Klasifikasi penilaian guru terhadap pembelajaran siswa menggunakan metode multi class support vector machine di sekolah cemerlang

ABSTRAK:

Kualitas dari pendidikan di Indonesia pada akhir-akhir ini sangat memprihatinkan dikarenakan lemahnya standar evaluasi pembelajaran. Evaluasi hasil belajar di sekolah dengan cara mendeskripsikan kemampuan dirasa lebih efektif karena dapat memberikan gambaran menyeluruh terhadap pencapaian yang telah dicapai oleh murid selama proses pembelajaran. Penulis bertujuan membantu memudahkan pihak sekolah dalam melaporkan kegiatan siswa dan mengatasi permasalahan sistem evaluasi dalam bentuk angka. Support Vector Machine (SVM) adalah metode learning machine yang bekerja atas prinsip Structural Risk Minimization (SRM) dengan tujuan memisahkan dua buah class pada input space. SVM dikembangkan kembali untuk klasifikasi multikelas. Salah satu metode pendekatan yang digunakan adalah One Against All (OAA). Metode OAA untuk kasus klasifikasi k-kelas, menemukan k hyperplane dimana k adalah banyak kelas dan ρ adalah hyperplane. Hasil uji coba yang telah dilakukan mendapatkan nilai Akurasi sebesar 71,1% , Presisi sebesar 80,3% , Recall sebesar 70,9% , dan Macro F1 sebesar 69,0% . Sedangkan pada uji coba menggunakan k-fold cross validation dengan 3 kali iterasi didapatkan nilai akurasi pada iterasi pertama sebesar 50,0%, iterasi kedua sebesar 45,0%, dan iterasi ketiga sebesar 47,7%.Hasil nilai akurasi mennjukan tingkat keakuratan pada kategori sedang, nilai presisi menunjukan tingkat keakuratan pada kategori baik, nilai recall menunjukan tingkat keakuratan pada kategori sedang, dan nilai macro f1 menunjukan tingkat keakuratan pada kategori buruk. Sedangkan hasil dari k-fold cross validation menunjukan klasifikasi gagal. pada penelitian ini penggunaan k-fold cross validation dirasa tidak cocok digunakan pada dataset penelitian ini. saran untuk penelitian selanjutnya yaitu menggunakan metode optimasi untuk menghasilkan nilai akurasi yang lebih optimal.

ABSTRACT:

The quality of education in Indonesia has been very concerning lately due to the weak standard of learning evaluation. Evaluation of learning outcomes in schools by describing abilities is felt to be more effective because it can provide an overall picture of the achievements that have been achieved by students during the learning process. the author aims to help make it easier for schools to report student activities and overcome evaluation system problems in numerical form. Support Vector Machine (SVM) is a machine learning method that works on the principle of Structural Risk Minimization (SRM) with the aim of separating two classes in the input space. SVM was redeveloped for multiclass classification. One of the approach methods used is One Against All (OAA). The OAA method for the k-class classification case finds k hyperplanes where k is many classes and ρ is a hyperplane. The results of the trials that have been carried out get an accuracy value of 71.1%, precision of 80.3%, recall of 70.9%, and Macro F1 of 69.0%. Whereas in the trial using k-fold cross-validation with 3 iterations, the accuracy value in the first iteration was 50.0%, the second iteration was 45.0%, and the third iteration was 47.7%. The results of the accuracy value showed the level of accuracy in the medium category, the precision value indicates the level of accuracy in the good category, the recall value indicates the level of accuracy in the medium category, and the macro f1 value indicates the level of accuracy in the bad category. While the results of the k-fold cross-validation show that the classification failed. in this study, the use of k-fold cross-validation was deemed unsuitable for use in this research dataset. suggestions for further research is to use the optimization method to produce a more optimal accuracy value.

مستخلص البحث:

انت جودة التعليم في إندونيسيا مقلقة للغاية مؤخرًا بسبب ضعف مستوى تقييم التعلم. يعتبر تقييم نتائج التعلم في المدارس من خلال وصف القدرات أكثر فعالية لأنه يمكن أن يوفر صورة شاملة للإنجازات التي حققها الطلاب أثناء عملية التعلم.يهدف المؤلف إلى المساعدة في تسهيل قيام المدرسة بالإبلاغ عن الأنشطة الطلابية والتغلب على مشاكل نظام التقييم في شكل أرقام. تعدSupport Support Vector Machine (SVM)طريقة تعلم آلي تعمل على مبدأ تقليل المخاطر الهيكلية(SRM)بهدف فصل فئتين في مساحة الإدخال.أعيد تطويرSVMلتصنيف متعدد الطبقات. إحدى طرق النهج المستخدمة هيOne Against All (OAA).طريقةOAAلحالة تصنيف فئةk، تجدk hyperplanesحيثkعبارة عن العديد من الفئات و عبارة عن طائرة مفرطة. نتائج التجارب التي تم إجراؤها تحصل على قيمة دقة71.1٪، دقة80.3٪، تذكر70.9٪وMacro F1 69.0٪. بينما في التجربة باستخدام التحقق المتقاطعk-foldمع3تكرارات ، كانت قيمة الدقة في التكرار الأول50.0٪، والتكرار الثاني 45.0٪، والتكرار الثالث47.7٪. وأظهرت نتائج قيمة الدقة مستوى الدقة. الدقة في الفئة المتوسطة ، تشيرقيمة الدقة إلى مستوى الدقة في الفئة الجيدة ، وتشير قيمة الاستدعاء إلى مستوى الدقة في الفئة المتوسطة ، وتشير قيمة الماكروf1إلى مستوى الدقة في الفئة السيئة. بينما تظهر نتائج التحقق من صحةk-foldأن التصنيف فشل. في هذه الدراسة ، تم اعتبار استخدام التحقق منصحة k-foldغير مناسب للاستخدام في مجموعة البيانات البحثية هذه. اقتراحات لمزيد من البحث لاستخدام طريقة التحسين لإنتاج قيمة دقة أكثر أمث