Prediksi Nilai Mata Kuliah berdasarkan Nilai Prasyarat

PREDIKSI NILAI MATA KULIAH
BERDASARKAN NILAI PRASYARAT
MENGGUNAKAN METODE SUPPORT
VECTOR REGRESSION
M RIZAL SYAH KARIM (NRP : 5110100138)
DOSEN PEMBIMBING :
DR. TECH. IR. R. V. HARI GINARDI, M.SC
DR. CHASTINE FATICHAH S.KOM., M.KOM
LATAR BELAKANG
 Database
pendidikan meningkat dengan pesat dan
mengandung informasi penting untuk peningkatan
performa siswa/mahasiswa.
 Mengusulkan metode Support Vector Regression
(SVR) untuk mengetahui informasi penting dari data nilai
prasyarat mahasiswa.
 Prediksi ini membantu dosen maupun mahasiswa untuk
mendapatkan nilai yang lebih baik.
TUJUAN
 Menerapkan
metode Support Vector
Regression untuk memprediksi Nilai mata
kuliah berdasarkan Nilai mata kuliah
prasyarat
 Analisa hubungan antara nilai mata kuliah
prasyarat dengan nilai mata kuliah yang
diprasyarati
Metodologi
Pengumpulan
dataset
Preposesing
Data
Penerapan
algoritma
Evaluasi
MATA KULIAH PRASYARAT
 Mata kuliah prasyarat adalah mata kuliah yang merupakan
persyaratan untuk suatu mata kuliah yang diprasyarati
Contoh Mata Kuliah Prasyarat
SUPPORT VECTOR REGRESSION (SVR)
 SVR merupakan pengembangan dari SVM untuk melakukan
regresi untuk memprediksi nilai keluaran dari suatu masukan
 Tujuan SVR adalah mencari fungsi regresi
f(x) = <w , x> + b
Yang memiliki deviasi yang besar pada rentang Ɛ sedemikian
hingga mampu memprediksi nilai aktual y untuk semua data
latih.
 Selain deviasi, SVR mencari persamaan regresi yang sedatar
mungkin, fungsi regresi yang mendekati nilai sebenarnya
KONSEP SUPPORT VECTOR REGRESSION
Konsep Support Vector Regression
KORELASI
 Analisis korelasi dimaksudkan untuk mengetahui
seberapa kuatkah hubungan antara satu atau
beberapa variabel dengan suatu variabel lain.
 Nilai korelasi (r ) diukur dari korelasi Pearson untuk
2 buah variabel X dan Y dengan jumlah data sebesar
N dirumuskan pada persamaan sebagai berikut
INTERPRETASI KORELASI
Tabel Interpretasi korelasi
Nilai Korelasi Sampel
Interpretasinya
0,00 – 0,20
Hubungan korelasinya diabaikan
0,20 – 0,40
Hubungan korelasinya rendah
0,40 – 0,70
Hubungan korelasinya sedang
0,70 – 0,90
Hubungan korelasinya kuat
> 0,90
Hubungan korelasinya sangat kuat
9
DATA
 Data didapatkan dari sim akademik (integra) nilai
mahasiswa Teknik Informatika angkatan 2009 – 2012
 Data berupa data nilai persiswa dengan skala huruf
E – A. Nilai ini akan diubah skalanya menjadi 1 – 7
untuk memudahkan perhitungan Error.
 Akan
digunakan
prasyarat.
beberapa
kombinasi
pohon
DATA YANG DIGUNAKAN
Tabel data yang digunakan
Nama Dataset
Prasyarat
Prediksi
Jumlah
record
Dataset 1
STI, Basdat, BDL, PAAL, Data Mining
Data
Warehouse
69
Dataset 2
Sisdig, Orkom, Sisop, Jarkom
PMJ
48
Dataset 3
ASD, Grafkom, Jarkom
Jarmul
106
Dataset 4
Sisdig, Orkom
Sisop
620
Dataset 5
RPL
APS
441
11
SEBARAN DATA BOXPLOT (DATASET 2)
7
6
5
4
3
2
1
Sisdig
Orkom
Sisop
Jarkom
PMJ
DATA REAL (DATASET 2)
SKENARIO UJICOBA
 Dari masing-masing dataset, digunakan 70% sebagai
data latih dan 30% sebagai data uji.
 Algoritma Latih yang digunakan adalah support vector
regression diuji pada semua kernel dan parameter
latih c = 1 dan Ɛ = 0,001
 Pengukuran error :
 MSE (Mean Square Error) :
HASIL UJICOBA
HASIL UJICOBA 1 (1)
Tabel hasil ujicoba dataset mahasiswa pada semua kernel
Nama Dataset
Linier
Polynomial
RBF
Sigmoid
Dataset 1
0.205
0.8
0.212
0.37
Dataset 2
0.5
1.24
0.32
0.45
Dataset 3
0.35
1.24
0.36
0.6
Dataset 4
0.92
0.91
0.98
1.04
Dataset 5
1.12
1.09
1.069
1.05
Rata-rata
0.61
1.05
0.58
0.70
16
HASIL UJICOBA 1 (2)
Tabel hasil ujicoba dataset mahasiswa dengan nilai MSE terbaik
Nama Dataset
Jumlah feature
Jumlah record
MSE terbaik
Dataset 1
5
76
0.205
Dataset 2
4
64
0.32
Dataset 3
3
110
0.35
Dataset 4
2
674
0.91
Dataset 5
1
441
1.05
17
ANALISIS HASIL UJICOBA
Grafik hubungan antara jumlah MK Prasyarat dengan nilai MSE
HASIL UJICOBA 2
Tabel hasil ujicoba korelasi
Nama Dataset
MSE terbaik
Nilai Korelasi
Dataset 1
0.205
0.53
Dataset 2
0.32
0.36
Dataset 3
0.35
0.32
Dataset 4
0.91
0.26
Dataset 5
1.05
0.22
19
Rata-rata
0.56
0.34
ANALISIS HASIL UJICOBA (2)
Grafik hubungan antara korelasi dengan nilai MSE
KESIMPULAN
 Kernel RBF menghasilkan rata-rata nilai MSE terbaik dari semua kernel
yaitu 0,58
 Dari hasil ujicoba, hubungan antara nilai prasyarat dengan nilai yang
diprasyarati adalah mempunyai korelasi meskipun rendah yakni sebesar
0,34
 Semakin besar nilai korelasi, maka semakin kecil nilai MSE pada hasil
prediksi.
 Jumlah atribut prediktor (dalam hal ini jumlah mata kuliah prasyarat) yang
lebih banyak menghasilkan hasil prediksi yang lebih baik
 Persebaran data yang kurang baik dapat menyebabkan kesalahan hasil
prediksi yang cukup tinggi
TERIMA KASIH