PEMANFAATAN DUA METODE CLUSTERING DAN ASSOCIATION RULE TERHADAP PRESTASI BELAJAR BERDASARKAN NILAI MATA PELAJARAN SISWA
Notice bibliographique
Résumé
Data mining is a series of processes to extract new information from a pile of data. Student learning achievements are the results obtained by students after undergoing the learning process. There are quite a lot of data on student achievement in SMK Taman Siswa Binjai. But the student data has not been utilized to the maximum, making it difficult for the School to monitor the progress of students in the school. Therefore, it is necessary to create a system to find out the implementation of Data Mining based on the K-Means Clustering Method and to know the centroid distance between 1 group and other groups and to know the implementation of Data Mining based on Apriori Algorithm and to know the Support and Confidence of student learning achievement towards eye scores study, discipline, and majors. With this system can provide benefits to the school to be able to provide knowledge about student achievement while attending teaching and learning activities and to students to be able to know their learning achievements are good what needs to be improved again and can improve it again. By implementing k-means and a priori data mining of student achievement data in 2016 - 2018, there were 604 data, and from 100 data produced 3 clusters, where 1 48 data clusters, 2 24 data clusters, 3 28 data clusters, and with the algorithm a priori produce 16 rules that are formed and get the best rule, if someone has a good enough course value (70.00 - 76.99) and has enough discipline, then most likely will be in the Department of Motorcycle Engineering with a supporting value of 9% and 88% certainty value.
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.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,003 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,010 | 0,004 |
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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».