Implementasi Long Short Term Memory (LSTM) dan Extreme Gradient Boost (XGBoost) dalam Memprediksi Nilai Performa Siswa di SMAN 1 Kediri

Nuramanu, Muhamad Wahyudin (2024) Implementasi Long Short Term Memory (LSTM) dan Extreme Gradient Boost (XGBoost) dalam Memprediksi Nilai Performa Siswa di SMAN 1 Kediri. Undergraduate (S1) thesis, IAIN Kediri.

	Text 20204074_prabab.pdf Download (1MB)
	Text 20204074_bab1.pdf Download (166kB)
	Text 20204074_bab2.pdf Download (505kB)
	Text 20204074_bab3.pdf Download (263kB)
	Text 20204074_bab4.pdf Restricted to Registered users only Download (594kB)
	Text 20204074_bab5.pdf Restricted to Registered users only Download (201kB)
	Text 20204074_bab6.pdf Download (7kB)
	Text 20204074_daftarpustaka.pdf Download (1MB)
	Text 20204074_sp.pdf Download (187kB)

Abstract

Abstrak Muhamad Wahyudin Nuramanu, Dosen Pembimbing Nur Fadilatul Ilmiyah, M.Si., dan Dr. Ninik Zuraidah, M. Si., Implementasi Machine Learning dalam Memprediksi Nilai Performa Siswa, Skripsi, Program Studi Tadris Matematika, Fakultas Tarbiyah, IAIN Kediri, 2024 . Kata kunci: LSTM, XGBoost, Prediksi, Performa siswa Performa siswa merupakan sebuah acuan atau target dari pencapaian pembelajaran dalam suatu institutsi atau sekolah. Performa siswa dapat mengacu pada suatu nilai yang dicapai oleh para siswa, misalnya saja hasil ujian akhir semester maupun hasil ujian tengah semester. Prediksi nilai uts siswa merupakan salah satu bentuk dari cara guru untuk mengembangkan pembelajaran lebih baik lagi. Menggunakan berbagai teknik prediksi akan sangat mengembangkan kompetensi guru dalam bidang pendidikan. Penelitian ini menggunakan pendekatan kuantitatif, dengan data yang bersumber dari SMAN 1 Kediri. Pada penelitian ini digunakan 2 metode machine learning yaitu Long Short Terms Memory dan Extreme Gradient Boost untuk melaksanakan prediksi. Metode tersebut dipilih dikarenkan memiliki tingkat akurasi lebih tinggi daripada metode lain berdasarkan penelitian – penlitian sebelumnya. Berdasarkan hasil penelitian yang telah dilakukan dapat diektahui bahwa diantara 2 metode yang digunakan, metode Extreme Gradient Boost memiliki tingkat akurasi yang lebih tinggi daripada Long Short Terms Memory, hal ini dapat dilihat dari nilai error yang dihasilkan dari masing – masing metode. Pada penelitian ini nilai error dari masing – masing metode akan dihitung menggunakan metode Mean Squarred Error (MSE) dan Root Mean Squarred Error (RMSE). Dimana MSE dan RMSE yang dihasilkan dari metode XGBoost sebesar 0.09575206078505265 untuk MSE dan RMSE yang didapatkan sebesar 0.309438299. Sedangkan model LSTM menghasilkan MSE sebesar 0.11612411359027032 dan RMSE sebesar 0.34076988363156496. Sehingga diketahui bahwa XGBoost merupakan metode yang memiliki kinerja terbaik jika dibdaningkan dengan LSTM.

Item Type:	Thesis (Skripsi, Tesis, Disertasi) (Undergraduate (S1))
Subjects:	08 INFORMATION AND COMPUTING SCIENCES (Ilmu Komputer dan Infromasi) > 0801 Artificial Intelligence and Image Processing > 080109 Pattern Recognition and Data Mining 13 EDUCATION (Pendidikan) > 1302 Curriculum and Pedagogy > 130208 Mathematics and Numeracy Curriculum and Pedagogy (Kurikulum dan Pedagogi Matematika dan Numerasi)
Divisions:	Fakultas Tarbiyah > Jurusan Tadris Matematika
Depositing User:	MUHAMAD WAHYUDIN NURAMANU
Date Deposited:	23 Aug 2024 03:53
Last Modified:	23 Aug 2024 03:53
URI:	https://etheses.iainkediri.ac.id:80/id/eprint/14243

Actions (login required)

View Item