SISTEM PENDUKUNG PENDIDIKAN BERBASIS DATA

RINGKASAN

Untuk memanfaatkan teknologi terkini yang sudah sangat maju dan modernisasi seperti internet maka dari itu di bidang Pendidikan pun juga harus melakukan modernisasi dan juga harus menyediakan inovatif untuk bidang Pendidikan ,di lakukannya studi bidang komprehensif pada DDEDSS yaitu ( sistem pendukung keputusan Pendidikan yang di gerakkan oleh data ) dan proto-type perangkat lunak DDEDSS dirancang dan di kembangkan sebagai alat bantu untuk pembuatan keputusan pada bidang pendidikan. Dilakukannya pengujian dua sesi data Pendidikan dalam periode yang sama. Penjumlahan dan rata-rata multidimensi dilakukan untuk waktu yang berbeda. Hasil penelitian menunjukkan bahwa sistem dapat mengevaluasi pembelajaran peserta didik dan selanjutnya memberikan dasar pengambilan keputusan untuk optimalisasi kurikulum dan penyesuaian kelas. Dapat dilihat bahwa DDEDSS adalah penelitian pendidikan perbatasan, yang memiliki arti penting penelitian.

DDEDSS adalah keputusan berdasarkan data pendidikan, jadi pemodelan data pendidikan adalah dasar dari DDEDSS. Para sarjana Byington dan Butler mengusulkan kerangka dasar pemodelan data pendidikan. Data ditetapkan berdasarkan tema "siswa", termasuk informasi dasar siswa, prestasi akademik, kursus, lembaga pendidikan, penghargaan dan data lainnya . Seluruh sistem pendidikan terpusat pada pembelajaran, sehingga perlu untuk membuat model data berdasarkan siswa sebagai temanya. Kemudian, karena kinerja pembelajaran saat ini terutama tercermin dalam kinerja kursus, itu juga diinginkan menggunakan hasil semua mata pelajaran sebagai data kunci.

Prinsip dan kerangka kerja rekayasa sistem pendidikan

Kerangka kerja prinsip dan rekayasa sistem pendidikan adalah warisan dan perluasan kerangka kerja prinsip dan rekayasa sistem, seperti yang ditunjukkan pada Gambar 1. Pada dasarnya, ini dapat disebut "prinsip dan rekayasa pendidikan" dari konsep sistem interaksi informasi. Unsur-unsur sistem pendidikan dan hubungan mereka pada Gambar 1 lebih instruktif jika mereka lebih lanjut diiterasi ke dalam granularitas elemen dan hubungan mereka untuk berbagai sistem pendidikan. Ini juga meletakkan fondasi inti untuk pemodelan data pendidikan. Di era informasi saat ini, sistem pendidikan default sebagai sistem interaktif informasi pendidikan. Perlu dianalisis unsur-unsur sistem pendidikan dari yang sederhana hingga yang kompleks, dan menganalisis hubungan unsur-unsur ini dari perspektif interaksi informasi. Ketika menganalisis unsur-unsur sistem pendidikan, hubungan interaktif antara kedua protagonis harus terlebih dahulu disarikan dari karakter lokal, seperti yang ditunjukkan pada Gambar 2. Dalam Gambar 2, pendidik, pelajar, dan interaksi tetap tidak berubah. Informasi pendidikan selanjutnya secara konkret diterjemahkan ke dalam konten pendidikan, metode pendidikan dan media pendidikan sesuai dengan kebiasaan saat ini. Gambar 2 akan diubah menjadi Gambar 3.

Elemen DDEDSS dan hubungannya

Seperti yang ditunjukkan pada Gambar 1, iterasi dieksplorasi sampai mendekati prinsip-prinsip dan rekayasa DDEDSS. Tujuan atau hasil elemen-elemen DDEDSS dan hubungannya harus jelas. Dalam era informasi saat ini, sistem DDEDSS dapat dianggap sebagai sistem interaksi informasi. Elemen protagonis diabstraksikan, dan kemudian interaksi informasi antara kedua protagonis diabstraksikan, seperti yang ditunjukkan pada Gambar 4.

Gambar 5 sedikit abstrak, di mana enam elemen terus melakukan kedalaman berulang elemen-elemen dari sistem interaksi informasi yang biasa. Iterasi lebih lanjut dapat digunakan sebagai granularitas ideal elemen DDEDSS dan hubungannya.

Akuisisi data pendidikan dan desain data warehouse

Model data pendidikan adalah dasar dari akuisisi data, pergudangan, dan integrasi. Ketika data dikumpulkan berdasarkan model data pendidikan, masalah desain entri data perlu dipertimbangkan, yaitu, data yang dikumpulkan harus dapat dipetakan ke dalam basis data komputer yang dirancang, dan kemudian memasukkan data ke dalam komputer basis data. Ketika merancang basis data pendidikan, itu harus didasarkan pada model data pendidikan, dipandu oleh teori teknik berorientasi objek. Granularitas akhir dari objek dan hubungannya dianalisis, dan kemudian objek dijelaskan dengan data. Ketika menggambarkan objek dengan data, perlu untuk mempertimbangkan item / bidang data, tipe data, nilai data, struktur data / tabel data, dan hubungan (data tabel) lebih lanjut. Kemudian, berdasarkan prinsip database OLTP (On-Line Transaction Processing), database OLTP dibuat. Kemudian, data dapat disimpan dalam database berdasarkan objek. Penelitian DDEDSS terbatas pada siklus studi dan tidak dapat memperoleh data dari nol. Ini dirancang untuk memperoleh data historis ini langsung dari sistem pendidikan sekolah yang dipilih sebagai data asli. Data asli diperoleh dari perguruan tinggi independen di Universitas Normal, dan skor kinerja adalah inti dari data historis ini. Karena persyaratan normalisasi data, hanya dua (delapan tahun) data yang tersedia.

Serangkaian data memiliki hubungan tertentu, tetapi tidak ada hubungan fungsional dengan aturan pasti, yang disebut korelasi, juga dikenal sebagai kesamaan. Ini sering diukur dengan jarak atau koefisien korelasi antara data.  Ada berbagai formula untuk menghitung jarak dan koefisien korelasi, dan masingmasing memiliki data yang berlaku. Sebagai contoh, jarak Mahalanobis dij dihitung sebagai berikut:

 

Dari sini, dapat dilihat bahwa semakin kecil jarak dij, semakin tinggi korelasi kedua data tersebut; sebaliknya, semakin rendah korelasinya. Pengelompokan, yang pertama menentukan jumlah kelompok perlu dibagi, dan kemudian mencari algoritma untuk secara ilmiah membagi titik data ke dalam kelompok yang diperlukan sesuai dengan hubungan jarak. Seperti yang ditunjukkan pada Gambar 10, semua titik data pada dasarnya dibagi menjadi lima kelompok.

Dari sini, dapat dilihat bahwa semakin kecil jarak dij, semakin tinggi korelasi kedua data tersebut; sebaliknya, semakin rendah korelasinya. Pengelompokan, yang pertama menentukan jumlah kelompok perlu dibagi, dan kemudian mencari algoritma untuk secara ilmiah membagi titik data ke dalam kelompok yang diperlukan sesuai dengan hubungan jarak. Seperti yang ditunjukkan pada Gambar 10, semua titik data pada dasarnya dibagi menjadi lima kelompok.

Gambar 11 adalah representasi garis dari hasil klasifikasi / regresi, dan dapat ditemukan bahwa semua data dibagi menjadi dua kategori. Gambar 12 adalah rumus regresi untuk hasil klasifikasi / regresi. y = 0.5x + 5. (4) Rumus regresi dari kategori lain adalah: y = 0.25x + 8.75

ID Kategori Kurikulum Terpilih: Hanya Prediksi. Dengan kata lain, kategori kursus dirancang untuk diprediksi, sehingga untuk memprediksi probabilitas memilih lima program di berbagai kota dan jenis kelamin. Kota: atribut input (Input). Artinya, kota ditetapkan sebagai atribut peserta didik, yang digunakan untuk memprediksi parameter dalam mata pelajaran pilihan. Gender: atribut input (Input). Artinya, gender ditetapkan sebagai atribut peserta didik, yang digunakan untuk memprediksi parameter mata pelajaran pilihan. ID Kurikulum Terpilih: atribut kunci (Kunci), yang digunakan untuk mengidentifikasi catatan secara unik. Desain struktur penambangan data pendidikan dan model penambangan data pendidikan akan diverifikasi pada perangkat lunak DDEDSS pada akhirnya, sehingga dapat membantu pengambilan keputusan. Dalam kecenderungan pembelajar laki-laki untuk memilih kursus, kecenderungan pembelajar laki-laki untuk memilih kursus dapat dilihat. Kategori "(Jender) = lakilaki" dapat menunjukkan bahwa probabilitas pelajar laki-laki untuk memilih 1 (kelas praktik) adalah 11,17%, probabilitas memilih 2 (kelas teknis) adalah 3,64%, probabilitas memilih 3 ( kelas sains) adalah 5,03%, probabilitas memilih 4 (kelas cinta) adalah 24,33%, dan probabilitas memilih 5 (kelas filsafat) adalah 5,83%.