Educational data mining is emerging

Educational data mining is emerging in the data mining research arena. Despite an applied field of data mining techniques and methods, educational data mining is full of challenges that have not been completely resolved. Especially data classification in an academic credit system is a very tough task which must deal with imbalanced issues and missing data on the technical side and tackle the flexibility of the education system leading to the heterogeneity of data on the practical side. In this paper, we present our approach with a hybrid resampling scheme and random forest for the imbalanced educational data classification task with multiple classes based on student’s performance. The proposed approach has not yet been available in educational data mining. Besides, it has been extensively proved in our empirical study to be effective for student’s final study status prediction and usable in a knowledge-driven educational decision support system.

Hasil (Bahasa Indonesia) 1:

Pendidikan data pertambangan yang muncul di arena penelitian pertambangan data. Meskipun bidang diterapkan metode dan teknik pertambangan data, penggalian data pendidikan penuh tantangan yang belum sepenuhnya diselesaikan. Terutama data klasifikasi dalam sistem akademik kredit adalah tugas yang sangat sulit yang harus berurusan dengan isu-isu yang seimbang dan data yang hilang di sisi teknis dan mengatasi fleksibilitas dari sistem pendidikan terkemuka heterogenitas data pada sisi praktis. Dalam tulisan ini, kami menyajikan pendekatan kami dengan hibrida resampling skema dan acak hutan untuk tugas Klasifikasi data pendidikan yang seimbang dengan beberapa kelas berdasarkan kinerja siswa. Pendekatan yang diusulkan belum tersedia dalam pendidikan data pertambangan. Selain itu, telah secara ekstensif terbukti dalam studi kami empiris efektif untuk siswa akhir studi status prediksi dan dapat digunakan dalam sistem pendukung keputusan pendidikan berbasis pengetahuan.

Hasil (Bahasa Indonesia) 2:

Data pendidikan pertambangan muncul di arena penelitian data mining. Meskipun bidang yang diterapkan teknik data mining dan metode, pendidikan data mining penuh tantangan yang belum sepenuhnya terselesaikan. Terutama klasifikasi data dalam sistem kredit akademik adalah tugas yang sangat sulit yang harus berurusan dengan isu-isu yang tidak seimbang dan data yang hilang di sisi teknis dan mengatasi fleksibilitas dari sistem pendidikan yang mengarah ke heterogenitas data pada sisi praktis. Dalam tulisan ini, kami menyajikan pendekatan kami dengan skema hybrid resampling dan hutan acak untuk pendidikan klasifikasi data tugas seimbang dengan beberapa kelas berdasarkan kinerja siswa. Pendekatan yang diusulkan belum pernah tersedia di data mining pendidikan. Selain,