Sistem Pendukung Keputusan Pendidikan Berbasis Data
Yaqiong Zhu
Universitas Keuangan
Henan, Henan, Cina
Abstrak— Untuk memanfaatkan teknologi Internet
terbaru untuk menyediakan Dukungan penuh untuk pendidikan guru, studi
komprehensif dilakukan pada DDEDSS (sistem pendukung keputusan pendidikan yang
digerakkan oleh data) dan proto perangkat lunak DDEDSS tipe dirancang dan
dikembangkan sebagai alat bantu untuk pembuatan keputusan pendidikan
ing. Pada saat yang sama, dua sesi data pendidikan dikumpulkan dan diuji
dalam praktek. Penjumlahan dan rata-rata multidimensi dilakukan untuk
Waktu yang berbeda, daerah sumber yang berbeda, pelajar gender yang berbeda dan
ject. Hasil penelitian menunjukkan bahwa sistem dapat mengevaluasi
pembelajaran peserta didik dan selanjutnya memberikan dasar pengambilan
keputusan untuk optimalisasi dan kelas kurikulum pengaturan. Dapat dilihat
bahwa DDEDSS adalah penelitian pendidikan perbatasan, yang memiliki arti
penting penelitian.
Kata kunci— sistem pendukung keputusan
pendidikan, teknik pendidikan, data analisis, penambangan data
1 pengantar
Pengambilan keputusan pendidikan adalah istilah yang dipahami oleh
publik. Esensinya adalah untuk membuat keputusan berdasarkan kebutuhan
pendidikan tertentu. Pengambilan keputusan pendidikan klasik ing umumnyadicapai
melalui pendapat dan diskusi pertemuan dan dikombinasikan dengan sejumlah
statistik dan analisis data tertentu. Meskipun cepat dan nyaman, karena
karena itu tidak didasarkan pada sistem data yang komprehensif dan metode
pengolahan data relatif tunggal, ada hambatan sulit dalam objektivitas, sifat
ilmiah dan aspek lainnya. Dengan pesatnya perkembangan informasi
pendidikan, berbagai macam platform informasi pendidikan telah secara bertahap
disimpan berbagai jenis data dan meningkat pesat. Ini menjadi hot spot di
bidang pendidikan saat ini dan sebuah inovasi arah pengembangan yang dapat
diterapkan bagaimana mengintegrasikan dan
memanfaatkan data ini secara efektif dan membuat keputusan pendidikan,
sehingga meningkatkan obyektivitas, sifat ilmiah, kompetensi kepekaan dan
sistematis pengambilan keputusan. Dalam pengambilan keputusan pendidikan
berdasarkan data, seringkali melibatkan pemrosesan data besar-besaran, yang
harus dibantu oleh informasi sistem mation. Sistem semacam ini umumnya
disebut EDSS (Keputusan Pendidikan Sistem pendukung). Jika menekankan pada
data driven, itu adalah DDEDSS (Data Driven Education Sistem Pendukung
Keputusan).
DDEDSS akan dipelajari dari aspek proposal topik, penelitian saat
ini situasi di dalam dan
luar negeri, isi penelitian, landasan teoretis, penelitian metode, titik inovasi,
dan desain penelitian. Pada saat yang sama, pendidikan gudang data,
kumpulan data multidimensi pendidikan dan data pendidikan min Struktur berhasil
dirancang. Hasilnya menunjukkan bahwa pendidikan dirancang gudang data,
kumpulan data multidimensi pendidikan dan data pendidikan min- Struktur ini
sejalan dengan persyaratan dasar pengambilan keputusan pendidikan.
2 Tinjauan Literatur
DDEDSS adalah keputusan berdasarkan data pendidikan, jadi
pemodelan data pendidikan adalah dasar dari DDEDSS. Cendekiawan Byington
dan Butler mengusulkan kerangka dasar pekerjaan pemodelan data
pendidikan. Data ditetapkan berdasarkan tema "siswa penyok ", termasuk
informasi dasar siswa, prestasi akademik, kursus, pendidikan institusi
pendidikan, penghargaan dan data lainnya [1]. Seluruh sistem pendidikan
terpusat belajar, jadi ada baiknya membuat model data berdasarkan siswa sebagai
tema. Kemudian, karena kinerja pembelajaran saat ini terutama tercermin
dalam kinerja Selain tentu saja, juga diinginkan menggunakan hasil dari semua
mata pelajaran sebagai kuncinya data. Namun, tidak ditahan mempelajari
bagaimana prestasi ini membentuk tabel relasional cocok untuk analisis
multi-dimensi dan penggalian data yang diperlukan untuk keputusan pendidikan
pembuatan sion. Cheowsuwan et al., Berdasarkan persyaratan spesifik dari
perangkat data rumah, mengusulkan model data pendidikan bintang, yang
sepenuhnya memenuhi persyaratan teknis KASIH dari database. Itu juga
mengambil kinerja kurikulum siswa sebagai jurusan sebagian, tetapi tidak
mempertimbangkan informasi hierarkis tahun / masa, provinsi / kota / kabupaten,
atau kategori kurikulum / kursus dari analisis multidimensi. Sebagai
hasilnya, masih ada kekurangan arah yang mendukung [2]. Scholar Chou et
al. diajukan struktur umum sistem pendukung keputusan
pendidikan. Tujuannya adalah untuk mengambil sistem sebagai alat bantu,
untuk mengekstrak, menggali dan menganalisis data statistik pendidikan,
sehingga dapat memberikan penyelidikan informasi yang tepat waktu dan dapat
diandalkan dan kemampuan statistik untuk pendidikan tingkat pengambilan
keputusan yang rasional. Atas dasar ini, keputusan mendukung untuk
pekerjaan pendidikan (prediksi pendaftaran, prediksi pekerjaan, tren
pengembangan, penelitian ilmiah konstruksi, dll.) dibentuk. Sistem tidak
secara khusus menggambarkan pemodelan data, juga bukan model yang berpusat pada
kinerja belajar pembelajar. Untuk yang paling esensial Penelitian DDEDSS,
itu dari sedikit referensi [3]. Hernes dan Sobieska-Karpińska pro-
mengajukan pemodelan data evaluasi kualitas bakat [4]. DDEDSS saat ini
terutama mengambil pembelajaran kurikulum sebagai sumber utama data, sehingga
model memiliki referensi tertentu. ence nilai sebagai aplikasi tambahan DDEDSS
dalam evaluasi kualitas bakat.
Data kinerja pembelajaran juga dominan, mencerminkan gagasan
belajar sebagai pekerjaan utama. Konstantinidis dan Bamidis mengusulkan
kerangka kerja data DDEDSS berdasarkan kinerja belajar peserta didik, yang
merupakan kasus yang paling sistematis dari kinerja pembelajaran kerangka data
kinerja dalam studi ini. Namun, kerangka kerja memperhitungkan lingkungan pendidikan di Amerika Serikat
terlalu banyak dan perlu digabungkan dengan pemanfaatan lokal pendidikan Cina
[5]. Cendekiawan Mccoy dan Rosenbaum dimasukkan meneruskan struktur
keseluruhan sistem pendukung keputusan pendidikan. Kerangka kerjasangat
besar, pada dasarnya dari logika implementasi dan pembusukan perangkat lunak
modul fungsional, seperti browser, server, jaringan area lokal, manajemen basis
datam sistem, model sistem manajemen basis, sistem manajemen basis pengetahuan,
dan metode sistem manajemen perpustakaan. Itu cocok untuk pengembang dan
pengguna DDEDSS untuk memahami keseluruhan sistem [6]. Platform data
kerangka kerja ini adalah Microsoft SQL Server 2000. Sumber data termasuk skala
pendaftaran dalam status pendidikan sistem tistik, jumlah siswa, jumlah
lulusan, jumlah guru dan staf, konstruksi penelitian ilmiah, dan kamus umum di majalah aset dan
sistem. Antarmuka realisasi analisis pendaftaran dan menjalankan sekolah analisis
kondisi juga diperkenalkan, tetapi tidak ada hasil analisis
khusus. Sarjana Mokin et al. mengedepankan struktur keseluruhan
sistem pendukung keputusan pendidikan, tetapi mereka tidak menggambarkan
platform data yang digunakan. Kerangka kerjanya adalah desain hirarkis skrip
database, gudang data, OLAM dan DLAP [7].
Pemrosesan data DDIDSS mengacu pada metode pemrosesan data
berdasarkan computer dalam sistem DDEDSS keseluruhan, terutama data warehouse,
analisis multidimensi dan metode penambangan data. Dari perspektif perhitungan
kompleks data, juga volve penelitian dasar menggambarkan statistik, statistik
inferensi, algoritma penambangan, dan probabilitas. Pemrosesan data DDEDSS
terutama mengeksplorasi aplikasi pencarian data warehouse, analisis
multidimensi dan data mining berdasarkan database teknologi. Cendekiawan
Shi et al. melakukan penelitian aplikasi sistematis pada teknologi data
warehouse, teknologi data mining dan algoritma terkait di Indonesia
sistem pendukung
keputusan pendidikan, dan membuat penelitian terkait pada pendidikan jarak jauh
sebagai objek. Mereka menunjukkan bahwa teknologi ini terutama termasuk rumah,
analisis data, dan penambangan data [8]. Fungsi integrasi data database ke
gudang data disediakan oleh sistem platform basis data (seperti SQI Server). Berdasarkan
pada platform, peneliti DDEDSS terutama merancang data DDEDSS yang wajar model
untuk aplikasi dan pengembangan.
Singkatnya, semua dokumen dalam DDEDSS cukup rentang tiga bidang
DDEDSS: pendidikan tion, data dan komputer. Oleh karena itu, latar
belakang era informasi dipertimbangkan untuk menggali interoperabilitas dari
tiga bidang pendidikan, data dan computer di seluruh DDEDSS. Selain itu,
seluruh gagasan DDEDSS ditemukan, sehingga DDEDSS dapat diimplementasikan
secara logis dan timbal balik.3 metode
3.1 Prinsip dan kerangka
kerja rekayasa sistem pendidikan
Kerangka kerja prinsip dan
rekayasa sistem pendidikan adalah warisan dan perluasan kerangka kerja prinsip
sistem dan teknik, seperti yang ditunjukkan pada Gambar 1. Intinya, itu bisa
disebut "prinsip pendidikan dan rekayasa" konsep sistem interaksi
informasi. Unsur-unsur sistem pendidikan dan hubungan mereka pada Gambar 1
lebih dari itu instruktif jika mereka selanjutnya diiterasi ke dalam
granularitas elemen dan responnya. hubungan untuk berbagai sistem
pendidikan. Ini juga meletakkan fondasi inti untuk pemodelan data
pendidikan. Di era informasi saat ini, sistem pendidikannya adalah default
sebagai sistem informasi pendidikan interaktif. Perlu dianalisis unsur-unsur sistem
pendidikan dari yang sederhana hingga yang kompleks, dan menganalisis hubungan
ikatan elemen elemen ini dari perspektif interaksi informasi.
Saat menganalisis
unsur-unsur sistem pendidikan, hubungan interaktif antara dua protagonis
pertama-tama harus disarikan dari karakter lokal, seperti yang ditunjukkan pada
Gambar 2.
Dalam Gambar 2, pendidik, pelajar, dan interaksi tetap tidak
berubah. Pendidikan di- formasi selanjutnya secara konkret diterjemahkan
ke dalam konten pendidikan, metode pendidikan dan media pendidikan sesuai dengan kebiasaan saat ini. The,
Gambar 2 akan diubah menjadi Gambar 3.
Gambar 1. Prinsip pendidikan dan diagram skematik
teknik.
Gambar. 2. Titik awal yang berulang dari unsur-unsur
pendidikan dan hubungannya
Gambar. 3. Salah satu iterasi unsur-unsur pendidikan
dan hubungannya
Granularitas iteratif yang ditunjukkan pada Gambar 3 masih
abstrak. Setelah iterasi lebih lanjut, itu adalah perincian ideal untuk
semua jenis pendidikan.
Berdasarkan kerangka "prinsip sistem dan Rekayasa",
kerangka kerja "Prinsip dan rekayasa sistem DDEDSS" dapat diwariskan
dan diperluas. Itu adalah, iterasi "analisis, desain, pengembangan, implementasi,
manajemen dan evaluasi elemen DDEDSS dan hubungan, proses dan statusnya
"digunakan sebagai titik awal iteratif dan garis utama iterasi untuk
pemahaman dan transformasi masi DDEDSS, seperti yang ditunjukkan pada Gambar 1.
Pada dasarnya, ini dapat disebut "DDEDSS prinsip dan rekayasa "kerangka
kerja sistem interaksi informasi.
3.2 elemen DDEDSS dan
hubungannya
Seperti yang ditunjukkan pada Gambar 1, iterasi dieksplorasi
sampai mendekati prinsip-prinsip DDEDSS dan teknik. Tujuan atau hasil dari
elemen-elemen DDEDSS dan hubungannya harus menjadi jelas.
Dalam era informasi saat ini, sistem DDEDSS dapat dianggap sebagai
informasi sistem interaksi mation. Elemen protagonis diabstraksi, dan
kemudian informasi interaksi mation antara dua protagonis diabstraksikan, seperti
yang ditunjukkan pada Gambar 4.
Pada Gambar 4, dua elemen "DDEDSS" dan "sistem
pendidikan" dipertahankan. Unsur-unsur "interaksi informasi DDEDSS"
diulang ke dalam "DDEDSS con- tenda "," metode DDEDSS
"," media DDEDSS "," interaksi DDEDSS "sesuai dengan
hubungan antara konten informasi, metode, dan media, seperti yang ditunjukkan
pada Gambar-ure 5
Gambar 5 sedikit abstrak, di mana enam elemen terus melakukan kedalaman
berulang elemen dari sistem interaksi informasi yang biasa. Lebih lanjut
itu-erasi dapat digunakan sebagai granularitas ideal elemen DDEDSS dan
hubungannya ikatan.
Gambar 4. Titik awal iteratif elemen-elemen DDEDSS
dan hubungannya.
Gambar 5. Salah satu granularitas iteratif
elemen-elemen DDEDSS dan hubungannya.
4 hasil dan Diskusi
4.1 Proses dan status
DDEDSS
Kerangka berulang untuk mendefinisikan elemen dan hubungan mereka
dari Sistem DDEDSS membutuhkan iterasi lebih lanjut dari proses DDEDSS dan
statusnya, hingga target atau hasil yang dibutuhkan oleh DDEDSS diperkirakan.
Proses DDEDSS dan negaranya terutama menyoroti pengumpulan data
pendidikan, pergudangan, analisis, penambangan, pengambilan keputusan
pendidikan data, dan pengajuan ed- Saran keputusan pendidikan untuk sistem DDEDSS. Karena
itu, selanjutnya dilakukan iterasi dapat digunakan sebagai kondisi ideal proses
DDEDSS dan iterasi statusnya.
Iterasi lengkap dari persyaratan fungsional keseluruhan sistem
adalah diatur secara mendalam dengan use case protagonis sebagai garis utama
iterasi. Protago- case use nist sering diwakili dalam diagram model UML
pada Gambar 6 di bidang analisa sistem. Semua iterasi use case dalam use
case DDEDSS (guru) protagonis iniditunjukkan dalam struktur pohon yang
ditunjukkan pada Gambar 7 hingga persyaratan praktik DDCDSS bertemu.
Gambar. 6. Gambar header online-journals.org.
Gambar 7. Gambar header dari
online-journals.org
Seperti yang ditunjukkan pada Gambar 7, struktur pohon membentuk
namespace dari sistem protag- kasus penggunaan onist, seperti "semua kasus
penggunaan protagonis dan analisis guru data ", dan nomor simpul".
"menghubungkan level. Karena protagonis menggunakan case dalam hierarki
struktur pohon adalah hubungan kombinatorial, kasus penggunaan protagonis daun adalah
kasus penggunaan protagonis yang benar-benar perlu diimplementasikan. Deskripsi
dari kasus penggunaan protagonis adalah yang terbaik dalam bentuk
objek-subjek-predikat, yang nyaman untuk pemeliharaan dan komunikasi, seperti
data akuisisi guru, data data penambangan guru, dan administrator sistem
menyimpan data. Ini kasus penggunaan digabungkan dalam waktu untuk mendapatkan
proses sistem dan kondisinya. Itu juga bias dituliskan dalam UML seperti
yang ditunjukkan pada Gambar 8. Tentu saja, mungkin ada proses dan statusnya dari
beberapa cabang.
Gambar 8. Gambar header online-journals.
Proses DDEDSS di atas dan statusnya pada akhirnya akan dipetakan
ke spesifik realisasi pengumpulan data pendidikan, data multidimensi analisis
pendidikan, dan penambangan data pendidikan. Pada saat yang sama, sistem
perangkat lunak DDEDSS dikembangkan oped, dan metafora perangkat lunak dari
proses dan kondisinya terlibat. Ini juga mengarahkan pedoman analisis sistem DDEDSS, pemrosesan data dan Pengembangan
perangkat lunak DDEDSS.
Melalui rekayasa DDEDSS,
orang menganalisis, merancang, mengembangkan, mengimplementasikan, mengelola dan
mengevaluasi elemen-elemen DDEDSS dan hubungannya, serta Proses DDEDSS dan
statusnya. Di masing-masing dari enam tautan, DDEDSS selesai proses dan
iterasi negaranya diwujudkan, sehingga dapat mewujudkan DDEDSS secara optimal.
DDEDSS akhirnya diimplementasikan dalam metafora perangkat lunak,
jadi rekayasa DDEDSS adalah diintegrasikan ke dalam penelitian rekayasa
perangkat lunak DDEDSS. Analisis, desain, pengembangan ment, fasilitas,
manajemen dan evaluasi proyek DDEDSS terkonsentrasi di a tabel sebagai gambaran
umum (enam elemen dari DDEDSS, sistem pendidikan, konten DDEDSS, Metode DDEDSS,
media DDEDSS, dan interaksi DDEDSS bersifat melintang, dan Proses DDEDSS dan
kondisinya vertikal).
4.2 Pengumpulan,
analisis, dan penambangan data
Metode data DDEDSS harus dikombinasikan dengan alat perangkat
lunak komputer tertentu. Ketika memilih alat perangkat lunak komputer, jika
digunakan sebagai alat pemrosesan data, itu adalah Pengumpulan data Pendidikan
Data pendidikan pergudangan Data pendidikan masuk Analisis dari data pendidikan
Pendidikan penambangan data Saran pada pendidikan keputusan disarankan untuk
memilih perangkat lunak alat yang banyak digunakan seperti Exce1 dan
SPSS. Jika digunakan sebagai platform pengembangan, sistem basis data
seperti Access, SQI.Server, Oracle, dan SQL saya sering dipilih. Mempertimbangkan
solusi keseluruhan DDEDSS, kemudahan menggunakan dan mengarusutamakan, sistem
database SQLServer2008 dipilih.
Hubungan yang sesuai diabstraksikan berdasarkan tingkat metode
DDEDSS dan tingkat metode data yang didukung oleh SQL Server2008. Penelitian
aplikasi dilakukan sesuai dengan tiga tingkat akuisisi data, pergudangan, dan
data DDEDSS gudang terintegrasi - data pendidikan analisis multidimensi - data
pendidikan mining (mengabaikan komunikasi emosional dan metode berpikir
filosofis itu SQL Server belum mendukung). Pada saat yang sama, data
pendidikan DDEDSS gudang, kumpulan data multi-dimensi pendidikan dan struktur
penambangan data pendidikan mendatang dipelajari dan dirancang.
4.3 Akuisisi data
pendidikan dan desain data warehouse
Model data pendidikan adalah dasar dari akuisisi data,
pergudangan, dan integrasi Gration. Ketika data dikumpulkan berdasarkan
pada model data pendidikan, masalah desain Entah entri data perlu
dipertimbangkan, yaitu, data yang dikumpulkan harus bias dipetakan ke dalam
basis data komputer yang dirancang, dan kemudian memasukkan data ke dalam
computer basis data.
Ketika merancang basis data pendidikan, itu harus didasarkan pada
data pendidikan model, dipandu oleh teori teknik berorientasi
objek. Granularity akhir dari objek dan hubungan mereka dianalisis, dan kemudian
objek dijelaskan dengan data. Saat mendeskripsikan objek dengan data,
perlu untuk mempertimbangkan item data lebih lanjut / bidang, tipe data, nilai
data, struktur data / tabel data, dan hubungan (data tabel). Kemudian,
berdasarkan prinsip database OLTP (On-Line Transaction Processing), Basis data
OLTP dibuat. Kemudian, data dapat disimpan dalam database berdasarkan
objek.
Penelitian DDEDSS terbatas pada siklus studi dan tidak dapat
memperoleh data dari nol. Ini dirancang untuk memperoleh data historis ini
langsung dari sistem pendidikan sekolah terpilih sebagai data asli. Data
asli diperoleh dari pihak independen perguruan tinggi Universitas Normal, dan
skor kinerja adalah inti dari sejarah ini data. Karena persyaratan
normalisasi data, hanya dua (delapan tahun) data yang tersedia.
4.4 Analisis data pendidikan
dan desain set data multi-dimensi
Berdasarkan gudang data pendidikan, data multidimensi pendidikan
OLAP set dapat diatur untuk melakukan analisis data (yaitu, statistik deskripsi
data di lapangan statistik). Analisis data memperoleh data yang diperlukan
dari sejumlah besar data, yang juga disebut korespondensi, sehingga analisis
data sering disebut sebagai analisis informasi. ysis dan perolehan informasi
untuk mencerminkan tingkat abstrak informasi pada data. Analisis multidimensi
data, juga dikenal sebagai proses hirarki analitik (AHP), adalah fokus
teknologi analisis data pendidikan saat ini.
Untuk merealisasikan analisis informasi pendidikan, ia harus menandatangani
dan membangun set data multidimensi pendidikan (Cube) berdasarkan pada
pendidikan-gudang data nasional. Nilai
obyektif dari kumpulan data multidimensi pendidikan ini harus mencakup skor
rata-rata, jumlah siswa yang dipilih, skor tertinggi dan skor terendah, dan
dimensi analisis terutama mencakup waktu (tahun dan masa), tempat sumber
(provinsi dan kota), kursus (568 kursus), kategori kursus (lima kursus), dan
jenis kelamin siswa (pria dan wanita).
Agar sesuai dengan pemahaman masyarakat umum, transformasi model
ditampilkan pada Gambar 10 juga digunakan. Gambar 10 menunjukkan set data
multidimensi yang dirancang untuk tiga dimensi: skor total dan waktu ujian,
area sumber pelajar dan jenis kelamin.
Gambar 9. Representasi model dataset multidimensi.
Singkatnya, data analisis multi-dimensi, dibandingkan dengan
perangkat lunak umum tersebut sebagai EXCEL, memiliki kelebihan analisis
multi-dimensional interaktif (termasuk empat dimensi provinsi, kota, jenis
kelamin, dan semua program). Melalui kombinasi bebas dari berbagai
dimensi, dapat digunakan untuk membantu dalam implementasi ed- berikut Tujuan
keputusan pendidikan: penjumlahan multi-dimensi dan penjumlahan pencapaian dari
lima kelas dari waktu yang berbeda (tahun dan masa), area sumber yang berbeda (provinsi
dan kota), pelajar gender yang berbeda (pria dan wanita), kategori mata
pelajaran berbeda gories (Filsafat, cinta, sains, teknologi, dan
praktik). Dapat digunakan untuk mengevaluasi pembelajaran peserta didik
dan memberikan dasar untuk pengambilan keputusan pendidikan seperti kurikulum optimasi
dan penyesuaian kelas.
Lebih banyak data pendidikan fungsi analisis multi-dimensi setelah
desain ed-mengatur data multi-dimensi dalam SQL Server. Ini harus
mengembangkan mode B / S DDEDSS perangkat lunak, mengintegrasikan set data
pendidikan multi-dimensi ke dalam perangkat lunak DDEDSS, jadi bahwa semua
jenis pengguna menggunakan browser IE sebagai alat bantu untuk pembuatan
keputusan pendidikan ing.
4.5. Penambangan data
pendidikan dan desain struktur penambangan
Selain analisis data di atas dan perolehan informasi, bisa juga didasarkan
pada prinsip penambangan data, untuk menemukan fungsi atau korelasi hukum
Antara data dari data masif. Aturan-aturan ini sering disebut dengan
knowledge, jadi data Penambangan sering disebut penemuan pengetahuan (istilah
yang umum digunakan di bidang kecerdasan buatan), untuk mewujudkan pengetahuan
sebagai tingkat abstrak data dan informasi mation. Ini juga bias disebut
statistik inferensial (istilah yang umum digunakan di lapangan statistik) dan data
mining (istilah yang biasa digunakan dalam ilmu komputer).
Kata data mining terutama dipilih, yang merupakan topik hangat di
bidang teknologi data dan kecerdasan data. Inti dari data mining adalah perhitungan
korelasi antara massif data. Analisis multi-dimensi yang disebutkan di atas
adalah perhitungan fungsional hubungan. Relasi fungsional adalah relasi
matematis deterministik, dan korelasition adalah hubungan matematika yang tidak
sepenuhnya deterministik, tetapi dasar inferensi tren.
4.6 Pendidikan akuisisi
data dan desain gudang data
Serangkaian data memiliki hubungan tertentu, tetapi tidak ada
hubungan fungsional dengan aturan pasti, yang disebut korelasi, juga dikenal
sebagai kesamaan. Ini sering ured oleh jarak atau koefisien korelasi
antara data. Ada berbagai formula untuk menghitung jarak dan koefisien
korelasi, dan masing-masing memiliki data yang berlaku. Misalnya, jarak Mahalanobis
d ij dihitung sebagai berikut terendah:
(1) 
Dalam Formula (9), X i dan
X j adalah:
(2) 
(3) 
Dari ini, dapat dilihat bahwa semakin kecil jarak d ij ,
semakin tinggi korelasinyadari dua data; sebaliknya, semakin rendah
korelasinya. Pengelompokan, yang pertama menentukan jumlah grup perlu dibagi,
dan kemudian mencari algoritma untuk secara ilmiah membagi poin data ke dalam
kelompok yang diperlukan sesuai dengan jarak hubungan. Seperti yang
ditunjukkan pada Gambar 10, semua titik data pada dasarnya dibagi menjadi lima
kelompok.
Gambar 10. Diagram skematis pengelompokan
(4) 
(5) 
Gambar 1. adalah representasi garis dari hasil klasifikasi / regresi, dan
itu dapat ditemukan bahwa semua data dibagi menjadi dua kategori.
Gambar 12. adalah regresi rumus
untuk hasil klasifikasi / regresi.
ID Kategori Kurikulum Terpilih: Hanya Prediksi. Artinya,
kategori kursus dirancang untuk diprediksi, sehingga untuk memprediksi probabilitas
memilih lima program di berbagai kota dan jenis kelamin. Kota: atribut
input (Input). Artinya, kota ditetapkan sebagai ute dari peserta didik,
yang digunakan untuk memprediksi parameter dalam mata pelajaran
pilihan. Jenis kelamin: atribut input (Input). Artinya, gender
ditetapkan sebagai atribut peserta didik, yang digunakan untuk itu memprediksi
parameter mata kuliah pilihan. ID Kurikulum Terpilih: atribut kunci (Kunci),
yang digunakan untuk mengidentifikasi catatan secara unik. Desain data
mining pendidikan struktur dan model penambangan data pendidikan akan
diverifikasi dalam perangkat lunak DDEDSS di terakhir, untuk membantu
pengambilan keputusan.
Dalam kecenderungan pembelajar laki-laki untuk memilih mata
pelajaran, kecenderungan pembelajar laki-laki untuk memilih kursus bisa
dilihat. Kategori "(Jenis Kelamin) = laki-laki" dapat
menunjukkan bahwa probabilitas peserta didik laki-laki untuk memilih 1 (kelas
praktik) adalah 11,17%, probabilitas memilih 2 (teknologi) kelas nasional)
adalah 3,64%, probabilitas memilih 3 (kelas sains) adalah 5,03%, probabilitas Bility
memilih 4 (tentu saja kelas cinta) adalah 24,33%, dan probabilitas memilih 5 (Kelas
Filsafat) adalah 5,83%.
Dalam kecenderungan pembelajar perempuan untuk memilih kursus,
kecenderungan pelajar perempuan untuk memilih pilih mata kuliah yang bisa
dilihat. Kategori "(Jenis Kelamin) = perempuan" dapat
menunjukkan bahwa probabilitas pelajar perempuan untuk memilih 1 (kelas praktik)
adalah 5,87%, probabilitas memilih 2 (kelas teknis) adalah 2,5 $%, probabilitas
memilih 3 (kelas sains) adalah 42,24%, probabilitas memilih 4 (kelas cinta)
adalah 43,92%, dan probabilitas memilih 5 (kelas Filsafat) adalah 5,40%.
Perbandingan
kecenderungan pemilihan kursus peserta didik laki-laki dan perempuan menunjukkan
bahwa anak laki-laki lebih tertarik pada kursus praktik dan teknologi, sedangkan
anak perempuan lebih tertarik pada perjalanan cinta, yang pada dasarnya sama
dengan kenyataan. Sebagai perguruan tinggi normal, adalah mungkin untuk
mendorong siswa untuk memilih kelas yang lebih efektif dan meletakkan dasar
untuk komunikasi emosional antara guru dan siswa dalam pengembangan pendidikan masa
depan. Untuk anak perempuan, mereka juga harus diingatkan untuk datang
ketakutan mereka akan kesulitan dan ketakutan akan kelelahan. Mereka harus
memilih yang lebih praktis dan kursus teknis dan meningkatkan kemampuan praktis
mereka.
Lebih banyak fungsi
penambangan data pendidikan akan dipelajari dalam pengembangan perangkat lunak bagian. Alasannya
adalah setelah desain struktur penambangan data dan penambangan model dalam SQL
Server, perangkat lunak B / S mode DDEDSS harus dikembangkan untuk
diintegrasikan model penambangan data pendidikan ke dalam perangkat lunak
DDEDSS. Akibatnya, semua jenis pengguna dapat menggunakan perangkat lunak
sebagai alat bantu untuk pengambilan keputusan pendidikan setelah login browser
IE.
5 Kesimpulan
Akuisisi data pendidikan, penyimpanan, pergudangan terintegrasi -
analisis data – data mining digunakan sebagai jalur utama logika, dan aplikasi
pemrosesan data DDEDSS dipelajari. Berdasarkan data pendidikan dari dua sesi
(delapan tahun), pendahuluanverifikasi dibuat. Penelitian menunjukkan
bahwa SQL Server 2008 pada dasarnya memenuhi fungsi yang dibutuhkan oleh
DDEDSS, dan memiliki keunggulan kemudahan penggunaan dan streaming, sehingga
akan digunakan sebagai metode dan alat perangkat lunak dari subjek
ini. Namun, sebagai dukungan pemrograman untuk layanan data, analisis
multidimensi data bawaan sis, penggalian data, dan panggilan pemrograman lainnya
jarang disebut, yang berarti tantangan pengembangan perangkat lunak DDEDSS. Pada
saat yang sama, ditemukan itu lima tingkat akuisisi data, analisis data / interaksi
informasi, data mining / penemuan pengetahuan, penambangan emosi dan
penambangan filsafat disatukan dengan lima tingkat praktik, teknologi, sains,
sentimen dan filosofi dalam perspektif sistem subjek. Kelayakan
"sistem informasi dan interaksi" lebih jauh diverifikasi.
6 Referensi
[1] Byington, J.,
Butler, C. (2016). Pemanfaatan kaset kompustat dalam sistem pendukung
keputusan pendidikan. Pemroses Data untuk Pendidikan Bisnis yang Lebih
Baik, 25 (1): 9-10.
[2] Cheowsuwan, T.,
Rojanavasu, P., Srisungsittisunti, B., Yeewiyom, S., Cheow-suwan, T., Rojanavasu,
P. (2017). Pengembangan gudang data dan sistem pendukung keputusan untuk
iJET - Vol. 13, No.
11, 2018
15 eksekutif fasilitas
pendidikan di thailand utara untuk meningkatkan manajemen fasilitas pendidikan
kapasitas
pengadukan. International Journal of Geoinformatics, 13 (2): 35-43.
[3] Chou, W., Tien, P.,
Lin, F., Chiu, P. (2017). Aplikasi berbasis visual, terkomputerisasi
lulusan Medical Journal,
93 (1099): 256. https://doi.org/10.1136/postgradmedj-2016-
134328
[4] Hernes, M.,
Sobieska-Karpińska, J. (2016). Penerapan metode konsensus dalam beberapa
sistem pendukung
keputusan keuangan Sistem Informasi dan Manajemen e-Bisnis-
ment, 14 (1):
167-185. https://doi.org/10.1007/s10257-015-0280-9
[5] Konstantinidis, S.,
Bamidis, P. (2016). Mengapa sistem pendukung keputusan penting bagi
pendidikan
medis. Surat Teknologi Kesehatan, 3 (1): 56. https://doi.org/10.1049/htl.201
5.0057
[6] Mccoy, C.,
Rosenbaum, H. (2017). Praktek dukungan keputusan yang tidak disengaja dan
tidak diinginkan
dashboard sistem di
lembaga pendidikan tinggi. Prosiding Asosiasi untuk
pembentukan Sains &
Teknologi, 54 (1): 757-758. https://doi.org/10.1002/pra2.2017.1450
5401145
[7] Mokin, B., Mokin,
V., Mokina, Y. (2016). Sistem pendukung keputusan untuk penggunaan dana
diterima dari lembaga
pendidikan tinggi yang dibayar layanan. Masalah Ekonomi Aktual,
177 (3): 372-383.
[8] Shi, T., Tan, M.,
Young, B., Lye, D., Ng, T. (2017). Paket pendidikan video Youtube
peningkatan penerimaan
rekomendasi sistem pendukung keputusan klinis antibiotik. Buka
Forum Penyakit Menular,
4 (Suppl 1): 263-S263. https://doi.org/10.1093/ofid/ofx163.579
7 Penulis
Yaqiong Zhu bersama Universitas Keuangan Henan, Henan
451464, Cina
Artikel dikirimkan 24
September 2018. Penerimaan akhir 30 Oktober 2018. Versi final diterbitkan
sebagai
========================================================================
Ringkasan
Pengambilan keputusan
pendidikan adalah istilah yang dipahami oleh publik. Esensinya adalah
untuk membuat keputusan berdasarkan kebutuhan pendidikan
tertentu. Pengambilan keputusan pendidikan klasik ing umumnyadicapai
melalui pendapat dan diskusi pertemuan dan dikombinasikan dengan sejumlah
statistik dan analisis data tertentu. Ini menjadi hot spot di bidang
pendidikan saat ini dan sebuah inovasi arah pengembangan yang dapat diterapkan
bagaimana mengintegrasikan dan memanfaatkan data ini secara efektif dan membuat
keputusan pendidikan, sehingga meningkatkan obyektivitas, sifat
ilmiah, kompetensi kepekaan dan sistematis pengambilan keputusan. Pada
saat yang sama, pendidikan gudang data, kumpulan data multidimensi
pendidikan dan data pendidikan min Struktur berhasil dirancang. Hasilnya
menunjukkan bahwa pendidikan dirancang gudang data, kumpulan data
multidimensi pendidikan dan data pendidikan min- Struktur ini sejalan dengan
persyaratan dasar pengambilan keputusan pendidikan.
Tinjau Literatur.
DDEDSS adalah keputusan
berdasarkan data pendidikan, jadi pemodelan data pendidikan adalah dasar
dari DDEDSS. Cendekiawan Byington dan Butler mengusulkan kerangka dasar
pekerjaan pemodelan data pendidikan. Seluruh sistem pendidikan terpusat
belajar, jadi ada baiknya membuat model data berdasarkan siswa sebagai
tema. Namun, tidak ditahan mempelajari bagaimana prestasi ini
membentuk tabel relasional cocok untuk analisis multi-dimensi dan penggalian
data yang diperlukan untuk keputusan
pendidikan pembuatan sion.
Berdasarkan persyaratan
spesifik dari perangkat data rumah, mengusulkan model data pendidikan
bintang, yang sepenuhnya memenuhi persyaratan teknis KASIH dari
database. Sebagai hasilnya, masih ada kekurangan arah yang
mendukung . diajukan struktur umum sistem pendukung keputusan
pendidikan. Atas dasar ini, keputusan mendukung untuk pekerjaan pendidikan
dibentuk
Sistem tidak secara
khusus menggambarkan pemodelan data, juga bukan model yang berpusat pada
kinerja belajar pembelajar. Untuk yang paling esensial Penelitian
DDEDSS, itu dari sedikit referensi . DDEDSS saat ini terutama
mengambil pembelajaran kurikulum sebagai sumber utama data, sehingga model
memiliki referensi tertentu. ence nilai sebagai aplikasi tambahan DDEDSS dalam
evaluasi kualitas bakat.
Konstantinidis dan
Bamidis mengusulkan kerangka kerja data DDEDSS berdasarkan kinerja belajar
peserta didik, yang merupakan kasus yang paling sistematis dari kinerja
pembelajaran kerangka data kinerja dalam studi ini. Namun, kerangka
kerja memperhitungkan lingkungan pendidikan di Amerika Serikat terlalu banyak
dan perlu digabungkan dengan pemanfaatan lokal pendidikan
Cina . Cendekiawan Mccoy dan Rosenbaum dimasukkan meneruskan struktur
keseluruhan sistem pendukung keputusan pendidikan. Kerangka kerjasangat
besar, pada dasarnya dari logika implementasi dan pembusukan perangkat
lunak modul fungsional, seperti browser, server, jaringan area
lokal, manajemen basis data sistem, model sistem manajemen
basis, sistem manajemen basis pengetahuan, dan metode sistem manajemen
perpustakaan.
Itu cocok untuk
pengembang dan pengguna DDEDSS untuk memahami keseluruhan
sistem . Sumber data termasuk skala pendaftaran dalam status
pendidikan sistem tistik, jumlah siswa, jumlah lulusan, jumlah
guru dan staf, konstruksi penelitian ilmiah, dan kamus umum di
majalah aset dan sistem. Pemrosesan data DDIDSS mengacu pada metode
pemrosesan data berdasarkan computer dalam sistem DDEDSS
keseluruhan, terutama data warehouse, analisis multidimensi dan
metode penambangan data. Pemrosesan data DDEDSS terutama mengeksplorasi
aplikasi pencarian data warehouse, analisis multidimensi dan data mining berdasarkan
database teknologi. melakukan penelitian aplikasi sistematis pada teknologi
data warehouse, teknologi data mining dan algoritma terkait di Indonesia
sistem pendukung keputusan pendidikan, dan membuat penelitian terkait pada
pendidikan jarak jauh sebagai objek. Selain itu, seluruh gagasan
DDEDSS ditemukan, sehingga DDEDSS dapat diimplementasikan secara logis dan
timbal balik.
Prinsip dan kerangka kerja rekayasa sistem pendidikan
Kerangka kerja prinsip
dan rekayasa sistem pendidikan adalah warisan dan perluasan kerangka kerja
prinsip sistem dan teknik, seperti yang ditunjukkan pada Gambar
1. Unsur-unsur sistem pendidikan dan hubungan mereka pada Gambar 1 lebih
dari itu instruktif jika mereka selanjutnya diiterasi ke dalam granularitas
elemen dan responnya. hubungan untuk berbagai sistem pendidikan. Ini
juga meletakkan fondasi inti untuk pemodelan data pendidikan.
Saat menganalisis
unsur-unsur sistem pendidikan, hubungan interaktif antara dua protagonis
pertama-tama harus disarikan dari karakter lokal, seperti yang ditunjukkan
pada Gambar 2.
Interaksi dengan lingkungan Hidup Interaksi dengan
lingkungan Hidup
Granularitas iteratif
yang ditunjukkan pada Gambar 3 masih abstrak. Setelah iterasi lebih
lanjut, itu adalah perincian ideal untuk semua jenis
pendidikan. Berdasarkan kerangka «prinsip sistem dan
Rekayasa», kerangka kerja «Prinsip dan rekayasa sistem DDEDSS» dapat
diwariskan dan diperluas. Seperti yang ditunjukkan
pada Gambar 1, iterasi dieksplorasi sampai mendekati prinsip-prinsip
DDEDSS dan teknik. Tujuan atau hasil dari elemen-elemen DDEDSS dan
hubungannya harus menjadi jelas. Pada Gambar 4, dua elemen «DDEDSS»
dan «sistem pendidikan» dipertahankan. Lebih lanjut itu-erasi dapat
digunakan sebagai granularitas ideal elemen DDEDSS dan hubungannya ikatan.
Proses dan status DDEDSS
Kerangka berulang untuk
mendefinisikan elemen dan hubungan mereka dari Sistem DDEDSS membutuhkan
iterasi lebih lanjut dari proses DDEDSS dan statusnya, hingga target atau
hasil yang dibutuhkan oleh DDEDSS diperkirakan. Proses DDEDSS dan negaranya
terutama menyoroti pengumpulan data
pendidikan, pergudangan, analisis, penambangan, pengambilan
keputusan pendidikan data, dan pengajuan ed- Saran keputusan pendidikan
untuk sistem DDEDSS. Karena itu, selanjutnya dilakukan iterasi dapat
digunakan sebagai kondisi ideal proses DDEDSS dan iterasi statusnya. Semua
iterasi use case dalam use case DDEDSS protagonis ini ditunjukkan dalam
struktur pohon yang ditunjukkan pada Gambar 7 hingga persyaratan praktik DDCDSS
bertemu.
Proses DDEDSS di atas
dan statusnya pada akhirnya akan dipetakan ke spesifik realisasi pengumpulan
data pendidikan, data multidimensi analisis pendidikan, dan
penambangan data pendidikan. Pada saat yang sama, sistem perangkat
lunak DDEDSS dikembangkan oped, dan metafora perangkat lunak dari proses
dan kondisinya terlibat. Ini juga mengarahkan pedoman analisis sistem
DDEDSS, pemrosesan data dan Pengembangan perangkat lunak DDEDSS.
Di masing-masing dari
enam tautan, DDEDSS selesai proses dan iterasi negaranya
diwujudkan, sehingga dapat mewujudkan DDEDSS secara optimal. DDEDSS
akhirnya diimplementasikan dalam metafora perangkat lunak, jadi rekayasa
DDEDSS adalah diintegrasikan ke dalam penelitian rekayasa perangkat lunak
DDEDSS. Analisis, desain, pengembangan ment, fasilitas, manajemen
dan evaluasi proyek DDEDSS terkonsentrasi di a tabel sebagai gambaran umum.
Akuisisi data pendidikan dan desain data warehouse
Model data pendidikan
adalah dasar dari akuisisi data, pergudangan, dan integrasi
Gration. Ketika data dikumpulkan berdasarkan pada model data pendidikan, masalah
desain Entah entri data perlu dipertimbangkan, yaitu, data yang
dikumpulkan harus bias dipetakan ke dalam basis data komputer yang
dirancang, dan kemudian memasukkan data ke dalam computer basis
data. Ketika merancang basis data pendidikan, itu harus didasarkan
pada data pendidikan model, dipandu oleh teori teknik berorientasi
objek. Penelitian DDEDSS terbatas pada siklus studi dan tidak dapat
memperoleh data dari nol. Ini dirancang untuk memperoleh data historis ini
langsung dari sistem pendidikan sekolah terpilih sebagai data asli.
Analisis data pendidikan dan desain set data multi-dimensi
Berdasarkan gudang data
pendidikan, data multidimensi pendidikan OLAP set dapat diatur untuk
melakukan analisis data . Analisis multidimensi data, juga
dikenal sebagai proses hirarki analitik , adalah fokus teknologi
analisis data pendidikan saat ini. Nilai obyektif dari kumpulan data
multidimensi pendidikan ini harus mencakup skor rata-rata, jumlah siswa
yang dipilih, skor tertinggi dan skor terendah, dan dimensi analisis
terutama mencakup waktu , tempat
sumber , kursus , kategori kursus , dan jenis
kelamin siswa. Gambar 9.
Singkatnya, data analisis multi-dimensi, dibandingkan dengan perangkat lunak umum tersebut sebagai EXCEL, memiliki kelebihan analisis multi-dimensional interaktif . Dapat digunakan untuk mengevaluasi pembelajaran peserta didik dan memberikan dasar untuk pengambilan keputusan pendidikan seperti kurikulum optimasi dan penyesuaian kelas. Lebih banyak data pendidikan fungsi analisis multi-dimensi setelah desain ed-mengatur data multi-dimensi dalam SQL Server. Ini juga bias disebut statistik inferensial dan data mining.
Singkatnya, data analisis multi-dimensi, dibandingkan dengan perangkat lunak umum tersebut sebagai EXCEL, memiliki kelebihan analisis multi-dimensional interaktif . Dapat digunakan untuk mengevaluasi pembelajaran peserta didik dan memberikan dasar untuk pengambilan keputusan pendidikan seperti kurikulum optimasi dan penyesuaian kelas. Lebih banyak data pendidikan fungsi analisis multi-dimensi setelah desain ed-mengatur data multi-dimensi dalam SQL Server. Ini juga bias disebut statistik inferensial dan data mining.
Kata data mining terutama
dipilih, yang merupakan topik hangat di bidang teknologi data dan
kecerdasan data. Inti dari data mining adalah perhitungan korelasi antara
massif data. Analisis multi-dimensi yang disebutkan di atas adalah
perhitungan fungsional hubungan. Relasi fungsional
