Tesis Full Astrid

Tesis Full Astrid

• By Noviriandini, Astrid;
• 253

Penelitian ini dilakukan untuk mengelompokkan dan memprediksi kinerja akademik siswa. Penelitian ini akan menginformasikan kepada siswa dan guru untuk antisipasi dini dalam mengikuti masa belajar agar mendapatkan hasil belajar yang maksimal. Metode yang digunakan dalam menyelesaikan permasalahan ini yaitu dengan metode K-Means dan algoritma Decision Tree. Dengan menggunakan pemodelan K-Means Clustering, dengan inisialisasi jumlah cluster
sebanyak 5 buah, maka didapatkan hasil dengan cluster yang terbentuk adalah 5, sesuai dengan pendefinisian nilai k dengan jumlah cluster_0 ada 72 items, cluster_1 ada 5 items, cluster_2 ada 127 items, cluster_3 ada 147 items, cluster_4 ada 44 items sejumlah 395 items. Dan dari hasil pengujian dengan menggunakan algoritma decision tree memiliki nilai akurasi sebesar 93,40%

• Katakunci Kinerja Akademik, Algoritma K-Means, C4.5
• URL http://
• Penerbit ,

REFERENSI

Andini, T. I., Witanti, W., & Renaldi, F. (2016). Prediksi Potensi Pemasaran
Produk Baru dengan Metode Naïve Bayes Classifier dan Regresi Linear.
Seminar Nasional Aplikasi Teknologi Informasi (SNATi), 27–32.
Arora, R. K. (2013). Evaluating Student ’ s Performance Using k-Means
Clustering, 8491.
Defiyanti Sofi, M. K. (2013). Analisis dan Prediksi Kinerja Mahasiswa
Menggunakan Teknik Data Mining. Syntak, 2, 1–10.
Mariño, M. A., Rezende, C. A., & Tasic, L. (2018). A multistep mild process for
preparation of nanocellulose from orange bagasse. Cellulose, 25(10), 5739–
5750. https://doi.org/10.1007/s10570-018-1977-y
Nelson Butarbutar, Agus Perdana Windarto, Dedi Hartama, S. (2016). Komparasi
Kinerja Algoritma Fuzzy C-Means Dan K-Means Dalam Pengelompokan
Data Siswa Berdasarkan Prestasi Nilaiakademik Siswa. JURASIK (Jurnal
Riset Sistem Informasi & Teknik Informatika), 1(2012), 46–55.
https://doi.org/10.30645/jurasik.v1i1.8
Novandya, Adhika., Oktria, I. (2017). Penerapan Algoritma Klasifikasi Data
Mining C4.5 Pada Dataset Cuaca Wilayah Bekasi. Jurnal Format, 6(2), 98–
106. https://doi.org/10.1016/j.surfcoat.2005.02.204
Pagnotta, F. (2016). Using Data Mining To Predict Secondary Using Data Mining
To Predict Secondary School, 2014(September), 0–9.
https://doi.org/10.13140/RG.2.1.1465.8328
Purba, W., Tamba, S., & Saragih, J. (2018). The effect of mining data k-means
clustering toward students profile model drop out potential. Journal of
Physics: Conference Series, 1007(1). https://doi.org/10.1088/1742-
6596/1007/1/012049
Puspita, A., & Wahyudi, M. (2015). Algoritma C4.5 Berbasis Decision Tree untuk
Prediksi Kelahiran Bayi Prematur. Konferensi Nasinal Ilmu Pengetahuan
Dan Teknologi (KNIT), 1(1), 97–102. Retrieved from
http://konferensi.nusamandiri.ac.id/proceeding/index.php/KNIT/article/view/
175
Rima Ramadhani, D. (2014). Data Mining Menggunakan Algoritma K-Means
Clustering Untuk Menentukan Strategi Promosi. Industrial Marketing
Management, 1(1), 1–9. https://doi.org/10.1016/j.indmarman.2016.05.016
Shovon, H. I., & Haque, M. (2012). An Approach of Improving Student ’ s
Academic Performance by using K-means clustering algorithm and Decision
tree. International Journal of Advanced Computer Science and Applications,
3(8), 146–149.
Sri Rahayu, Dodon T. Nugrahadi, F. I. (2014). Clustering Penentuan Potensi
Kejahatan Daerah Di Kota Banjarbaru Dengan Metode K-Means. Kumpulan
jurnaL Ilmu Komputer (KLIK), 1(1), 33–45.
Widodo, & Wahyuni, D. (2017). Implementasi algoritma k-means clustering
untuk mengetahui bidang skripsi mahasiswa multimedia pendidikan teknik
informatika dan komputer universitas negeri jakarta. Pinter, 1(2), 157–156.
https://doi.org/10.21009/pinter.1.2.10