Metode Seleksi Maju untuk Memilih Karakteristik Terbaik untuk Memprediksi Keberhasilan Siswa
Keywords:
teknik berbasis data, prestasi mahasiswa, prediksi, lembaga pendidikan, algoritma Naïve Bayes, seleksi fitur, teknik Forward SelectionAbstract
Di era digital saat ini, penggunaan teknik berbasis data untuk memprediksi prestasi mahasiswa telah menjadi semakin penting dalam bidang pendidikan. Teknik prediksi ini memungkinkan lembaga pendidikan untuk mengidentifikasi faktor-faktor yang mempengaruhi prestasi mahasiswa dan mengambil tindakan yang tepat untuk meningkatkan kualitas pendidikan. Salah satu metode yang umum digunakan untuk prediksi prestasi mahasiswa adalah algoritma Naïve Bayes. Namun, dalam implementasinya, pemilihan fitur-fitur yang tepat sangat penting untuk memastikan akurasi dan efektivitas prediksi. Oleh karena itu, artikel ini bertujuan untuk memperkenalkan dan menjelaskan teknik Forward Selection sebagai metode pemilihan fitur terbaik dalam prediksi prestasi mahasiswa berbasis Naïve Bayes.
References
A. M. Shahiri, W. H. (2015). A review on predicting student’s performance using data mining techniques, 414-422.
A. Tekin. (2014). Early Prediction of students’ grade point averages at graduation. a data mining approach, 207-226.
E. Purnamasari, D. P. (2019). The combination of Naive Bayes and Particle Swarm optimization methods of student’s graduation prediction, 112-119.
Han, J. K. (2011). Data mining: concepts and techniques, 55-56.
J. Zeniarja, K. W. (2020). Penerapan algoritma Naive Bayes dan forward selection dalam pengklasifikasian status gizi stunting pada Puskesmas Pandanaran Semarang, 1-9.
John, G. H. (1995). Estimating continuous distributions in Bayesian classifiers. In Proceedings of the Eleventh Conference on Uncertainty in Artificial Intelligence, 338-345.
Tan, P. N. (2019). Introduction to Data Mining. 101-105.
Zhang, H. (2024). The optimality of Naive Bayes. 562-567.
