Svaki pristup studenta sistemu za upravljanje učenjem (engl. learning management system, LMS) generira podatke o tome tko je pristupio, kada, s koje IP (engl. Internet protocol, IP) adrese i koja je aktivnost provedena. Na taj način prikuplja se mnoštvo podataka o studentima i to tako da se studente pri tom ne ometa u procesu učenja. Dostupni podaci mogu se iskoristiti i tako da se pristupi studenata određenom predmetu na LMS-u promatraju kao vremenski nizovi. U ovom radu pokazano je da promatrani vremenski nizovi nose informaciju o ponašanju studenata koja je indikativna za njihov uspjeh na završnom ispitu. Primjenom Fourierove transformacije (FT) na kreirane vremenske nizove, tj. prebacivanjem vremenskih nizova u frekvencijsku domenu, otvorena je mogućnost da se količina podataka smanji, a proces obrade podataka postane operativniji. Drugi razlog primjene FT je otkriti skrivene periodičnosti koje su ključ modeliranja i predikcije, a treći razlog je smanjenje šuma te postizanje bolje točnosti predikcije uspjeha studenata. Hipoteze ovog rada ispitane su na skupovima podataka o studentima upisanim na 2 fakulteta, na ukupno 4 različita predmeta tijekom dvije akademske godine. Uzorak se sastojao od podataka o približno 1400 studenata. U ovom istraživanju je pokazano da je moguće kreirati model predikcije uspjeha studenata rudarenjem podataka iz hibridnog okruženja za učenje primjenom analize vremenskih nizova pristupa studenata LMS-u u frekvencijskoj domeni te da takav model postiže točnost predikcije koja je jednaka ili veća od točnosti predikcije pomoću sličnih modela opisanih u literaturi. Razvijena je tehnika za sažimanje vremenskih nizova pristupa studenata LMS-u u frekvencijskoj domeni uz uklanjanje šuma, što znači da je korištenjem smanjenog broja koeficijenata postignuta bolja točnost predikcije u odnosu na modele temeljene na punom skupu podataka. Nadalje, pokazano je da je moguće postići točnost predikcije uspješnosti koja je veća od 75%, a temeljem podataka o prve 2/3 ukupnog trajanja predmeta. Temeljni doprinos rada je primjena spektralne analize, odnosno analize vremenskih nizova u frekvencijskoj domeni na skup podataka iz hibridnog okruženja za učenje.

Each student log to the learning management system (LMS) generates data on who accessed the LMS, when, from which IP address, and which activity is performed. It is the way to collect the large amount of data on students and not to disturb the process of learning while the data are collected. The available data could be also used in the way that student logs to a certain course on the LMS are regarded as time series. In this paper it is proven that the observed time series carry the information on student behavior which is indicative for the final exam success. By applying the Fourier transform (FT) to the created time series, i.e. by switching time series to the frequency domain, the opportunity occurs to reduce the amount of data and for the data processing to become more operational. The second reason to apply FT is to reveal the hidden periodicities which are the key to modeling and prediction, and the third reason is to reduce the noise and to achieve better accuracy of student success prediction. The hypotheses of this study are tested on data sets on students enrolled in two schools, in four different courses, and during two academic years. The sample consists of data on approximately 1,400 students. This research has demonstrated that it is possible to create the student success prediction model through data mining on blended learning environment data using frequency domain time series analysis of student logs to LMS. The proposed model achieves the prediction accuracy which is equal or bigger of the prediction accuracies achieved by similar models described in the literature. The technique for compressing time series of student logs to LMS is developed. The technique removes the noise, meaning that using the reduced number of coefficients gives better prediction accuracy than using models based on the full amount of data. Furthermore, it is proven that it is possible to achieve the success prediction with the accuracy more than 75% based on data for the first 2/3 of the total length of the course. The fundamental contribution of the paper is the application of spectral analysis, i.e. analysis of time series in the frequency domain to the data set from the hybrid learning environment.