Marleny Peralta Ascue, José Luis Merma Aroni, Oliver I. Santana Carbajal, Erbert F. Osco Mamani, Tito F. Ale Nieto

Memorias de la Décima Tercera Conferencia Iberoamericana de Complejidad, Informática y Cibernética: CICIC 2023, pp. 79-84 (2023); https://doi.org/10.54808/CICIC2023.01.79

Marleny Peralta Ascue
Escuela Profesional de Ingeniería de Sistemas e Informática, Universidad Tecnológica de los Andes / Escuela Académico Profesional de Ingeniería Informática y Sistemas, Universidad Nacional Micaela Bastidas de Apurímac, Abancay, Apurímac, Perú

José Luis Merma Aroni
Escuela Académico Profesional de Ingeniería Informática y Sistemas, Universidad Nacional Micaela Bastidas de Apurímac, Abancay, Apurímac, Perú

Oliver I. Santana Carbajal
Escuela Profesional de Ingeniería en Informática y Sistemas, Universidad Nacional Jorge Basadre Grohmann, Tacna, Perú

Erbert F. Osco Mamani
Escuela Profesional de Ingeniería en Informática y Sistemas, Universidad Nacional Jorge Basadre Grohmann, Tacna, Perú

Tito F. Ale Nieto
Escuela Profesional de Ingeniería de Sistemas, Universidad Privada de Tacna, Tacna, Perú

Cite this paper as:
Peralta Ascue, M., Merma Aroni, J. L., Santana Carbajal, O. I., Osco Mamani, E. F., Ale Nieto, T. F. (2023). Desempeño de Algoritmos Supervisados en la Predicción del Rendimiento Académico en Estudiantes Universitarios. En N. Callaos, J. Horne, E. F. Ruiz-Ledesma, B. Sánchez, A. Tremante (Eds.), Memorias de la Décima Tercera Conferencia Iberoamericana de Complejidad, Informática y Cibernética: CICIC 2023, pp. 79-84. International Institute of Informatics and Cybernetics. https://doi.org/10.54808/CICIC2023.01.79

El presente estudio tiene como propósito evaluar el desempeño de algoritmos supervisados basados en las técnicas de minería de datos: Árboles de decisión y Redes Neuronales, en la predicción del rendimiento académico de los estudiantes del curso de Inteligencia de Negocios en la Escuela Profesional de Ingeniería de Sistemas e Informática de la Universidad Tecnológica de los Andes, Abancay-Perú. Se utilizó la metodología CRISP-DM, para el modelado del proceso de minería de datos y el software de Weka, como herramienta de entrenamiento y testeo de los algoritmos. Se estudiaron y analizaron los algoritmos supervisados de predicción: Árboles de decisión J-48, Random Forester, DEPTree y Perceptrón Multicapa. El resultado obtenido del desempeño de los algoritmos se evaluó mediante los indicadores de precisión, exactitud y sensibilidad. Se observó que el algoritmo que tiene mayor desempeño en la clasificación y predicción es el algoritmo J-48, quien presenta un porcentaje de precisión del 91.67%, exactitud de 64.52%, y sensibilidad de 52.38% en comparación de los demás algoritmos estudiados.