SISTEM PEMBAGIAN KELAS KULIAH MAHASISWA DENGAN METODE K-MEANS DAN K-NEAREST NEIGHBORS UNTUK MENINGKATKAN KUALITAS PEMBELAJARAN

Authors

  • Gede Aditra Pradnyana Jurusan Pendidikan Teknik Informatika, Universitas Pendidikan Ganesha
  • Agus Aan Jiwa Permana Jurusan Manajemen Informatika, Universitas Pendidikan Ganesha

DOI:

https://doi.org/10.12962/j24068535.v16i1.a696

Abstract

Permasalahan yang terjadi saat pembentukan atau pembagian kelas mahasiswa adalah perbedaan kemampuan yang dimiliki oleh mahasiswa di setiap kelasnya yang dapat berdampak pada tidak efektifnya proses pembelajaran yang berlangsung. Pengelompokkan mahasiswa dengan kemampuan yang sama merupakan hal yang sangat penting dalam rangka meningkatkan kualitas proses belajar mengajar yang dilakukan. Dengan pengelompokkan mahasiswa yang tepat, mereka akan dapat saling membantu dalam proses pembelajaran. Selain itu, membagi kelas mahasiswa sesuai dengan kemampuannya dapat mempermudah tenaga pendidik dalam menentukan metode atau strategi pembelajaran yang sesuai. Penggunaan metode dan strategi pembelajaran yang tepat akan meningkatkan efektifitas proses belajar mengajar. Pada penelitian ini dirancang sebuah metode baru untuk pembagian kelas kuliah mahasiswa dengan mengkombinasikan metode K-Means dan K-Nearest Neighbors (KNN). Metode K-means digunakan untuk pembagian kelas kuliah mahasiswa berdasarkan komponen penilaian dari mata kuliah prasyaratnya. Adapun fitur yang digunakan dalam pengelompokkan adalah nilai tugas, nilai ujian tengah semester, nilai ujian akhir semester, dan indeks prestasi kumulatif (IPK). Metode KNN digunakan untuk memprediksi kelulusan seoarang mahasiswa di sebuah matakuliah berdasarkan data sebelumnya. Hasil prediksi ini akan digunakan sebagai fitur tambahan yang digunakan dalam pembentukan kelas mahasiswa menggunakan metode K-means. Pendekatan yang digunakan dalam penelitian ini adalah Software Development Live Cycle (SDLC) dengan model waterfall. Berdasarkan hasil pengujian yang dilakukan diperoleh kesimpulan bahwa jumlah cluster atau kelas dan jumlah data yang digunakan mempengaruhi dari kualitas cluster yang dibentuk oleh metode K-Means dan KNN yang digunakan. Nilai Silhouette Indeks tertinggi diperolah saat menggunakan 100 data dengan jumlah cluster 10 sebesar 0,534 yang tergolong kelas dengan kualitas medium structure.

References

Li, L., Luo, X., & Chen, H. (2015). Clustering Students for Group-Based Learning in Foreign Language Learning. International Journal of Cognitive Informatics and Natural Intelligence, 55-72.

Nasir, N. A., Rasid, N. S., & Ahmad, N. (2014). Grouping Students Academic Performance Using One-Way Clustering. International journal of Science Commerce and Humanities, 131-138.

Wang, Y. (2007). On Laws of Work Organization in Human Cooperation. International Journal of Cognitive Informatics and Natural Intelligence, 1-15.

Rana, S., & Garg, R. (2016). Evaluation of Student’s Performance of an Institute Using Clustering Algorithms. International Journal of Applied Engineering Research, 3605-3609.

Hamalainen, W., & Kumpulainen, V. (2014). Evaluation of clustering methods for adaptive learning system. Artificial Intelligence, 1-23.

Pradnyana, G. A., & Djunaidy, A. (2013). Metode Weighted Maximum Capturing untuk Klasterisasi Dokumen Berbasis Frequent Itemsets. Jurnal Ilmu Komputer, 6(2).

Pradnyana, G. A. (2012). Perancangan dan Implementasi Automated Document Integration fengan Menggunakan Algoritma Complete Linkage Agglomerative Hierarchical Clustering. Jurnal Ilmu Komputer, 5(2).

Hadi, H. Y., Isnanto, R., & Setiyono, B. (2011). Pembagian Kelas Kuliah Mahasiswa Menggunakan Algoritma Pengklasteran Fuzzy. Semarang: Undergraduate Thesis Jurusan Teknik Elektro Fakultas Teknik Undip.

Bassil, Youssef. (2012). A Simulation Model for the Waterfall Software Development Life Cycle. International Journal of Engineering & Technology (iJET), 2(5).

Tan, P., Steinbach, & Kumar, V. (2006). Introduction to Data Mining. United States: Pearson Education.

Nanja, M., & Purwanto. (2015). Metode K-Nearest Neighbors berbasis Forward Selection untuk Prediksi Harga Kooditi Laba. Jurnal Pseudocode, 53-64.

Prasetyo, E. (2014). Data Mining Mengolah Data Menjadi Informasi Menggunakan Matlab. Yogyakarta: Andi Publisher.

Kaufman, L., & Rousseuw, P. J. (1990). Finding Groups in Data. New York: John Wiley&Sons.

Downloads

Published

2018-01-29

Issue

Vol 16, No. 1, Januari 2018

Section

Articles

License

All papers should be submitted electronically. All submitted manuscripts must be original work that is not under submission at another journal or under consideration for publication in another form, such as a monograph or chapter of a book. Authors of submitted papers are obligated not to submit their paper for publication elsewhere until an editorial decision is rendered on their submission. Further, authors of accepted papers are prohibited from publishing the results in other publications that appear before the paper is published in JUTI unless they receive approval for doing so from the Editor-in-Chief.

JUTI open access articles are distributed under a Creative Commons Attribution-ShareAlike 4.0 International License. This license lets the audience to give appropriate credit, provide a link to the license, and indicate if changes were made and if they remix, transform, or build upon the material, they must distribute contributions under the same license as the original.