OPTIMASI MODEL KLASIFIKASI C4.5 DAN PARTICLE SWARM OPTIMIZATION UNTUK PREDIKSI SISWA BERMASALAH
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Sekolah adalah lembaga pendidikan kedua bagi seorang anak yang memiliki peranan sangat strategis yang akan menjadi pusat-pusat kegiatan pendidikan untuk menumbuhkan dan mengembangkan potensi anak sebagai makhluk individu, sosial, susila dan religius. Deteksi dini dapat juga mendeteksi siswa dengan masalah belum serius, sehingga pihak sekolah memberikan dukungan dan perhatian yang tepat sebelum kondisi ini memburuk. Dalam menentukan apakah seorang siswa bermasalah maka pendidik (orang tua, wali siswa, wali kelas, dan guru) harus memperhatikan kekhasan perilaku anak dan perlu memahami tahapan perkembangan anak dalam segala aspek. Berdasarkan kondisi tersebut teknik data mining yang tepat digunakan adakah klasifikasi. Salah satu teknik klasifikasi data mining adalah C4.5. Dalam penelitian ini, membandingkan algoritma C4.5 dengan C4.5 berbasis PSO (Particle Swarm Optimazion) yang diterapkan pada data siswa bermasalah. C4.5 dan Particle Swarm Optimization menjadi lebih baik dalam memprediksi nilai akurasi daripada menggunakan hanya metode C4.5 saja, yang mampu meningkatkan nilai akurasi cukup tinggi yaitu sebesar 35.7%. Optimasi Decision Tree C4.5 dapat diterapkan untuk prediksi siswa berpotensi bermasalah dengan tingkat akurasi 99,08%. Dalam prediksi siswa berpotensi bermasalah, akurasi optimasi Algoritma C4.5 dan Particle Swarm Optimization lebih baik dari pada Algoritma decision Tree C.4.5 saja, dengan perbedaan yang cukup besar. Keyword : Siswa bermasalah, data mining, C4.5. PSO,
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,003 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle