Summary of the Paper: Prediction of Students’ Academic Success Using Case-Based Reasoning
1. Background
This study explores the prediction of students’ academic success using the Case-Based Reasoning (CBR) method, focusing on various influencing factors such as gender, absenteeism, parental satisfaction with schools, and relationships with parents. The research builds on previous findings that classified academic success into levels (low, medium, and high) and uses association rules generated by the Apriori Algorithm to identify key predictors.
2. Methodology
The study employs CBR with the Nearest Neighbor algorithm to predict academic success levels. The dataset consists of 480 students from elementary, middle, and high school levels, with 16 attributes such as gender, parental involvement, and absenteeism.
Key steps in the CBR process include:
- Retrieve: Finding cases similar to new instances based on pre-defined attributes.
- Reuse: Applying knowledge from past cases to predict success.
- Revise: Adjusting predictions if necessary.
- Retain: Storing new cases for future use.
3. Results
- The prediction process used 9 association rules from the Apriori Algorithm to classify success levels into “low” and “high.”
- A similarity value of 1 (perfect match) was achieved for 81% of cases, while 19% showed a similarity of less than 1.
- Predictions were validated using a dataset split into male (305) and female (175) students, sampled using the Slovin method.
4. Conclusion
- The combination of CBR and Nearest Neighbor, using association rules, effectively predicts students’ academic success.
- The prediction accuracy reached 81%, demonstrating the robustness of the method.
- Future recommendations include integrating artificial intelligence algorithms and expanding the dataset for improved prediction accuracy.
This research highlights the practical application of CBR in educational data mining, offering a systematic approach to predicting and enhancing academic success.
Ringkasan Paper: Prediksi Keberhasilan Akademik Siswa Menggunakan Case-Based Reasoning
1. Latar Belakang
Penelitian ini membahas prediksi keberhasilan akademik siswa menggunakan metode Case-Based Reasoning (CBR) dengan mempertimbangkan berbagai faktor, seperti jenis kelamin, absensi, kepuasan orang tua terhadap sekolah, dan hubungan siswa dengan orang tua. Studi ini melanjutkan temuan sebelumnya yang mengklasifikasikan keberhasilan akademik ke dalam tiga tingkatan (rendah, sedang, dan tinggi) serta menggunakan aturan asosiasi yang dihasilkan oleh Algoritma Apriori untuk mengidentifikasi faktor-faktor kunci.
2. Metodologi
Penelitian ini menggunakan CBR dengan algoritma Nearest Neighbor untuk memprediksi tingkat keberhasilan akademik. Dataset yang digunakan terdiri dari 480 siswa dari tingkat SD, SMP, dan SMA, dengan 16 atribut, seperti jenis kelamin, keterlibatan orang tua, dan absensi.
Tahapan utama dalam proses CBR meliputi:
- Retrieve: Mencari kasus serupa dengan kasus baru berdasarkan atribut yang telah ditentukan.
- Reuse: Menerapkan pengetahuan dari kasus sebelumnya untuk memprediksi keberhasilan.
- Revise: Menyesuaikan prediksi jika diperlukan.
- Retain: Menyimpan kasus baru untuk digunakan di masa depan.
3. Hasil Penelitian
- Proses prediksi menggunakan 9 aturan asosiasi dari Algoritma Apriori untuk mengklasifikasikan tingkat keberhasilan menjadi “rendah” dan “tinggi.”
- Nilai kesamaan sebesar 1 (kecocokan sempurna) dicapai pada 81% kasus, sementara 19% menunjukkan kesamaan kurang dari 1.
- Prediksi divalidasi menggunakan dataset yang dibagi berdasarkan jenis kelamin siswa, yaitu laki-laki (305) dan perempuan (175), dengan sampel diambil menggunakan metode Slovin.
4. Kesimpulan
- Kombinasi CBR dan Nearest Neighbor, dengan aturan asosiasi, efektif dalam memprediksi keberhasilan akademik siswa.
- Akurasi prediksi mencapai 81%, menunjukkan keandalan metode ini.
- Rekomendasi ke depan mencakup integrasi algoritma kecerdasan buatan dan perluasan dataset untuk meningkatkan akurasi prediksi.
Penelitian ini menyoroti aplikasi praktis CBR dalam penambangan data pendidikan, menawarkan pendekatan sistematis untuk memprediksi dan meningkatkan keberhasilan akademik siswa.
