Model peramalan bilangan calon tarik diri dari peperiksaan awam Malaysia menerusi pendekatan perlombongan data dan petua

Zaiyinul Hayat Zainal Rafit

Abstract

Peningkatan jumlah data tersimpan tentang hal akademik pelajar bermula dari tahap sekolah rendah, sekolah menengah, kolej hingga universiti telah dibantu dengan perkembangan teknologi storan data. Data yang pelbagai ini wajar diekstrak ke dalam pengetahuan yang membantu dalam pembuatan keputusan dari pelbagai peringkat. Isu calon yang tidak hadir peperiksaan umum adalah masalah berkala dan memberi kesan kepada usaha mengoptimumkan kos pengurusan dalam era perbelanjaan berhemah. Sebanyak 15 peratus hingga 30 peratus calon tidak hadir peperiksaan awam berdasarkan analisis ke atas data untuk sepuluh tahun dari 2007 hingga 2016. Memandangkan masalah ini wujud saban tahun, kajian ini mencadangkan penyelesaian menggunakan perlombongan data bagi membangunkan model untuk meramal calon yang berpotensi tidak hadir peperiksaan awam (Sijil Tinggi Agama Malaysia atau STAM). Pendekatan yang dicadang terdiri dari enam langkah; bermula dari pemahaman bisnes, pemahaman data, penyediaan data, permodelan, penilaian dan pengerahan. Keputusan mendapati gred yang diperoleh untuk subjek Bahasa Inggeris, Matematik dan Sains dalam keputusan peperiksaan awam tingkatan lima iaitu Sijil Pelajaran Malaysia adalah faktor utama bagi menarik diri daripada peperiksaan STAM untuk seseorang calon. Faktor ini seterusnya diwakili dalam bentuk model berasaskan petua. Penilaian ke atas model membuktikan bahawa model berpotensi untuk meramal bilangan calon yang mungkin tidak hadir peperiksaan. Ramalan ini telah disimulasi dan didapati boleh menjimatkan 10 peratus dari kos percetakan kertas soalan dan buku jawapan untuk peperiksaan STAM. Hasil kajian ini boleh dimanfaat oleh Lembaga Peperiksaan dengan membuat unjuran perbelanjaan setiap tahun bagi operasi peperiksaan dengan menggunakan model ramalan bilangan calon tarik diri. Manakala, pihak sekolah dan ibu bapa boleh memanfaatkan kajian ini untuk mencari kaedah bagi menambah baik pencapaian akademik pelajar.

References

Abu Saa, A. (2016). Educational Data Mining & Students’ Performance Prediction. International Journal of Advanced Computer Science and Applications, 7(5), 212–220. https://doi.org/10.14569/IJACSA.2016.070531

Ahmad, W. D., & Abu Bakar, A. (2018). Classification Models for Higher Learning Scholarship Award Decisions. Asia-Pacific Journal of Information Technology & Multimedia, 7(2). Penerbit Universiti Kebangsaan Malaysia (UKM Press), Dec. 2018, pp. 131–145. Crossref, doi:10.17576/apjitm-2018-0702-10.

Asif, R., Merceron, A., Ali, S. A., & Haider, N. G. (2017). Analyzing undergraduate students’ performance using educational data mining. Computers and Education, 113, 177–194. https://doi.org/10.1016/j.compedu.2017.05.007

Aydoğdu, Ş. (2020). Educational Data Mining Studies in Turkey: A Systematic Review. Turkish Online Journal of Distance Education, 21(3), 170-185. DOI: 10.17718/tojde.762046

Buniyamin, N., Mat, U. Bin, & Arshad, P. M. (2016). Educational data mining for prediction and classification of engineering students’ achievement. In proceedings of the IEEE 7th International Conference on Engineering Education, ICEED 2015,

49–53. https://doi.org/10.1109/ICEED.2015.7451491

Costa, E. B., Fonseca, B., Santana, M. A., de Araújo, F. F., & Rego, J. (2017). Evaluating the effectiveness of educational data mining techniques for early prediction of students’ academic failure in introductory programming courses. Computers in Human Behavior, 73, 247–256. https://doi.org/10.1016/j.chb.2017.01.047

Dutt, A., Ismail, M. A., & Herawan, T. (2017). A Systematic Review on Educational Data Mining. IEEE Access, 5, 15991-16005. https://doi.org/10.1109/ACCESS.2017.2654247

Fischer, C., Pardos, Z. A., Baker, R. S., Williams, J. J., Smyth, P., Yu, R., Slater, S., Baker, R., & Warschauer, M. (2020). Mining Big Data in Education: Affordances and Challenges. Review of Research in Education, 44(1), 130–160. https://doi.org/10.3102/0091732X20903304

Ismail, L., Materwala H., & Hennebelle A. (2021) Comparative Analysis of Machine Learning Models for Students’ Performance Prediction. In: Antipova T. (eds) Advances in Digital Science. ICADS 2021. Advances in Intelligent Systems and Computing, 1352. Springer, Cham. https://doi.org/10.1007/978-3-030-71782-7_14

Koedinger, K.R., D'Mello, S., McLaughlin, E.A., Pardos, Z.A., & Rosé, C.P. (2015), Data mining and education. WIREs Cogn Sci, 6, 333-353. https://doi.org/10.1002/wcs.1350

Makhtar, M., Nawang, H., Nor, S., & Shamsuddin, W. A. N. (2017). Analysis On Students Performance Using Naïve Bayes Classifier. Journal of Theoretical and Applied Information Technology, 95(16), 3993-4000.

Marbouti, F., Diefes-dux, H. A., & Madhavan, K. (2016). Computers & Education Models for Early Prediction of At-risk Students. In: A Course Using Standards-based Grading. Computers & Education, 103, 1–15. https://doi.org/10.1016/j.compedu.2016.09.005

Márquez-Vera, C., Cano, A., Romero, C., Noaman, A. Y. M., Mousa Fardoun, H., & Ventura, S. (2016). Early dropout prediction using data mining: A case study with high school students. Expert Systems, 33(1), 107–124. https://doi.org/10.1111/exsy.12135

Martínez-Plumed, F., Contreras-Ochando, L., Ferri, C., Hernandez-Orallo, J., Kull, M., Lachiche, N. J. A. H., Ramírez-Quintana, M. J., & Flach, P. A. (2019). CRISP-DM Twenty Years Later: From Data Mining Processes to Data Science Trajectories. IEEE Transactions on Knowledge and Data Engineering. https://doi.org/10.1109/TKDE.2019.2962680

Saniron, S., & Ali Othman, Z. (2019). Model Penempatan Guru Berasaskan Perlombongan Data. Journal of ICT in Education,

3, 13-23. Retrieved from https://ejournal.upsi.edu.my/index.php/JICTIE/article/view/2605.

Uswatun Khasanah, A., & Harwati, (2017). A Comparative Study to Predict Student’s Performance Using Educational Data Mining Techniques. Materials Science and Engineering Conference Series, 215(1), 12036. doi:10.1088/1757-899X/215/1/012036.

Zainudin, S., & Ab Aziz, M. A. (2015). Perlombongan data bagi meramal prestasi akademik pelajar. Inovasi pengajaran dan pembelajaran dalam teknologi maklumat. Pusat Pengajaran dan Teknologi Pembelajaran, UKM.