Analisis Algoritma K-Means Clustering Untuk Pemetaan Prestasi Siswa Studi Kasus SMP Negeri I Sukahening

research
  • 31 Aug
  • 2018

Analisis Algoritma K-Means Clustering Untuk Pemetaan Prestasi Siswa Studi Kasus SMP Negeri I Sukahening

- Tingginya tingkat keberhasilan siswa dan rendahnya tingkat kegagalan siswa merupakan cermin kualitas dunia pendidikan. Dunia pendidikan saat ini dituntut untuk memiliki kemampuan bersaing dengan memanfaatkan semua sumber daya yang dimiliki. Selain sumber daya sarana, prasarana dan manusia, sistem informasi merupakan salah satu sumber daya yang dapat digunakan untuk meningkatkan kemampuan bersaing. Data mining merupakan proses analisa data untuk menemukan suatu pola dari kumpulan data. Data mining mampu menganalisa jumlah data yang besar menjadi informasi yang mempunyai arti bagi pendukung keputusan. Salah satu proses data mining adalah clustering. Atribut yang digunakan dalam pengelompokan prestasi siswa adalah nama, ekstrakurikuler, nilai pengetahuan yang meliputi nilai keterampilan, nilai sikap, dan jumlah ketidak hadiran siswa. Studi kasus pada 173 siswa dengan perhitungan jarak menggunakan manhattan distance, chbychep distance dan euclidian distance menghasilkan akurasi sebesar 67%

Unduhan

  • Analisis Algoritma K-Means Clustering.pdf

    ANALISIS ALGORITMA K-MEANS CLUSTERING UNTUK PEMETAAN PRESTASI SISWA STUDI KASUS SMP NEGERI I SUKAHENING

    •   diunduh 361x | Ukuran 930 KB

 

REFERENSI

[1] Agusta, Y. (2007). K-means - Penerapan, Garcia, E.P.I. dan P.M. Mora. 2011. Model Prediction of Academic Performance for First Year Students. IEEE Computer Society. 10 Oktober 2014

[2] Permasalahan dan Metode Terkait. Jurnal Sistem dan Informatika Vol. 3 (Februari 2007): 47-60.

[3] Berkhin, Pavel. Survey on clustering data mining techniques, http://www.ee.ucr.edu/~barth/EE24 2/clustering_survey.pdf, 20 Oktober 2014.

[4] Gorunescu, F. (2011). Data Mining Concepts,Models And Techniques. Verlag Berlin Heidelberg: Springer [5] Kabakchieva, D. 2012. Student Performance Prediction by Using data Mining Classification Algorithms. IJCSMR. Vol 1 Issue 4:86-690, 15 Oktober 2014

[6] Kusrini, & Luthfi, T. E. (2009). Algoritma Data Mining. Yogyakarta: Penerbit Andi [7] Kusumadewi, Sri., dan Purnomo, Hari. 2010. Aplikasi Logika Fuzzy Untuk Pendukung Keputusan Jakarta, Graha Ilmu

[7] Kusumadewi, Sri., dan Purnomo, Hari. 2010. Aplikasi Logika Fuzzy Untuk Pendukung Keputusan Jakarta, Graha Ilmu 

[8] Prasetyo, Eko. (2014). Data Mining Mengolah Data Menjadi Informasi Menggunakan Matlab.Yogyakarta: Andi.

[9] Pudjo Widodo, P.Trias Handayanto, R.Herlawatni. (2013). Penerapan Data Mining Dengan Matlab. Bandung Rekayasa Sains

[10] Santosa, B. (2007). Data Mining: Teknik Pemanfaatan Data untuk Keperluan Bisnis. Yogyakarta: Graha Ilmu.

[11] Santoso, S. (2010). Statistik Multivariat. Jakarta: Elex Media Komputindo.

[12] Shovon, Md.H.I. dan M. Haque. (2012). Prediction of Student Academic Performance by an Application of K-Means clustering Algorithm. IJARCSSE. Volume 2 Issue 7: 353-355, 20 Juli 2014

[13] Slameto, (2010). Belajar & FaktorFaktor yang Mempengaruhi.Jakarta:Rineka

[14] William, Graham, Data Mining Cluster, 20 Oktober 2014 http://datamining.anu.edu.au/stude nt/math3346_2005/ 050809- maths3346-clusters-2x2.pdf

[15] Wahono, R. S. (2012, 06 18). Kiat Menyusun Alur Latar Belakang Masalah Penelitian. Dipetik 02 13, 2013 dari http://romisatriawahono.net/: http://romisatriawahono.net/2012/0 6/18/kiat-menyusun-alur-latar Belakang Masalah