Aplikasi Data Mining Menggunakan Algoritma K-Means Clustering untuk Mengelompokan Mahasiswa Berdasarkan Gaya Belajar
Abstract
Selama proses pembelajaran matakuliah Pemrograman Web Lanjutan Program Teknik Informatika Universitas Suryakancana, mahasiswa mengalami kesulitan dalam menerima materi perkuliahan tersebut. Hal ini dikarenakan metode pembelajaran yang diberikan hanya fokus pada gaya belajar tertentu, sedangkan dosen kurang memperhatikan gaya belajar mahasiswa lainnya. Aplikasi data mining untuk mengelompokkan mahasiswa berdasarkan gaya belajar memakai algoritma k-means clustering. Algoritma k-means ini awalnya memakai beberapa komponen populasi sebagai pusat cluster awal. Lokasi pusat cluster bakal diukur ulang hingga seluruh data cluster sama. Saat membuat sebuah sistem, paradigma yang dipakai yakni model waterfall, memakai UML sebagai bahasa visual serta merancang software yang bakal dibangun. Alat untuk mengembangkan aplikasi data mining adalah framework laravel bagi sistem dengan basis web serta MySQL selaku sistem manajemen database. Hasil program ini memperlihatkan aplikasi data mining untuk mengelompokan mahasiswa berdasarkan gaya belajar dapat digunakan oleh mahasiswa dan dosen dalam mengelompokkan gaya belajar mahasiswa berdasarkan gaya belajarnya, memudahkan para dosen memutuskan metode pembelajaran sesuai gaya belajar mahasiswa dan juga bisa meningkatkan hasil belajar mahasiswa. Aplikasi data mining menggunakan algoritma k-means clustering untuk mengelompokkan mahasiswa berdasarkan gaya belajar dalam proses mengelompokkan diyakini lebih efektif dan efisien.
References
J. Ramadandi, S, “Klasifikasi Gaya Belajar Mahasiswa Menggunakan Metode Naïve Bayes Classifier,” J. Teknol. dan Inf., vol. 10, no. September, pp. 170–179, 2020, doi: 10.34010/jati.v10i2.
D. Prastyo, A. Anturi, and A. M. Fanny, “Perbedaan Hasil Belajar Mahasiswa PGSD UNIPA Surabaya dengan Model Mnemonik pada Materi Peta, Atlas dan Globe Ditinjau dari Gaya Belajar Audio, Visual dan Kinestetik,” TRIHAYU J. Pendidik. …, vol. 4, no. 1, pp. 199–207, 2017, [Online]. Available: https://jurnal.ustjogja.ac.id/index.php/trihayu/article/view/2117
Butarbutar and Dkk, “Komparasi Kinerja Algoritma Fuzzy C-Means dan K-Means dalam Pengelompokan Data Siswa Berdasarkan Prestasi Nilai Akademik Siswa ( Studi Kasus : SMP Negeri 2 Pematangsiantar ),” J. Ris. Inf. Tek. Inform., vol. 1, no. 2012, pp. 46–55, 2016.
I. Kamila, U. Khairunnisa, and M. Mustakim, “Perbandingan Algoritma K-Means dan K-Medoids untuk Pengelompokan Data Transaksi Bongkar Muat di Provinsi Riau,” J. Ilm. Rekayasa dan Manaj. Sist. Inf., vol. 5, no. 1, p. 119, 2019, doi: 10.24014/rmsi.v5i1.7381.
ella dawiyah, “Angket Gaya Belajar,” Scribd. 2012. [Online]. Available: https://id.scribd.com/doc/108518328/Angket-Gaya-Belajar
R. ANDREA, S. Palupi, and S. Qomariah, “Cluster Analysis for Learning Style of Vocational High School Student Using K-Means and FUZZY C-MEANS (FCM),” J. Penelit. Pos dan Inform., vol. 7, no. 2, p. 121, 2017, doi: 10.17933/jppi.2017.070204.
S. F. Pane, W. K. Sari, and Z. A. Wicaksono, Membuat Aplikasi Pengolahan Data Administrasi Barang Menggunakan Aplikasi Apex Online, 1st ed. Bandung: Kreatif Industri Nusantara, 2020. [Online]. Available: https://www.google.co.id/books/edition/Membuat_Aplikasi_Pengolahan_Data_Adminis/3s3XDwAAQBAJ?hl=id&gbpv=1&dq=Membuat+Aplikasi+Pengolahan+Data+Administrasi+Barang+Menggunakan+Aplikasi+Apex+Online&printsec=frontcover
E. Buulolo, Data Mining Untuk Perguruan Tinggi, 1st ed. Yogyakarta: Deepublish, 2020. [Online]. Available: https://books.google.co.id/books?hl=id&lr=&id=-K_SDwAAQBAJ&oi=fnd&pg=PP1&dq=Data+Mining+Untuk+Perguruan+Tinggi&ots=KdDu5Vu5Rl&sig=7RLJ5DNFNTgIdt5tsoG7eHnvtSs&redir_esc=y#v=onepage&q=Data Mining Untuk Perguruan Tinggi&f=false
D. Nofriansyah, Konsep Data Mining Vs Sistem Pendukung Keputusan. Yogyakarta: Deepublish, 2014. [Online]. Available: https://books.google.co.id/books?hl=id&lr=&id=PoJyCAAAQBAJ&oi=fnd&pg=PR6&dq=Konsep+Data+Mining+vs+Sistem+Pendukung+Keputusan&ots=YWIl2pyWgV&sig=pF2So14FnoiXUET6l5RXRLaKTR4&redir_esc=y#v=onepage&q=Konsep Data Mining vs Sistem Pendukung Keputusan&f=false
Y. Heryadi and E. Irwansyah, Deep Learning Dan Aplikasinya Di Bidang Informasi Geospasial, 1st ed. Depok: PT. Artifisia Wahana Informa Teknologi, 2020. [Online]. Available: https://books.google.co.id/books?hl=id&lr=&id=UorwDwAAQBAJ&oi=fnd&pg=PA4&dq=Deep+Learning+dan+Aplikasinya+di+Bidang+Informasi+Geospasial&ots=t-H2jewT8B&sig=NAyAmQOakJ0OTTPhUNI_hbtypaI&redir_esc=y#v=onepage&q=Deep Learning dan Aplikasinya di Bidang Informa
M. Nishom, “Perbandingan Akurasi Euclidean Distance, Minkowski Distance, dan Manhattan Distance pada Algoritma K-Means Clustering berbasis Chi-Square,” J. Inform. J. Pengemb. IT, vol. 4, no. 1, pp. 20–24, 2019, doi: 10.30591/jpit.v4i1.1253.
M. Wahyudi, Masitha, R. Saragih, and Solikhun, Data Mining : Penerapan Algoritma K-Means Clustering dan K-Medoids Clustering, 1st ed. Yayasan Kita Menulis, 2020. [Online]. Available: https://www.google.co.id/books/edition/Data_Mining_Penerapan_Algoritma_K_Means/wQnhDwAAQBAJ?hl=id&gbpv=1&dq=Data+Mining+:+Penerapan+Algoritma+K-Means+Clustering+dan+K-Medoids+Clustering&printsec=frontcover
J. O. Papilaya and N. Huliselan, “Identifikasi Gaya Belajar Mahasiswa,” J. Psikol. Undip, vol. 15, no. 1, p. 56, 2016, doi: 10.14710/jpu.15.1.56-63.
R. S. Pressman and B. R. Maxim, Software Engineering A Practitioner’s Approach, Eighth Edi. New York: McGraw-Hill Education, 2015.
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.
