More Related Content
Similar to 152111283021_RAB_ResumeANN.pptx (20)
Recently uploaded (20)
152111283021_RAB_ResumeANN.pptx
- 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 Hopfields 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 Gonz叩lez-Briones, Guillermo Hern叩ndez, 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