Sistem Pendukung Keputusan Berbasis Data

DDEDSS merupakan keputusan berdasarkan data pendidikan, jadi pemodelan data pendidikan adalah dasar dari DDEDSS. Singkatnya, semua dokumen dalam DDEDSS mencangkup tiga bidang DDEDSS: pendidikan, data, dan komputer.

Prinsip dan kerangka kerja rekayasa sistem pendidikan

Unsur - unsur sistem pendidikan dan hubungan pada Gambar 1 lebih instruktif jika mereka lebih lanjut diiterasi ke dalam granularitas elemen dan hubungan mereka untuk berbagai sistem pendidikan. Ini juga meletakkan fondasi inti untuk pemodelan data pendidikan. Di era informasi saat ini, sistem pendidikan default sebagai sistem interaktif informasi pendidikan.

Dalam Gambar 2, pendidik, pelajar, dan interaksi masih sama. Informasi pendidikan selanjutnya secara konkret diterjemahkan ke dalam konten pendidikan, metode pendidikan dan media pendidikan sesuai dengan kebiasaan saat ini. Gambar 2 akan diubah menjadi Gambar 3. Granularitas iteratif yang ditunjukkan pada Gambar 3 masih abstrak. Setelah iterasi lebih lanjut, itu adalah granularity iterasi ideal untuk semua jenis pendidikan.

Elemen DDEDSS dan hubungannya

Seperti pada Gambar 1, iterasi dieksplorasi sampai mirip dengan prinsip dan rekayasa DDEDSS. Tujuan elemen DDEDSS dan hubungannya harus jelas. Dalam era informasi saat ini, sistem DDEDSS dapat dianggap sebagai sistem interaksi informasi. Elemen protagonis diabstraksikan, dan kemudian interaksi informasi antara kedua protagonis diabstraksikan.

Pada Gambar 4, elemen "DDEDSS" dan "sistem pendidikan" dipertahankan. Elemen-elemen "interaksi informasi DDEDSS" diiterasi menjadi "konten DDEDSS", "metode DDEDSS", "media DDEDSS", "interaksi DDEDSS" sesuai dengan hubungan antara konten informasi, metode, dan media.

Gambar 5 sedikit lebih abstrak, di mana enam elemen terus melakukan kedalaman berulang elemen-elemen dari sistem interaksi informasi yang biasa. Iterasi lebih lanjut dapat digunakan sebagai granularitas ideal elemen DDEDSS dan hubungannya.

Proses dan status DDEDSS

Kerangka iteratif  mendefinisikan elemen-elemen dan hubungannya dengan sistem DDEDSS memerlukan pengulangan lebih lanjut dari proses DDEDSS dan statusnya, sampai target atau hasil yang dibutuhkan oleh DDEDSS diperkirakan. Proses DDEDSS dan keadaan utama menyoroti pengumpulan data pendidikan, pergudangan, analisis, penambangan, pengambilan keputusan pendidikan data, dan pengajuan saran keputusan edukatif untuk sistem DDEDSS. Maka, iterasi selanjutnya dapat digunakan sebagai kondisi ideal proses DDEDSS dan iterasi statusnya.

Pada Gambar 7 merupakan iterasi lengkap dari persyaratan fungsional keseluruhan sistem dilengkapi secara mendalam dengan use case protagonis sebagai garis utama iterasi. protagonis ini ditunjukkan dalam struktur pohon sampai persyaratan praktik DDCDSS terpenuhi.

Melalui rekayasa DDEDSS, orang-orang menganalisis, merancang, mengembangkan, mengimplementasikan, mengelola, dan mengevaluasi elemen-elemen DDEDSS dan hubungannya, serta proses-proses dan status DDEDSS mereka. Di masing-masing dari enam tautan, proses lengkap DDEDSS dan iterasi statusnya diwujudkan, untuk mewujudkan DDEDSS secara optimal.

Akuisisi data pendidikan dan desain data warehouse

Model data pendidikan merupakan dasar dari akuisisi data, pergudangan, dan integrasi. Ketika data dikumpulkan berdasarkan model data pendidikan, masalah desain entri data perlu dipertimbangkan, yaitu, data yang dikumpulkan harus dapat dipetakan ke dalam basis data komputer yang dirancang, dan kemudian memasukkan data ke dalam komputer basis data. Ketika merancang basis data pendidikan, itu harus didasarkan pada model data pendidikan, dipandu oleh teori teknik berorientasi objek.

Analisis data pendidikan dan desain set data multi-dimensi

Menurut gudang data pendidikan, kumpulan data multidimensi pendidikan OLAP dapat diatur untuk melakukan analisis data (yaitu, statistik deskripsi data di bidang statistik). Analisis data memperoleh data yang diperlukan dari sejumlah besar data, yang juga disebut korespondensi, sehingga analisis data sering disebut sebagai analisis informasi dan akuisisi informasi untuk mencerminkan tingkat abstrak informasi pada data.

Penambangan data pendidikan dan desain struktur penambangan

Kata mining data terutama dipilih, yang merupakan topik hangat di bidang teknologi data dan kecerdasan data. Esensi dari data mining adalah perhitungan korelasi antara data masif. Analisis multi-dimensi yang disebutkan di atas adalah perhitungan hubungan fungsional. Relasi fungsional adalah relasi matematis deterministik, dan korelasinya adalah relasi matematis yang tidak sepenuhnya deterministik, tetapi inferensi tren dasar.

Akuisisi data pendidikan dan desain data warehouse

Serangkaian data memiliki hubungan tertentu, tetapi tidak ada hubungan fungsional dengan aturan pasti, yang disebut korelasi, juga dikenal sebagai kesamaan. Ini sering diukur dengan jarak atau koefisien korelasi antara data. Ada berbagai formula untuk menghitung jarak dan koefisien korelasi, dan masingmasing memiliki data yang berlaku. Sebagai contoh, jarak Mahalanobis dij dihitung sebagai berikut:

Dari sini, dapat dilihat bahwa semakin kecil jarak dij, semakin tinggi korelasi kedua data tersebut; sebaliknya, semakin rendah korelasinya. Pengelompokan, yang pertama menentukan jumlah kelompok perlu dibagi, dan kemudian mencari algoritma untuk secara ilmiah membagi titik data ke dalam kelompok yang diperlukan sesuai dengan hubungan jarak. Seperti yang ditunjukkan pada Gambar 10, semua titik data pada dasarnya dibagi menjadi lima kelompok.

Gambar 11 adalah representasi garis dari hasil klasifikasi / regresi, dan dapat ditemukan bahwa semua data dibagi menjadi dua kategori. Gambar 12 adalah rumus regresi untuk hasil klasifikasi / regresi.