Work

Evaluasi kinerja akademik mahasiswa menggunakan algoritma clustering

Year: 2013
Type: dissertation
Abstract: INDONESIA: \n \nTelah banyak model aturan yang dikembangkan sebagai sistem untuk mengevaluasi kinerja akademik mahasiswa menggunakan berbagai teknik pengelompokan (Clustering). Clustering adalah salah satu bidang penelitian yang paling penting dalam bidang data mining. Clustering adalah proses mengelompokkan atau penggolongan objek berdasarkan informasi yang diperoleh dari data yang menjelaskan hubungan antar objek dengan prinsip untuk memaksimalkan kesamaan antar anggota satu cluster dan meminimumkan kesamaan antar cluster. \n \nKami mengajukan sebuah aplikasi data mining untuk mengevaluasi kinerja akademik mahasiswa menggunakan Algoritma K-Means Clustering. Hal ini memperkenalkan konsep dari Algoritma K-Means dan menggambarkan bagaimana konsep ini dapat diterapkan oleh pelaku akademik untuk mengevaluasi kinerja akademik mahasiswa. \n \nDari hasil uji coba, pola yang dibentuk mempunyai akurasi kecocokan mencapai 57,44% dan nilai prosentase kesalahan sebesar 39,59%, hal ini disebabkan proses transformasi data yang belum optimal serta berbagai faktor lain yang mempengaruhi kinerja akademik mahasiswa. \n \nENGLISH: \n \nMany approaches have been developed for academic performance evaluation using various clustering techniques. Clustering is one of the most important research areas in the field of data mining. Clustering means creating groups of objects based on their features in such a way that the objects belonging to the same groups are similar and those belonging to different groups are dissimilar. \n \nWe have proposed a data mining application for student academic performance evaluation using K-Means Clustering Algorithm. It introduces the principles behind K-Means Algorithm and illustrates how these principles could be applied by educators to evaluating student academic performance. \n \nFrom the test, a pattern that has formed the suitability reached 57.44% accuracy, And the value of the percentage error is 39.59%, this is due to the transformation of data that optimal not yet, and a variety of other factors that affect students' academic performance.
Language: Indonesian
Open Access status: green
OpenAlex ID: W2804727624
Cites: 2
Cited by:
Related to: 10