Analisis Asosiasi Dengan Algoritma Genetika Dan Hybrid Measure Untuk Proses Evaluasi Dalam Sistem E-Learning

Yamasari, Yuni (2008) Analisis Asosiasi Dengan Algoritma Genetika Dan Hybrid Measure Untuk Proses Evaluasi Dalam Sistem E-Learning. Masters thesis, Institut Teknologi Sepuluh Nopember.

Text 5105201003-Master_Thesis.pdf Restricted to Repository staff only Download (5MB)

Abstract

Proses evaluasi yang menggabungkan bimbingan dan penilaian telah terbukti mampu melakukan penilaian yang lebih akurat terhadap mahasiswa. Data penelusuran mahasiswa dalam proses evaluasi ini dapat diolah dengan data mining (analisis asosiasi). Persoalan dalam analisis asosiasi adalah bagaimana mempersingkat waktu komputasi dan menghasilkan pola yang lebih baik (nilai presisi rule yang lebih tinggi). Pola hasil analisis asosiasi ini dapat digunakan sebagai saran yang bermanfaat bagi dosen dalam mendesain evaluasi. Persoalan dari pola ini adalah bagaimana mengevaluasi pola agar benar-benar dapat membantu dosen dalam mendesain evaluasi yang efektif. Penelitian ini mengusulkan analisis asosiasi dengan algoritma genetika yang dikembangkan untuk proses evaluasi ini serta hybrid measure untuk mengevaluasi pola hasil analisis. Pengembangan algoritma genetika ini dilakukan melalui pembentukan semua pola pada populasi inisialisasi hanya dari item yang frequent, sehingga hanya terdapat I domain dengan jumlah item yang lebih sedikit. Pengembangan ini ditujukan agar waktu komputasi lebih singkat dan pola memiliki nilai presisi rule yang lebih tinggi. Hybrid measure mengevaluasi pola hasil analisis asosiasi dengan ukuran objektif (penggunaan statistik) dan subjektif (penggunaan penilaian dosen), dengan tujuan agar pola hasil analisis benar-benar dapat membantu dosen dalam mendesain evaluasi yang efektif. Dalam hasil uji coba, analisis asosiasi dengan algoritma genetika yang baru mampu mempersingkat waktu komputasi untuk ukuran populasi yang semakin besar. Selain itu, dengan empat kali uji coba, diperlihatkan bahwa semakin banyak generasi juga semakin mempersingkat waktu komputasi. Nilai presisi rule GA yang baru tidak menunjukkan peningkatan yang lebih tinggi secara signifikan dibandingkan dengan GA yang lama. Nilai presisi rule ini cenderung dipengaruhi oleh parameter analisis asosiasi minimum support, walaupun pengaruh tersebut tidak ditunjukkan secara kuat. Hybrid measure terhadap pola hasil analisis asosiasi tidak menunjukkan bahwa metode tersebut membantu dosen dalam mendesain evaluasi yang efektif. Selisih waktu antara soal evaluasi yang diurutkan dan yang diacak justru lebih lama, dengan rata-rata sebesar 137,436 detik. Selisih skornya tidak lebih tinggi secara signifikan, dengan rata-rata hanya sebesar 0,174.
===================================================================================================================================
An evaluation process that combines guidance and assessment has been proven to provide more accurate assessments of students. Student tracking data in this evaluation process can be processed using data mining (association analysis). The problems in association analysis are how to reduce computation time and how to produce better patterns (higher rule precision values). Patterns obtained from association analysis can be used as useful recommendations for lecturers in designing an evaluation process. The problem with these patterns is how to evaluate them so that they can genuinely assist lecturers in designing an effective evaluation process. This research proposes an association analysis using an extended genetic algorithm for the evaluation process and a hybrid measure for evaluating the resulting patterns. The extension of the genetic algorithm involves generating all patterns in the initial population using only frequent items, resulting in an item domain with fewer items. This extension is intended to reduce computation time and produce patterns with higher rule precision values. The hybrid measure evaluates the patterns obtained from association analysis using objective measures (statistical analysis) and subjective measures (lecturers' assessments), with the aim of ensuring that the resulting patterns can genuinely assist lecturers in designing an effective evaluation process. The experimental results show that the proposed association analysis using the extended genetic algorithm was able to reduce computation time as the population size increased. In addition, four experiments showed that a larger number of generations also resulted in shorter computation times. However, the precision of the rules generated by the new GA did not increase significantly compared with that of the previous GA. The rule precision tended to be influenced by the minimum support parameter in association analysis, although the influence was not strongly demonstrated. The hybrid measure applied to the patterns obtained from association analysis did not indicate that it could assist lecturers in designing a more effective evaluation process. The difference in completion time between ordered and randomized evaluation questions was actually longer by an average of 137.436 seconds. However, the difference in scores was not significantly higher, with an average difference of only 0.174.

Item Type:	Thesis (Masters)
Additional Information:	RTIf 005.1 Yam a
Uncontrolled Keywords:	analisis asosiasi, association rule mining, proses evaluasi, algoritma genetika, association analysis, association rule mining, an evaluation process, genetic algorithms
Subjects:	Q Science > QA Mathematics > QA402.5 Genetic algorithms. Interior-point methods.
Divisions:	Faculty of Information Technology > Informatics Engineering > 55101-(S2) Master Thesis
Depositing User:	magang .
Date Deposited:	18 Sep 2026 03:32
Last Modified:	18 Sep 2026 03:32
URI:	http://repository.its.ac.id/id/eprint/144666

Actions (login required)

View Item