PEMETAAN KELOMPOK KERJA SISWA DENGAN METODE CLUSTERING K-MEANS DAN ALGORITMA GREEDY

research
  • 24 Mar
  • 2020

PEMETAAN KELOMPOK KERJA SISWA DENGAN METODE CLUSTERING K-MEANS DAN ALGORITMA GREEDY

Pendidikan merupakan suatu pembelajaran untuk meningkatkan pengetahuan, sikap, dan   keterampilan seseorang. proses kegiatan belajar siswa yang perlu diperhatikan terutama dalam pengerjaan tugas kelompok kerja siswa, terkadang dalam pembagian kelompok kerja siswa tidak merata sehingga mengakibatkan terjadinya kualitas siswa yang didalam kelompok tersebut tidak merata juga. Hal ini menjadi perhatian dikalangan pendidikan untuk meningkatkan mutu belajar siswa, penelitian ini menawarkan model pengelompokan bussines intelligence, metode yang digunakan adalah Algoritma Clustering K-Means dan Algoritma Greedy.  Hasil penelitian ini dari 37 siswa terbagi pada 5 cluster kualitas siswa, sehingga dari cluster tersebut terbentuk kelompok kerja siswa sebanyak 7 kelompok, semua kelompok mempunyai 5 anggota dengan bobot kelompok bernilai 13 kecuali kelompok 3 dan 7 sebanyak 6 orang dengan bobot kelompok bernilai 14


Unduhan

  • File unduhan

    2953-5766-1-SM (2).pdf

    Terakhir download 11 Apr 2026 07:04

    PEMETAAN KELOMPOK KERJA SISWA DENGAN METODE CLUSTERING KMEANS DAN ALGORITMA GREEDY

    •   diunduh 336x | Ukuran 318 KB

 

REFERENSI

Dean, Jared (2015). Big Data And Data Minning D.H. Wibowo,. (2015). "Penerapan Pengelompokan Siswa Berdasarkan Prestasi Di Jenjang Sekolah Dasar", Jurnal Psikologi Undip, Vol.14, No.2, pp. 148-159

D.Rachmawati, A.Candra. (2013) "Implementasi algoritma greedy untuk menyelesaikan masalah knapsack problem", Jurnal SAINTIKOm, Vol.2, No. 3, ISSN : 1978-6603

Ivancsy, R., Babos, A., & Legány, C. (2005). Analysis and Extensions of Popular Clustering Algorithms. 6th International Symposium of Hungarian Researchers on Computational Intelligence, 10(6), 390– 400.

Journal, I., & Business, G. (2015). Business Intelligence Capabilities and Implementation Strategies Alaskar Thamir , Efthimios Poulis Manchester Business School , University of Manchester , UK University of East London , UK Abstract In recent years , Business Intelligence ( BI ) has begun , 8(June), 34–45.

Munir (2005), R. Diktat Kuliah IFF2251 (Algoritma Greedy) Strategy Algoritmik. Bandung : Program Studi Informatika Sekolah Teknik Elektro dan Informatika ITB : Tidak diterbitkan

M. Ghulaman Zakia. (2017). "sistem pengelompokan peserta didik di sekolah dasar negeri", Manajemen dan Supervisi Pendidikan, Vo.1, No.13, pp. 201-207. N.Butarbutar, A.P.Windarto, D. Hartama. (2016).

Solikhun, "komparasi kinerja algoritma fuzzy c-means dan k-means dalam pengelompokan data siswa berdasarkan prestasi nilaiakademik siswa",JURASIK (Jurnal Riset Sistem Informasi & Teknik Informatika), Vol.1, No. 1 T.B.

Munandar, W.O.Widyarto, Harsiti, "Clustering data nilai mahasiswa untuk pengelompokan konsentrasi jurusan menggunakan fuzzy cluster means", Seminar Nasional Aplikasi Teknologi Informasi (SNATI), ISSN: 1907 – 5022

Popov, V., Brinkman, D., Biemans, H. J. A., Mulder, M., Kuznetsov, A., & Noroozi, O. (2012). Multicultural student group work in higher education. An explorative case study on challenges as perceived by students. International Journal of Intercultural Relations, 36(2), 302–317.

R.Apriandala, R.Efendi, D. Adreswari. (2017) "Sistem pendukung keputusan pembagian kelas siswa smarter dan fuzzy subtractive clustering (studi kasus smpn 1 kota bengkulu)", Jurnal Rekursif, Vol.5, No.2, ISSN 2303-0755

V.R.Muwisnawangsa, Aristoteles, (2017). "Analisis pengelompokan mahasiswa kkn berdasarkan kriteria jenis kelamin, fakultas dan sekolah", Jurnal Komputasi, Vol.5, No.1, pp. 1-7

V.Maendhapaskha, A.W.R Emanuel. (2014). "Penerapan algoritma greedy knapsack untuk optimalisasi poin pada situs anggota direct selling oriflame", Jurnal Sistem Informasi, Vol.9, No.1, pp. 83-92

Cari

Bidang Ilmu

Kategori

Kiriman Terbaru