Model Penempatan Guru Berasaskan Perlombongan Data

Teacher Placement Model Based on Data Mining

Authors

  • Shamsul Saniron UKM
  • Zulaiha Ali Othman UKM

Keywords:

perlombongan data, pendidikan, penempatan guru, pengelasan

Abstract

Tujuan artikel ini adalah untuk mengenalpasti teknik pengelasan terbaik dan penerokaan pengetahuan baru terhadap data permohonan penempatan di Kementerian Pendidikan Malaysia (KPM).  Eksperimen dijalankan terhadap lebih 23,000 rekod untuk sesi 2014 menggunakan enam teknik pengelasan. Artikel ini memaparkan dua fasa eksperimen. Fasa pertama fokus kepada faktor demografi, persekitaran dan keperluan perjawatan manakala fasa kedua pula mempunyai faktor tambahan iaitu faktor kemanusian. Hasil kajian mendapati model pengelasan terbaik di fasa pertama ialah 97.66% manakala di fasa kedua 98.07%.  Kajian juga mendapati teknik pengelasan terbaik adalah konsisten iaitu Kstar berbanding J48, Jadual Keputusan, OneR, SMO dan Naïve Bayes. Daripada hasil kajian ini dapat disimpulkan Kstar adalah teknik terbaik pengelasan data penempatan guru untuk digunakan melombong data penempatan bagi tahun yang seterusnya. Adalah diharapkan ianya dapat menghasilkan keputusan terbaik untuk membantu pihak pengurusan KPM membuat keputusan dalam proses permohonan pertukaran dan penempatan guru.

The purpose of this article is to identify the best clustering technique and new knowledge exploration towards placement application data for Ministry of Education Malaysia (KPM). An experiment was conducted with more than 23,000 records for 2014 sesison using six clustering techniques. This article displays two phases of experiements. The first phase was focused on demographical, environments, and posting demand factors while the second phase has additional factors such as human factors. Findings show that the best clustering model was the first phase with 97.66% while the second phase with 98.07%. Findings also show the best clustering technique was consistent with Kstar compared to J48, Decision Table, OneR, SMO, and Naïve Bayes. From the findings, as conclusion, Kstar is the best clustering technique for teacher placement data to be used in placement data mining for years to come. It is believed that this technique can produce best results in helping the KPM management team to make decision in the process of teacher placement and exchange application.

Downloads

Download data is not yet available.

Downloads

Published

2019-06-29

How to Cite

Saniron, S., & Ali Othman, Z. (2019). Model Penempatan Guru Berasaskan Perlombongan Data: Teacher Placement Model Based on Data Mining. Journal of ICT in Education, 3, 13–23. Retrieved from https://ojs.upsi.edu.my/index.php/JICTIE/article/view/2605