Analisis Perbandingan K-Means dan Fuzzy C-Means untuk Pemetaan Motivasi Balajar Mahasiswa

Nur Hidayah Selviana

Abstract


Perkembangan teknologi informasi memungkinkan semakin mudahnya memperoleh data dan informasi dalam jumlah yang besar. data mining mampu memanajemen informasi dalam jumlah yang besar, salah satu teknik data mining adalah clustering. Penelitian ini menggunakan algoritma K-Means dan Fuzzy C-Means. Terdapat empat kategori pengukuran motivasi belajar yaitu, Attention, Relevance, Confidence, Satifaction. Strategi pembelajaran yang digunakan yaitu, e-learnig, praktek lapangan dan praktikum lab. Hasil penelitian ini menunjukkan bahwa prektikum lab yang lebih unggul penerapannya hal ini dibuktikan k-means dengan hasil e-learning 29,6%, praktek lapangan 34,9% dan praktikum lab 35,4%. Fuzzy C-Means dengan hasil e-learning 29,6%, praktek lapangan 34,9% dan praktikum lab 35,4%. Berdasarkan hasil validasi cluster k-means 0,2896 dan Fuzzy C-Means 0,5098 menunjukkan bahwa algoritma Fuzzy C-Means lebih baik dibandingkan dengan algoritma k-means.

Kata Kunci : Fuzzy C-Means, K-Means Clustering, motivasi belajar, strategi pembelajaran.


Full Text:

PDF

References


Referensi

Alfina, Tahta, et al, “Anlisa Perbandingan Metode Hierarchical Clustring, K-Means dan Gabungan Keduanya dalam Cluster Data,” Jurnal Teknik ITS. Vol. 1, ISSN: 2301-9271, September 2012

Arai Kohei et al, “ Hierachical k-means: an algorithm for centroids inisilizations for k-means.

Ariyus, Dony. “Keamanan Multimedia”. Penerbit Andi, Yogyakarta. 2009

Baehaki, Dhiya A M. “ Deteksi Pencilan Data Titik Api di Provinsi Riau Menggunakan Algoritma Clustering K-Means”. Tesis, Depaterment Ilmu Komputer, Institut Pertanian Bogor, Bogor. 2014

Budisantoso TH, Stefanus S, “Pemetaan Motivasi Belajar Siswa Terhadap Multimedia Pembelajaran Berbasis Algoritma K-Mean,” Jurnal Pseudocode. Vol. 1, No.2 ISSN 2355-5920., September 2014

Cary, et al, “Clustering Lulusan Mahasiswa Matematika FMIPA UNTAN Pontianak Menggunakan Algoritma Fuzzy C-Means.” Buletin Ilmiah Mat.Stat. dan Terapannya. Vol 02, No.1(2013), Hal.21-26

Francisco de A.T dkk, “Fuzzy c-means clustering methods for symbolic interval data”

K. Arai and A.R Barakbah, “ Hierarchinal K-mean and algorithm for centroids initialization for K-means,” 2007

Kusrini dan Luthfi, Emha T, Algoritma Data Mining. Yogyakarta: Andi, 2009.

Marlindawati and Andri, “Model Data Mining dalam Pengkasifikasian Ketertarikan Belajar Mahasisa Menguunakan Metode Clustering, “ STMIK AMIKOM Yogyakarta. 2015 ISSN

Prasetyo, Eko, “Data Mining Konsep dan Aplikasi menggunakan Matlab.” Penerbit Andi, Yogyakarta. 2012

Prasetyo, Eko. “Data Mining Mengelola Data Menjadi Informasi Menggunakan Matlab.” Penerbit Andi, Yogyakarta. 2014

Robandi, I. “Desain Sistem Tenaga Modern: Optomisasi, Logika Fuzzy, dan Algoritma Genetika.” Penerbit Andi, Yogyakarta. 2006

Santosa, Budi, “Data Mining Teknik Pemanfaatan Data Untuk Keperluan Bisnis.”Garaha Ilmu, Yogyakarta. 2007


Refbacks

  • There are currently no refbacks.


FAKULTAS SAINS DAN TEKNOLOGI
UIN SUSKA RIAU

Kampus Raja Ali Haji
Gedung Fakultas Sains & Teknologi UIN Suska Riau
Jl.H.R.Soebrantas No.155 KM 18 Simpang Baru Panam, Pekanbaru 28293
Email: sntiki@uin-suska.ac.id