengan
hingga dua lapisan tersembunyi dengan
ukuran yang sebelumnya tetap
Selain lapisan tersembunyi tersebut, lapisan
masukan memiliki jumlah neuron yang sama
dengan jumlah masukan dalam kumpulan
data, sedangkan lapisan keluaran memiliki 2
neuron dengan fungsi aktivasi SoftMax.
6. SLIDESMANIA.COM
Proposed system
ANN dilatih dengan data yang telah dinormalisasi sebelumnya agar mampu
mengidentifikasi pola perilaku. Selanjutnya, kumpulan data awal dianalisis dan
parameter yang menyebabkan siswa gagal dalam ujian diminimalkan untuk
meningkatkan tingkat kelulusan. Terakhir, ANN yang sudah dilatih digunakan untuk
memprediksi apakah dengan modifikasi yang dilakukan pada parameter siswa tertentu
akan membantu mereka lulus ujian.
7. SLIDESMANIA.COM
Data yang dimasukkan dalam dataset berasal dari sekelompok siswa yang telah mengikuti serangkaian empat
kursus online, sehingga totalnya ada 32.593 siswa.
Tujuannya adalah untuk memprediksi apakah seorang siswa akan lulus atau gagal dalam ujian akhir mereka.
Selain itu, dimaksudkan untuk melakukan penelitian terhadap siswa yang gagal dalam ujian, untuk mengetahui
parameter utama yang menyebabkan rendahnya kinerja mereka dan untuk memahami bagaimana cara
meningkatkan parameter tersebut.
Dataset Analysis
8. SLIDESMANIA.COM
Dataset Result
Penelitian ini melibatkan pelatihan model dengan dataset yang dibagi menjadi set pelatihan dan set uji.
Sebelum pelatihan, data dinormalisasi untuk meningkatkan pemrosesan oleh Jaringan Saraf Tiruan
(ANN). Hanya set pelatihan yang digunakan untuk mengatur normalisasi. Hiperparameter jaringan,
seperti jumlah neuron dan fungsi aktivasi, diatur melalui validasi silang 5 lipatan pada set pelatihan.
Hasil penelitian menunjukkan bahwa model terbaik adalah jaringan tersembunyi logistik 15 dengan
akurasi rata-rata 0.783. Studi kedua menguji jaringan dua lapisan tersembunyi, dengan model terbaik
(7,2) dan akurasi rata-rata 0.785, sedikit lebih baik dari model dengan satu lapisan tersembunyi.
Model yang disesuaikan kemudian dievaluasi dengan set uji, menghasilkan akurasi 0.782. Metode lain
juga diuji, tetapi menghasilkan akurasi yang serupa atau sedikit lebih rendah. Variabel yang paling
berpengaruh dalam hasil akhir adalah jumlah klik (interaksi dengan VLE).
Dalam analisis hasil, tingkat kelulusan dan ketidaklulusan siswa diperbandingkan dengan jumlah klik
yang mereka lakukan. Hasilnya menunjukkan ada dua kelompok yang berbeda secara signifikan,
dibuktikan dengan uji Kolmogorov-Smirnov yang menghasilkan p-value mendekati nol.
10. SLIDESMANIA.COM
Hasil analisis menunjukkan bahwa siswa yang berusaha lebih
bisa lulus, terutama jika mereka meningkatkan interaksi
dengan sistem pembelajaran (VLE). Siswa yang gagal perlu
meningkatkan interaksi mereka untuk menghindari hasil yang
sama tahun depan. Parameter hukuman pada model
pembelajaran dapat disesuaikan untuk mendapatkan model
yang lebih intuitif, meskipun akurasi global sedikit memburuk.
Prosedur ini dapat diadaptasi untuk siswa tertentu agar
mereka dapat meningkatkan peluang kelulusan, terutama
dengan lebih banyak data yang tersedia.
11. SLIDESMANIA.COM
Kesimpulan
● Penelitian ini menggunakan teknik pembelajaran mesin untuk mengidentifikasi faktor-
faktor yang paling berpengaruh terhadap kinerja akademik. Hasil penelitian menunjukkan
bahwa jumlah klik yang dilakukan oleh siswa pada sumber daya dalam lingkungan
pembelajaran virtual memiliki pengaruh paling signifikan pada kinerja mereka. Sebuah
studi kasus dilakukan untuk lebih memahami dampak dari interaksi siswa dengan sumber
daya tersebut.
● Untuk pekerjaan masa depan, penelitian ini menyarankan pembuatan sistem di mana
konten yang ditampilkan dalam kelas virtual akan disesuaikan dengan frekuensi
penggunaan referensi oleh siswa. Selain itu, rencana untuk melakukan studi yang
melibatkan lebih banyak siswa guna memvalidasi temuan ini.
12. SLIDESMANIA.COM
Alberto Rivas, Alfonso González-Briones, Guillermo Hernández, Javier Prieto, Pablo
Chamoso, “Artificial neural network analysis of the academic performance
of students in virtual learning environments”, Neurocomputing, Volume 423, 29
January 2021, Pages 713-720