ricoputrap / student-performance-analysis

[ON PROGRESS] An analysis and prediction of high school student performance based on demographic conditions, family background, social life, and school related features.

Student Performance Analysis

An analysis and prediction of high school student performance based on demographic conditions, family background, social life, and school related features.

Table of Contents

• Background
• Methods
  • Data Collection
  • Exploratory Data Analysis
  • Model Building
• Findings
• Implications
• Conclusions
• Limitations
• Future Research

Background

Sebagai seorang siswa, belajar merupakan salah satu kesibukan utama yang dimilikinya. Ada berbagai hal yang mungkin memengaruhi kualitas belajarnya seperti kondisi demografi, latar belakang keluarga, kehidupan sosial, maupun hal-hal yang terkait langsung dengan kegiatan belajarnya. Alangkah baiknya jika kita mampu menganalisis hubungan antara faktor-faktor tersebut terhadap kualitas belajar siswa. Dengan begitu, kita dapat mengelola faktor-faktor tersebut supaya kita dapat memaksimalkan performa belajar siswa.

Proyek ini akan menganalisis hubungan antara faktor-faktor tersebut terhadap performa belajar siswa. Selain itu, sebuah model machine learning juga akan disiapkan agar dapat digunakan untuk memprediksi performa belajar siswa berdasarkan faktor-faktor tersebut.

Methods

Data Collection

Proyek ini menggunakan Student Performance Data Set yang disediakan oleh UCI ML Repository. Penjelasan lebih lengkap terkait dataset yang digunakan dapat dilihat pada folder datasets.

Important Notes from UCI ML

The target attribute G3 has a strong correlation with attributes G1 and G2. This occurs because G3 is the final year grade (issued at the 3r period), while G1 and G2 correspond to the 1st and 2nd period grades. It is more difficult to predict G3 without G1 and G2, but such prediction is much more usefull (see paper source for more details).

Acknowledgement

P. Cortez and A. Silva. Using Data Mining to Predict Secondary School Student Performance. In A. Brito and J. Teixeira Eds., Proceedings of 5th FUture BUsiness TEChnology Conference (FUBUTEC 2008) pp. 5-12, Porto, Portugal, April, 2008, EUROSIS, ISBN 978-9077381-39-7. Web Link

Exploratory Data Analysis

Model Building

Findings

1. xxx
2. yyy

Implications:

1. Bagi para perencana strategis, mereka bisa mencoba "bermain" atau bereksperimen dengan beberapa faktor (IV) agar dapat mendapatkan performa akademis yang maksimal.
2. Selain itu, mereka dapat memperhatikan [faktor-faktor yg berkorelasi cukup tinggi dengan peningkatan performa akademis siswa, misal: studytime] dalam merancang kebijakan dalam aktivitas pembelajaran
3. Siswa dapat memperhatikan faktor A, B, C agar mampu menjaga performa belajarnya tetap maksimal

Conclusions

Limitations

Future Research

1. xxx
2. xxx