Ringkasan Penelitian
Gambaran umum dataset dan performa model saat ini.
Eksplorasi Data
Visualisasi distribusi target dari dataset yang digunakan.
Interpretasi Model
Fitur yang paling banyak berkontribusi pada keputusan masing-masing pohon.
Importance menunjukkan kontribusi relatif fitur hasil preprocessing dalam model kelulusan, bukan hubungan sebab-akibat.
Importance pada model kategori nilai dihitung secara terpisah. Fitur berkategori telah diubah menjadi kolom hasil preprocessing.
Evaluasi Model
Gunakan metrik ini untuk membaca performa model secara lebih menyeluruh.
Model Prediksi Kelulusan
Dataset memiliki ketidakseimbangan kelas kelulusan. Akurasi model perlu dibandingkan dengan baseline mayoritas kelas. Recall penting untuk menilai kemampuan model mendeteksi siswa yang diprediksi tidak lulus.
Model Kategori Nilai
Kategori nilai memiliki jumlah sampel yang tidak merata. Kategori F sangat sedikit dan belum berhasil dikenali dengan benar pada data uji yang dievaluasi. Hasil ini masih memerlukan perbaikan dan pengujian lebih lanjut.
Evaluasi Detail Model
Confusion matrix dan laporan klasifikasi pada data uji.
Confusion Matrix — Kelulusan
Baris menunjukkan kelas aktual dan kolom menunjukkan hasil prediksi. Sel diagonal menunjukkan prediksi yang benar.
| Aktual \ Prediksi | Lulus | Tidak Lulus |
|---|---|---|
| Lulus | 157 | 23 |
| Tidak Lulus | 10 | 10 |
Classification Report
| Kelas | Precision | Recall | F1-score | Support |
|---|---|---|---|---|
| Lulus | 0.940 | 0.872 | 0.905 | 180 |
| Tidak Lulus | 0.303 | 0.500 | 0.377 | 20 |
Confusion Matrix — Kategori Nilai
Matriks memperlihatkan jumlah prediksi benar dan salah untuk setiap kategori nilai.
| Aktual \ Prediksi | A | B | C | D | F |
|---|---|---|---|---|---|
| A | 34 | 16 | 6 | 1 | 0 |
| B | 9 | 32 | 22 | 8 | 0 |
| C | 1 | 10 | 22 | 18 | 1 |
| D | 0 | 1 | 9 | 8 | 0 |
| F | 0 | 0 | 1 | 1 | 0 |
Classification Report
| Kelas | Precision | Recall | F1-score | Support |
|---|---|---|---|---|
| A | 0.773 | 0.596 | 0.673 | 57 |
| B | 0.542 | 0.451 | 0.492 | 71 |
| C | 0.367 | 0.423 | 0.393 | 52 |
| D | 0.222 | 0.444 | 0.296 | 18 |
| F | 0.000 | 0.000 | 0.000 | 2 |
Statistik Deskriptif
Ringkasan statistik nilai ujian akhir pada dataset.
Statistik dihitung dari kolom final_exam_score pada dataset penelitian, bukan dari hasil simulasi prediksi.
Simulasi Prediksi Siswa
Masukkan sembilan variabel untuk memperoleh estimasi dari model.
Form Prediksi Hasil Belajar
Gunakan informasi yang diasumsikan telah tersedia sebelum ujian akhir. Jangan memasukkan nilai ujian akhir sebagai fitur prediksi.
Informasi Penelitian
Identitas akademik, dataset, dan pendekatan yang digunakan.
Dataset Penelitian
Nama dataset: Student Performance and Study Habits Dataset.
Jumlah data: 1.000 baris.
Jumlah kolom sumber: 12.
Sumber data: Kaggle.
Metodologi
Algoritma: Decision Tree Classifier.
Pembagian data: 80% data latih dan 20% data uji.
Model: prediksi kelulusan dan kategori nilai.
Fitur masukan: sembilan variabel sebelum ujian akhir.
Identitas Kelompok
Informasi penyusun proyek akademik.
Informasi Akademik
Universitas: Universitas Stikubank (UNISBANK)
Dosen: Dr. Drs. ERI ZULIARSO
Mata kuliah: MESIN PEMBELAJARAN UNTUK BISNIS