DATA MINING UNTUK MENENTUKAN KORELASI (CONFIDENCE DAN SUPPORT) JURUSAN SISWA PADA TINGKAT SEKOLAH MENENGAH TERHADAP INDEKS PRESTASI KUMULATIF (IPK) DI PERGURUAN TINGGI SEBAGAI SOLUSI TEPAT PEMILIHAN PROGRAM STUDI DI PERGURUAN TINGGI
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
Beberapa faktor yang mempengaruhi mahasiswa memperoleh nilai IPK tinggi, diantaranya mahasiswa harus belajar secara maksimal di bangku kuliah dan sesuai dengan program studi yang dipilih. Salah satu faktor agar mahasiswa dapat belajar secara maksimal adalah bahwa jurusan/program studi yang dipilih di perguruan tinggi harus diminati dan sesuai dengan bidang keahlian serta memiliki korelasi dengan latar belakang pendidikan mahasiswa. Menurut Educational Psychologist dari Integrity Development Flexibility (IDF),sebanyak 87 persen mahasiswa di Indonesia salah jurusan yang dapat memicu pada pengangguran, tidak mampu mengikuti perkuliahan dan dampak paling buruk adalah DO(drop out). Untuk membantu mahasiswa dalam memilih jurusan, perlu dirancang sebuah sistem secara online, sehingga semua orang dapat mengakses sebagai pendukung dalam memilih jurusan.Variable yang digunakan adalah jurusan di sekolah menengah, Program studi di Perguruan Tinggi dan IPK. Sebagai tahap awal untuk basis pengetahuan data diinput dari 24 perguruan tinggi swasta dan negeri yang tersebar di provinsi yakni Sumatera Utara, terdiri dari 27 Jurusan SMA/sederajat dan 65 program studi di Perguruan tinggi.Hasil yang diperoleh adalah dihasilkannya sebuah pengetahuan baru untuk membantu memilih program studi di perguruan tinggi berdasarkan support dan confidence sesuai jurusan, mahasiswa dapat mengetahui korelasi jurusan di SMA terhadap jurusan di perguruan tinggi.
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 | 0,006 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,003 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,009 | 0,001 |
| Communication savante | 0,010 | 0,008 |
| Science ouverte | 0,016 | 0,014 |
| Intégrité de la recherche | 0,001 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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