Clustering Keaktifan Peserta Pembelajaran Online Menggunakan Metode K-Means

Shodiq, Fajar (2022) Clustering Keaktifan Peserta Pembelajaran Online Menggunakan Metode K-Means. Other thesis, Institut Teknologi Sepuluh Nopember.

Text 07211740000030-Undergraduate_Thesis.pdf - Accepted Version Restricted to Repository staff only until 1 April 2024. Download (2MB) | Request a copy

Abstract

Pemetaan peserta pembelajaran online berdasarkan keaktifan dalam melaksanakan proses pendidikan dan pengajaran penting dilakukan untuk mengetahui seberapa banyak peserta yang telah melaksanakan proses pembelajaran dengan baik. Proses pemetaan dapat dilakukan dengan menggunakan salah satu teknik clustering yaitu K-Means. K-Means merupakan algoritma paling populer yang digunakan karena memiliki kelebihan yaitu algoritmanya yang sederhana dan mudah diimplementasikan. Penelitian ini memadukan antara metode Principal Component Analysis (PCA) dengan K-Means. Metode PCA digunakan untuk mereduksi dimensi dataset sebelum di-cluster menggunakan K-Means. Dataset yang digunakan adalah data peserta pembelajaran online E-Taklim Al Furqon Gresik. Metode pengukuran Silhouette Index digunakan untuk mengukur validitas cluster yang dihasilkan. Untuk setiap hasil pengujian didapat bahwa setiap pengujian nilai paling tinggi disaat k=2. Untuk hasil pengujian dengan nilai silhouette score tertinggi yaitu pada pengujian PCA K-Means dengan reduksi 2 dimensi dengan k=2 didapat hasil silhouette score = 0,663. Untuk hasil pengujian dengan silhouette score paling rendah pada k=2 yaitu pada pengujian K-Means tanpa reduksi dimensi didapat hasil silhouette score = 0,531. Untuk hasil pengujian dengan silhouette score paling rendah pada seluruh pengujian yaitu pada pengujian K-Means tanpa reduksi dimensi dengan k=4 dan k=5 didapat hasil silhouette score = 0,327.
=====================================================================================================
Mapping of online learning participants based on their activeness in carrying out the education and teaching process is important to find out how many participants have carried out the learning process well. The mapping process can be done using one of the clustering techniques, namely K-Means. K-Means is the most popular algorithm used because it has the advantage that the algorithm is simple and easy to implement. This study combines the Principal Component Analysis method with K-Means. PCA method is used to reduce the dimensions of the dataset before being clustered using K-Means. The dataset used is data from online learning participants of E-Taklim Al Furqon Gresik. The Silhouette Index measurement method is used to measure the validity of the resulting cluster. For the test results with the highest silhouette score, namely the PCA K-Means test with 2-dimensional reduction with k=2, the silhouette score = 0.663. For the test results with the lowest silhouette score at k=2, namely the K-Means test without dimension reduction, the silhouette score=0.531. For the test results with the lowest silhouette score in all tests, namely the K-Means test without dimension reduction with k=4 and k=5, the silhouette score=0.327.

Item Type:	Thesis (Other)
Uncontrolled Keywords:	K-Means, Cluster, Principal Component Analysis, Silhouette Index.
Subjects:	T Technology > T Technology (General) > T58.5 Information technology. IT--Auditing
Divisions:	Faculty of Intelligent Electrical and Informatics Technology (ELECTICS) > Computer Engineering > 90243-(S1) Undergraduate Thesis
Depositing User:	Fajar Shodiq
Date Deposited:	20 Feb 2022 04:55
Last Modified:	02 Nov 2022 03:32
URI:	http://repository.its.ac.id/id/eprint/94662

Actions (login required)

View Item