Kajian Kinerja Metode Support Vector Machine Dan Neural Tangent Kernel Untuk Memprediksi Hasil Ujian Siswa

Bilah Samping Artikel

PDF
Diterbitkan: Jul 1, 2021
Kata Kunci:
SVM, NTK, Data Mining

Isi Artikel Utama

Suryanto Suryanto
a:1:{s:5:"id_ID";s:28:"DOSEN TIDAK TETAP STMIK TIME";}
Pahala Sirait
Andri

Abstrak

Data mining adalah salah satu teknik yang sangat populer dan bagus untuk prediksi. Salah satu algoritma yang sangat populer dalam data mining adalah SVM.Tetapi SVM ini memiliki kelemahan dalam menambang data-data yang besar. Untuk mengatasi hal ini terdapat metode kernel dimana salah satu metode kernel yang terbaru adalah Neural Tangent Kernel (NTK). Kombinasi penggunaan SVM dan NTK dapat digunakan dalam prediksi. Penelitian ini mengkaji metode SVM dikombinasikan dengan NTK dalam menambang Open Learning University Dataset yang merupakan Dataset pembelajaran online negara Inggris yang memiliki database besar dan tersertifikasi. Hasil akurasi prediksi penelitian ini diukur dengan 10 Fold Validation  menunjukkan hasil yang memuaskan yaitu  akurasi  dari Kondisi ( 85.23 % ) lalu Performa ( 84.03 % ) dan yang terakhir adalah Demografi ( 73.17 % ).

Rincian Artikel

Cara Mengutip
[1]
S. Suryanto, P. Sirait, dan Andri, “Kajian Kinerja Metode Support Vector Machine Dan Neural Tangent Kernel Untuk Memprediksi Hasil Ujian Siswa”, JTM, vol. 10, no. 1, hlm. 16–22, Jul 2021.
Terbitan
Vol 10 No 1 (2021): Jurnal TIMES
Bagian
Articles
Copyright (c) STMIK TIME

Referensi

Alpaydin, E. (2014) Introduction To Machnine Learning third edition. Third Edit. Massachusetts Institute of Technology.

Aprilla, C, D. et al. (2013) BELAJAR DATA MINING dengan RAPID MINER. Jakarta.

Bert, W. (2019) An Introduction to Machine Learning Algorithms. Available at: https://litslink.com/blog/an-introduction-to-machine-learning-algorithms (Accessed: 24 November 2020).

Binti Hamzah, F. A. et al. (2020) ‘CoronaTracker: World-wide Covid-19 outbreak data analysis and prediction’, Bulletin of the World Health Organization, (March), p. Submitted. doi: http://dx.doi.org/10.2471/BLT.20.255695.

Bydžovská, H. (2016) ‘A comparative analysis of techniques for predicting student performance’, Proceedings of the 9th International Conference on Educational Data Mining, EDM 2016, 2, pp. 306–311.

Cattral, R., Oppacher, F. and Deugo, D. (2001) ‘Supervised and unsupervised data mining with an evolutionary algorithm’, Proceedings of the IEEE Conference on Evolutionary Computation, ICEC, 2(June), pp. 767–774. doi: 10.1109/cec.2001.934267.

Dickyibrohim (2019) Supervised, Unsupervised, dan Semi Supervised (Machine Learning). Available at: https://www.cleova.com/supervised-unsupervised-dan-semi-supervised-machine-learning/.

Du, S. S. et al. (2019) ‘Graph neural tangent kernel: Fusing graph neural networks with graph kernels’, in arXiv. Vancouver: NeurIPS 2019.

Edwardo, T. O. (2018) Penggunaan Python untuk Data Mining. Available at: https://socs.binus.ac.id/2018/11/16/penggunaan-python-untuk-data-mining/ (Accessed: 25 November 2020).

Eska, J. (2016) ‘Penerapan Data Mining Untuk Prediksi Penjualan Wallpaper Menggunakan Algoritma C4.5’, JURTEKSI (Jurnal Teknologi dan Sistem Informasi), 2, pp. 9 – 13. doi: 10.31227/osf.io/x6svc.

Ghojogh, B. and Crowley, M. (2019) ‘The theory behind overfitting, cross validation, regularization, bagging, and boosting: tutorial’, arXiv, pp. 1–23.

Han, J., Kamber, M. and Pei, J. (2012) Data mining: Data mining concepts and techniques. Third Edit, Morgan Kaufmann. Third Edit. Waltham: Morgan Kaufmann.

Irmawati, Zainuddin, Z. and Yuyun (2020) ‘DATA MINING UNTUK PENENTUAN MODEL TINGKAT KESUKSESAN KELULUSAN MURID SMA PADA PERGURUAN TINGGI NEGERI: STUDI KASUS DI IAIN BONE’, JIKO (Jurnal Informatika dan Komputer), 3(2), pp. 113–118.

Jacot, A., Gabriel, F. and Hongler, C. (2018) ‘Neural tangent kernel: Convergence and generalization in neural networks’, in Advances in Neural Information Processing Systems. London: arXiv.

Kamagi, D. H. and Hansun, S. (2014) ‘Implementasi Data Mining dengan Algoritma C4.5 untuk Memprediksi Tingkat Kelulusan Mahasiswa’, Jurnal ULTIMATICS, 6(1), pp. 15–20. doi: 10.31937/ti.v6i1.327.

Kim, B. H., Vizitei, E. and Ganapathi, V. (2018) ‘GritNet: Student performance prediction with deep learning’, arXiv.

Kranjčić, N. et al. (2019) ‘Support Vector Machine accuracy assessment for extracting green urban areas in towns’, Remote Sensing, 11(6). doi: 10.3390/rs11060655.

Kuzilek, J., Hlosta, M. and Zdrahal, Z. (2017) ‘Data Descriptor: Open University Learning Analytics dataset’, Scientific Data, 4, pp. 1–8. doi: 10.1038/sdata.2017.171.

Nugroho, A. S. (2007) ‘Pengantar Support Vector Machine ∗’, Jurnal Data Mining, Jakarta.

Nugroho, K. S. (2019) Confusion Matrix untuk Evaluasi Model pada Supervised Learning. Available at: https://medium.com/@ksnugroho/confusion-matrix-untuk-evaluasi-model-pada-unsupervised-machine-learning-bc4b1ae9ae3f#:~:text=Terdapat 4 istilah sebagai representasi,dan False Negative (FN). (Accessed: 25 November 2020).

Nugroho, K. S. (2020) Validasi Model Klasifikasi Machine Learning pada RapidMiner. Available at: https://medium.com/@ksnugroho/validasi-model-machine-learning-pada-rapidminer-50be0080df14 (Accessed: 25 November 2020).

Nurcahyo, S. B. et al. (2020) ‘DETEKSI PLAT NOMOR KENDARAAN DENGAN MENGGUNAKAN METODE HOUGH TRANSFORM DAN SUPPORT VECTOR MACHINE’, Jurnal Informatika dan Sistem Informasi (JIFoSI), 1(2), pp. 659–668.

Pingge, H. D. (2016) ‘FAKTOR YANG MEMPENGARUHI HASIL BELAJAR SISWA SEKOLAH DASAR DI KECAMATAN KOTA TAMBOLAKA’, Jurnal Prima Edukasia, 4(2), pp. 134–147. Available at: https://journal.uny.ac.id/index.php/jpe/article/view/14288/pdf.

Putra, A. P. H., Purwandari, E. P. and Desi, A. (2020) ‘Identifikasi Pola Iris Mata Menggunakan Metode Support Vector Machine Dengan Ekstraksi Ciri Hue Saturation Value (Hsv) Histogram, Gabor Filter Dan Wavelet Transform’, 8(1), pp. 23–32.

Putri, R. P. S. and Waspada, I. (2018) ‘Penerapan Algoritma C4.5 pada Aplikasi Prediksi Kelulusan Mahasiswa Prodi Informatika’, Khazanah Informatika: Jurnal Ilmu Komputer dan Informatika, 4(1), p. 1. doi: 10.23917/khif.v4i1.5975.

Rahmad, F., Suryanto, Y. and Ramli, K. (2020) ‘Performance Comparison of Anti-Spam Technology Using Confusion Matrix Classification’, IOP Conference Series: Materials Science and Engineering, 879(1). doi: 10.1088/1757-899X/879/1/012076.

Rahman, F., Muhammad, D. and Firdaus, I. (2016) ‘Penerapan Data Mining Metode Naïve Bayes Untuk Prediksi Hasil Belajar Siswa Sekolah Menengah Pertama (Smp)’, Al Ulum Sains dan Teknologi, 1(2), pp. 76–78. doi: p://dx.doi.org/10.31602/ajst.v1i2.436.g391.

SAGAR, R. (2019) Neural Tangent Kernel (NTK): A New Tool For Understanding Machine Learning Training. Available at: https://analyticsindiamag.com/neural-tangent-kernel-infinite-width-networks-training-dynamics/ (Accessed: 22 November 2020).

Samsudiney (2019) Penjelasan Sederhana tentang Apa Itu SVM? Available at: https://medium.com/@samsudiney/penjelasan-sederhana-tentang-apa-itu-svm-149fec72bd02 (Accessed: 25 November 2020).

Sembiring, K. (2007) Penerapan Teknik Support Vector Machine untuk Pendeteksian Intrusi pada Jaringan. Institut Teknologi Bandung.

Sihombing, P. R. and Hendarsin, O. P. (2020) ‘Perbandingan Metode Artificial Neural Network (ANN) dan Support Vector Machine (SVM) untuk Klasifikasi Kinerja Perusahaan Daerah Air Minum (PDAM) di Indonesia’, Jurnal Ilmu Komputer, 13(1), p. 9. doi: 10.24843/jik.2020.v13.i01.p02.

Sitorus, C. M. (2020) K-Fold Cross Validation Secara Singkat. Available at: https://medium.com/@cmemorys/k-fold-cross-validation-secara-singkat-30f8e5188f46 (Accessed: 25 November 2020).

Sodik, F., Dwi, B. and Kharisudin, I. (2020) ‘Perbandingan Metode Klasifikasi Supervised Learning pada Data Bank Customers Menggunakan Python’, PRISMA, Prosiding Seminar Nasional Matematika, 3, pp. 689–694.

Tomasevic, N., Gvozdenovic, N. and Vranes, S. (2020) ‘An overview and comparison of supervised data mining techniques for student exam performance prediction’, Computers and Education, 143(August 2019), p. 103676. doi: 10.1016/j.compedu.2019.103676.

Uricar, M. et al. (2016) ‘Structured Output SVM Prediction of Apparent Age, Gender and Smile from Deep Features’, IEEE Computer Society Conference on Computer Vision and Pattern Recognition Workshops, pp. 306–311. doi: 10.1109/CVPRW.2016.96.

Wakelam, E. et al. (2020) ‘The potential for student performance prediction in small cohorts with minimal available attributes’, British Journal of Educational Technology, 51(2), pp. 347–370. doi: 10.1111/bjet.12836.

Xu, R. Y. Da, Du, W. and Huang, W. (2020) ‘On the Neural Tangent Kernel of Deep Networks with Orthogonal Initialization’, arXiv, (11 Oct 2020).

Yaacob, Wan Fairos Wan et al. (2019) ‘Supervised data mining approach for predicting student performance’, Indonesian Journal of Electrical Engineering and Computer Science, 16(3), pp. 1584–1592. doi: 10.11591/ijeecs.v16.i3.pp1584-1592.