Penerapan Metode Apriori untuk Mengidentifikasi Korelasi Nilai Siswa di Sekolah Menengah Pertama
Notice bibliographique
Résumé
Currently, education is developing very rapidly, starting from the school level even up to the university level. Quality human resources depend on education. Student learning achievement which is usually indicated by report card grades is one of the benchmarks of educational success. However, student grade data for strategic decision making in schools is often done manually and is not optimal. This study aims to identify correlations between student grades in Junior High Schools and apply the Apriori method in data analysis to determine the relationship between student grades and other variables such as subjects and achievement levels. This study involved data collection consisting of 508 students. The Apriori method successfully identified relevant correlations, such as students in Pancasila Education subjects received a B, ICT received a B, Mathematics received a B, English received a B, Social Studies received a B, Craft received a B, Indonesian received a B, Physical Education received a B, Science received a B, SBK received a B, Religious Education received a B, then the Achievement Level is Low with support 3.90% and confidence 95.20%. The use of RapidMiner software in data analysis provides recommendations for robust relationships or correlations. This research is expected to provide sound recommendations to support the achievement of national education goals by identifying the relationship between student grades and subject matter, as well as improving learning outcomes based on student achievement levels.
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 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 | 0,003 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,003 | 0,002 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,002 | 0,000 |
| Communication savante | 0,003 | 0,002 |
| Science ouverte | 0,003 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 découleClassification
machine, non validéePrédiction automatique; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».