Analysis of the Pattern of the Relationship the Intensity of Playing Onilne Games and Learning Interest Using Association Rule Mining (Apriori) at STMIK KAPUTAMA
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
The rapid development of information technology has a significant impact on the learning lives of students, one of which is through the increasing intensity of playing online games. This phenomenon raises concerns regarding its influence on learning interests, so it is necessary to conduct an in-depth analysis to see the pattern of relationships that occur. This study aims to analyze the relationship between the intensity of playing online games and the learning interest of STMIK Kaputama students using the Association Rule Mining method with a priori algorithm. The research data was obtained through questionnaires that were shared with students, then processed into binary tabular forms so that they could be processed using the RapidMiner software. The analysis process is carried out through the stage of forming frequent itemset, calculating support and confidence, to finding association rules that meet the minimum requirements. The results showed that there were several significant relationship patterns between the variables of the intensity of playing online games and learning interest. For example, the pattern "PS1 & WBS4 & TKG2 & UWB1" has support of 35% and results in a confidence value that shows a strong association between playing time factors, dependency levels, and learning efforts. In general, the higher the intensity of playing online games, the more it affects the decrease in students' interest in learning. These findings can be an input for the campus and students in managing gaming activities so that they do not have a negative impact on academics.
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 | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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