PEMBANGUNAN SISTEM REKOMENDASI PADA SMARTENGTEST DENGAN PEMANFAATAN ASSOCIATION RULES MENGGUNAKAN ALGORITMA APRIORI DAN FP-GROWTH

Aji Muhammad Zapar, - (2024) PEMBANGUNAN SISTEM REKOMENDASI PADA SMARTENGTEST DENGAN PEMANFAATAN ASSOCIATION RULES MENGGUNAKAN ALGORITMA APRIORI DAN FP-GROWTH. S1 thesis, Universitas Pendidikan Indonesia.

Abstract

Berdasarkan data English Proficiency Index (EPI) yang dirilis oleh EF
(Education First), diketahui bahwa nilai rata-rata kemampuan berbahasa Inggris
orang Indonesia pada tahun 2023 masih berada di bawah rata-rata global dengan
nilai 473, sehingga menunjukkan bahwa banyak orang Indonesia mengalami
kesulitan dalam mempelajari bahasa Inggris. Oleh karena itu, penelitian ini
bertujuan untuk mengembangkan sistem rekomendasi yang dapat
merekomendasikan pelajaran yang perlu diambil untuk meningkatkan kemampuan
bahasa Inggris. Sistem rekomendasi ini menggunakan pendekatan machine
learning dengan metode association rules dan heuristic mapping untuk
membangun rekomendasi berdasarkan tingkat kesulitan yang dihadapi oleh siswa.
Hasil penelitian menunjukkan bahwa rekomendasi yang diberikan oleh sistem
memiliki skor validasi dari ahli sebesar 79.44%, yang menunjukkan efektivitas dan
akurasi dari sistem rekomendasi yang dikembangkan.
Based on the English Proficiency Index (EPI) data released by EF
(Education First), it is known that the average English proficiency score of
Indonesians in 2023 is still below the global average with a score of 473, thus
showing that many Indonesians have difficulty in learning English. Therefore, this
research aims to develop a recommendation system that can recommend lessons
that need to be taken to improve English language skills. This recommendation
system uses a machine learning approach with association rules and heuristic
mapping methods to build recommendations based on the level of difficulty faced
by students. The results show that the recommendations provided by the system have
an expert validation score of 79.44%, which indicates the effectiveness and
accuracy of the recommendation system developed.

	Text S_KOM_2008433_Title.pdf Download (499kB)
	Text S_KOM_2008433_Chapter 1.pdf Download (62kB)
	Text S_KOM_2008433_Chapter 2.pdf Restricted to Staf Perpustakaan Download (219kB) | Request a copy
	Text S_KOM_2008433_Chapter 3.pdf Download (123kB)
	Text S_KOM_2008433_Chapter 4.pdf Restricted to Staf Perpustakaan Download (1MB) | Request a copy
	Text S_KOM_2008433_Chapter 5.pdf Download (38kB)
	Text S_KOM_2008433_Appendix.pdf Restricted to Staf Perpustakaan Download (742kB) | Request a copy

Item Type:	Thesis (S1)
Additional Information:	SINTA ID: 5975668 SINTA ID: 5974517
Uncontrolled Keywords:	machine learning, association rules, sistem rekomendasi, bahasa inggris, appriori, fp-growth machine learning, association rules, recommendation system, english, appriori, fp-growth
Subjects:	Q Science > QA Mathematics > QA75 Electronic computers. Computer science
Divisions:	Fakultas Pendidikan Matematika dan Ilmu Pengetahuan Alam > Program Studi Ilmu Komputer
Depositing User:	Aji Muhammad Zapar
Date Deposited:	12 Aug 2024 09:39
Last Modified:	12 Aug 2024 09:39
URI:	http://repository.upi.edu/id/eprint/119852

Actions (login required)

View Item