OPTIMASI MODEL KLASIFIKASI C4.5 DAN PARTICLE SWARM OPTIMIZATION UNTUK PREDIKSI SISWA BERMASALAH
Why this work is in the frame
A frame that forgets how it found something cannot be audited. These are the routes that admitted this work.
Bibliographic record
Abstract
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,
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
Full frame distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.001 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.000 |
| Bibliometrics | 0.000 | 0.002 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.001 | 0.001 |
| Open science | 0.003 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.000 | 0.001 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from it