Tabel 3.2: Penggunaan waktu CPU dan angka support vectors
Data sets SVMs experts
Best single SVMs model CPU time
s of SV
CPU time s of SV
Sunspot 53
82 93
98 Santa Fe-a
748 875
34573 899
Santa Fe-c 2
42 51
66 Santa Fe-d
221 1256
66994 1336
Building-1 WBE 344
2049 13688
2117 Building-1 CCW
90 1994
6591 2004
Building-1 HW 52
1977 9228
2046 Building-2
1292 1503
7731 1568
Berdasarkan tabel 3.2 terlihat bahwa Selain itu, waktu CPU yang digunakan dan jumlah support vector SVMs dan model tunggal SVMs, yang dihitung untuk semua set
data. Tabel tersebut menunjukkan bahwa waktu yang dihabiskan untuk
solusi sebagian besar kurang untuk SVMs dari model SVMs tunggal yang terbaik. Semua hasil simulasi menunjukkan bahwa model SVMs lebih efektif dan efisien
dalam peramalan time series dibandingkan model tunggal SVM .
3.3.6 Penelitian dalam bidang Jaringan Komputer
Amershi dan Conati 2009 melakukan penelitian yang menyajikan suatu kerangka pemodelan pengguna berbasis data, untuk membangun model eksplorasi
lingkungan belajar. Eksplorasi lingkungan belajar adalah alat pendidikan yang dirancang untuk
mendorong pembelajaran dengan mendukung siswa dalam mengeksplorasi secara bebas materi pembelajaran yang relevan sering termasuk simulasi interaktif.
Universitas Sumatera Utara
Dalam teori, jenis pembelajaran aktif harus memungkinkan siswa untuk memperoleh lebih dalam, pemahaman yang lebih terstruktur konsep dalam domain.
Dalam praktek, evaluasi empiris telah menunjukkan bahwa ELEs Exploratory learning environments
tidak selalu efektif untuk semua siswa misalnya dan bahwa beberapa siswa dapat mengambil manfaat dari yang lebih terstruktur dukungan Kirschner et al.,
2006. Dalam penelitian ini, beberapa peneliti telah bekerja pada pengembangan
adaptif dukungan untuk eksplorasi efektif dalam ELEs misalnya Bunt dan Conati, 2002. Merancang dukungan ini membutuhkan memiliki model mahasiswa yang memantau
peserta didik dalam mengeksplorasi perilaku dan mendeteksi ketika mereka membutuhkan bimbingan dalam proses eksplorasi.
Merten dan Conati 2007 juga telah mengeksplorasi pendekatan berdasarkan mesin pembelajaran diawasi, di mana ahli domain manual berlabel episode interaksi
berdasarkan apakah siswa atau tidak tercermin pada hasil dari tindakan eksplorasi mereka. Kumpulan data yang dihasilkan kemudian digunakan untuk melatih classifier
untuk perilaku siswa refleksi yang diintegrasikan dengan model berbasis pengetahuan sebelumnya dikembangkan mahasiswa perilaku eksplorasi. Sedangkan penambahan
secara signifikan meningkatkan classifier model akurasi, pendekatan ini mempunyai kelemahan yang sama pengetahuan berbasis pendekatan dijelaskan sebelumnya. Hal ini
memakan waktu dan rawan kesalahan, karena manusia harus menyediakan label untuk dataset.
Dalam penelitian ini kami mengeksplorasi pendekatan yang lebih ringan: kerangka pemodelan pengguna yang membahas keterbatasan di atas dengan
mengandalkan data mining untuk secara otomatis mengidentifikasi secara umum interaksi perilaku dan kemudian untuk melatih perilaku model pengguna.
Salah satu tujuan dari penelitian ini adalah untuk menunjukkan bahwa kerangka pemodelan yang diusulkan bekerja pada domain yang set data berbeda, karena itu, dalam
bagian ini, membandingkan dan kontras hasil eksperimen yang diperoleh dengan menerapkan kerangka untuk dua lingkungan pembelajaran yang berbeda. CSP Applet
dan ACE dan menggunakan dua jenis masukan data. Kedua lingkungan ini memberikan berbagai mekanisme interaksi yang memungkinkan untuk siswa mengeksplorasi tanpa
Universitas Sumatera Utara
hambatan dari domain target, dan dapat mengambil manfaat dari inklusi bimbingan adaptif yang dapat membantu siswa memperoleh hasil dari proses eksplorasi mereka.
Dalam eksperimen kedua, analisis cluster menunjukkan bahwa pengelompokan tanpa pengawasan di pengunjung komponen kerangka adalah mampu mengidentifikasi
kelompok yang berbeda dari siswa yaitu, kelompok siswa menunjukkan perbedaan dalam hasil belajar dari pra dan pasca ujian. Selain itu, analisis mengungkapkan
beberapa perilaku karakteristik belajar yang berbeda cluster. Beberapa dari karakteristik perilaku yang intuitif dan dengan demikian cukup dijelaskan baik hasil pembelajaran
efektif atau tidak efektif. Namun, seperti yang diharapkan, Beberapa perilaku tidak memiliki implikasi belajar jelas, memerlukan pertimbangan kombinasi dimensi seperti
k-berarti tidak untuk menentukan cluster nya, atau pengetahuan siswa hasil pembelajaran untuk dijelaskan. Perilaku terakhir ini akan sulit untuk mengenali label
dengan tangan, bahkan oleh para ahli aplikasi. Namun demikian, dua perbedaan dalam hasil percobaan yaitu:
1. Clustering menemukan cluster yang berbeda ketika k ditetapkan untuk 2 dan 3
dalam percobaan pertama dengan applet CSP, tetapi hanya cluster yang berbeda ditemukan untuk k set ke 2 di percobaan kedua dengan ACE.
2. Clustering mampu menemukan cluster dalam data applet CSP menggunakan
antarmuka tindakan sendiri, padahal hanya menemukan cluster yang berbeda untuk ACE ketika menggunakan dataset yang mencakup tindakan antarmuka baik
dan mata pelacakan data. Dalam penelitian ini, menyajikan kerangka berbasis data untuk pemodelan
pengguna yang menggunakan klasifikasi diawasi dan tanpa diawasi untuk menemukan dan menangkap efektif atau tidak efektif perilaku siswa ketika berinteraksi dengan
lingkungan belajar eksplorasi. Bangunan model untuk sistem pendidikan ini sangat menantang karena tidak dibatasi sifat dari interaksi yang mendukung dan kurangnya
definisi yang jelas mengenai kebenaran dari perilaku siswa membuat sulit untuk meramalkan bagaimana perilaku pengguna kemungkinan dapat berhubungan dengan
pembelajaran. Pendekatan yang ada beberapa masalah ini sudah sangat intensif, mengandalkan memakan waktu, analisis rinci dari sistem target, instruksional domain dan
Universitas Sumatera Utara
proses belajar. Karena pendekatan ini sehingga domain aplikasi spesifik, sulit untuk menggeneralisasi ke domain lain dan aplikasi
Dalam .
eksperimen dengan menerapkan kerangka kerja untuk membangun model pengguna untuk dua seperti lingkungan eksplorasi: Applet CSP bagi siswa membantu
memahami algoritma untuk kepuasan kendala, dan lingkungan ACE untuk eksplorasi matematika fungsi. Presentasi hasil menunjukkan bahwa, meskipun keterbatasan karena
ketersediaan data, pendekatannya adalah mampu mendeteksi cluster bermakna perilaku
siswa, dan dapat mencapai akurasi yang wajar untuk kategorisasi online mahasiswa baru dalam hal efektivitas perilaku belajar mereka.
Tabel 3.3: Summary of classification accuracies averaged over time CSP
k=2 CSP
k=3 ACE
Overall Accuracy 88.3
66.2 86.3
Accuracy on LL students 93.5
66.1 94.2
Accuracy on HL students 62.4
63.3 68.3
Baseline Accuracy 83.3
50.0 69.4
Tabel 3.3 laporan ketepatan dalam mengklasifikasikan HL dan mahasiswa LL, rata-rata dari waktu ke waktu. Tabel ini juga menunjukkan akurasi model dasar yang
sesuai yang digunakan untuk kemungkinan strategi klasifikasi kelas. Dalam semua kasus, k-berarti pengguna berbasis model mengungguli dasar yang sesuai memprediksi
model di kelas yang benar untuk perilaku siswa baru .
Selain itu, evaluasi menunjukkan bahwa kedua dari dua kelas k = 2 k-berarti berdasarkan pengklasifikasi akurasi prediksi yang dicapai secara keseluruhan comparably
baik pada perilaku siswa baru 88,3 pada percobaan pertama dengan Applet CSP, dan 86,3 di kedua percobaan dengan ACE
.
Universitas Sumatera Utara
3.3.7 Penelitian dalam bidang Pemasaran
