Pengembangan Algoritma Klaster Dinamis Pada K-Means Dalam Pengelompokan Kinerja Akademik Mahasiswa (Studi Kasus: Universitas Pendidikan Ganesha)
Total View This Week0
Total View This Week0
Institusion
Universitas Pendidikan Ganesha
Author
Ariasa, Komang
Subject
QA75 Electronic computers. Computer science
Datestamp
2020-02-27 01:16:14
Abstract :
Penelitian ini difokuskan untuk perbaikan algoritma klaster dinamis pada k-means menggunakan inisiasi centroid awal berbasis metode mean. Data penelitian menggunakan kinerja akademik 765 orang berasal dari 38 prodi Undiksha, perhitungan klastering berdasarkan nilai UN, rapor, dan perkembangan kinerja akademik mahasiswa selama 6 semester. Perbandingan algoritma terbaik diuji tingkat validitasnya menggunakan metode Cluster Variance (V), Davies Bound Index (DBI), Partition Coefficient (PC), dan Sum Squared Error (SSE) pada algoritma k-means tradisional, k-means dinamis dan k-means dinamis berbasis mean. Berdasarkan pengujian diperoleh 5 jumlah klaster ideal pada metode k-means dinamis berbasis inisiasi centroid, dengan nilai terbaik PC 0,20176, SSE 2,15152, variance terkecil 0,259281 dan DBI 0,168236. Secara keseluruhan optimasi algoritma k-means dinamis berbasis mean lebih baik dibanding algoritma lain dalam evaluasi PC, SSE, dan cluster variance. Hasil pengujian dapat digunakan sebagai salah satu metode terbaik dalam evaluasi kinerja akademik mahasiswa serta acuan pengambilan keputusan dalam menentukan kebijakan akademik universitas.
Penelitian ini difokuskan untuk perbaikan algoritma klaster dinamis pada k-means menggunakan inisiasi centroid awal berbasis metode mean. Data penelitian menggunakan kinerja akademik 765 orang berasal dari 38 prodi Undiksha, perhitungan klastering berdasarkan nilai UN, rapor, dan perkembangan kinerja akademik mahasiswa selama 6 semester. Perbandingan algoritma terbaik diuji tingkat validitasnya menggunakan metode Cluster Variance (V), Davies Bound Index (DBI), Partition Coefficient (PC), dan Sum Squared Error (SSE) pada algoritma k-means tradisional, k-means dinamis dan k-means dinamis berbasis mean. Berdasarkan pengujian diperoleh 5 jumlah klaster ideal pada metode k-means dinamis berbasis inisiasi centroid, dengan nilai terbaik PC 0,20176, SSE 2,15152, variance terkecil 0,259281 dan DBI 0,168236. Secara keseluruhan optimasi algoritma k-means dinamis berbasis mean lebih baik dibanding algoritma lain dalam evaluasi PC, SSE, dan cluster variance. Hasil pengujian dapat digunakan sebagai salah satu metode terbaik dalam evaluasi kinerja akademik mahasiswa serta acuan pengambilan keputusan dalam menentukan kebijakan akademik universitas.
Download
book
BibTex
Latex, Jabref
cloud_download
Original Resource
url resource Institution
