Beranda > Algoritma dan Metode, Ilmu Komputer, Informatika > K-Means dan Fuzzy C- Means untuk Clustering Pemetaan Motivasi Belajar Mahasiswa

K-Means dan Fuzzy C- Means untuk Clustering Pemetaan Motivasi Belajar Mahasiswa

pengertian-strategi-pembelajaranSaat ini mutu pendidikan mempunyai kaitan dengan kualitas kelulusan, sedangkan kualitas kelulusan ditentukan oleh proses belajar. Hasil belajar yang diraih mahasiswa sangat berpengaruh terhadap mutu pendidikan perguruan tinggi, karena hasil belajar yang tinggi menunjukkan mahasiswa memilki tingkat pengetahuan dan keterampilan yang tinggi. Bagi lembaga pendidikan, hasil belajar mahasiswa yang tinggi menunjukkan keberhasilan lembaga dalam proses pembelajaran.

Hasil belajar mahasiswa dipengaruhi oleh sejumlah faktor. Sesuai dengan yang dikemukakan oleh Slameto, bahwa faktor-faktor yang mempengaruhi hasil atau prestasi belajar dibagi menjadi dua bagian utama, yang pertama faktor internal yang mencakup faktor jasmani, intelegensi, motivasi, perhatian minat, bakat dan kesiapan. Kedua, faktor eksternal yang terdiri dari faktor keluarga, masyarakat, metode pembelajaran, kurikulum, sarana dan prasarana pembelajaran (Slameto, 1995 dikutip oleh Budisantoso dkk, 2014).

Berdasarkan hasil penelitian menunjukkan bahwa pengetahuan seseorang diperoleh dari pengalaman 11%, dari pengalaman penglihatan 83%. Sedangkan kemampuan daya ingat yaitu berupa pengalaman yang diperoleh dari yang didengar 20%, dari pengalaman yang yang dilihat 50% (Dimyati, 2004 dikutip oleh Budisantoso dkk, 2014). Nilai dan kegunaan media pembelajaran dapat mempertinggi  hasil pembelajaran dan hasil belajar dalam proses pembelajaran.

computer_labsStrategi pembelajaran dalam proses belajar mengajar dapat memberikan motivasi bagi mahasiswa, mahasiwa menjadi senang dan butuh terhadap pelajaran. Setiap mahasiswa memiliki tingkat motivasi yang berbeda-beda yaitu bermotivasi tinggi, sedang dan rendah. Pemetaan motivasi belajar mahasiswa terhadap strategi pembelajaran merupakan hal yang sangat sulit dilakukan. Padahal dengan pemetaan tersebut seorang dosen bisa mengevaluasi sistem pembelajarannya untuk strategi pembelajaran berikutnya. Motivasi yang dapat diterapkan dalam proses pembelajaran yaitu model ARCS yaitu terdiri dari Attention (perhatian), Relevance (Relevansi), Confidence (Percaya diri), Satifaction (Kepuasan) (Wlodkowski dikutip oleh Budisantoso dkk, 2014). Berdasarkan hasil motivasi yang diperoleh akan menghasilkan tingkat motivasi mahasiswa yaitu baik, sedang maupun rendah.

Terlepas dari permasalahan pemetaan motivasi belajar, berdasarkan kelompok-kelompok yang menjadi sebuah aspek utama dalam pendidikan perlu dilakukannya sebuah cluster data. Salah satu teknik yang dikenal dalam data mining yaitu Clustering. Pengertian clustering keilmuan dalam data mining adalah pekerjaan mengelompokkan data (objek) yang didasarkan hanya pada informasi yang ditemukan dalam data yang menggambarkan objek tersebut dan hubungan diantaranya (Prasetyo, 2012). Sampai saat ini, para ilmuwan masih terus melakukan berbagai usaha untuk melakukan perbandingan model cluster sehingga dapat menghasilkan cluster yang cocok digunakan pada sebuah penelitian.

Metode k-means merupakan metode clustering yang paling sederhana dan umum. Hal ini dikarenakan K-means mempunyai kemampuan mengelompokkan data dalam jumlah yang cukup besar dengan waktu komputasi yang relatif cepat dan efisien (Santosa, 2007 dikutip oleh Alfina dkk, 2012).  Sedangkan Fuzzy c-means didasarkan pada teori logika fuzzy. Teori ini pertama kali diperkenalkan oleh Lotfi Zadeh (1965). Dalam teori fuzzy, keanggotaan sebuah data tidak diberi nilai secara tegas dengan nilai 1 (menjadi anggota) dan 0 (tidak menjadi anggota), melainkan dengan suatu nilai derajat keanggotaan yang jangkauan nilainya 0 sampai 1 (Prasetyo, 2014).

Metode k-means banyak di gunakan untuk pengelompokkan baik secara data rill, citra, maupun berbasis data audio visual. Pada tahun 2013 k-means di gunakan oleh Mustakim untuk mengelompokkan wilayah lahan hijau di riau, hasil dari penelitiannya menyebutkan bahwa k-means memiliki tingkat akurasi tinggi yang tepat dalam pengelompokkan dalam kasus tersebut (Mustakim, 2013). Selanjutnya pada tahun 2015 metode ini digunakan untuk meng-cluster wilayah pengembangan energi terbarukan dengan bahan baku kalapa sawit (Mustakim dkk, 2015). Sedangkan pada tahun 2013 fuzzy c-means digunakan untuk clustering lulusan mahasiswa matematika FMIPA UNTAN Pontianak, dengan metode ini mengelompokan lulusan mahasiswa jurusan FMIPA dan hasilnya relevan (Cary dkk, 2013).

K-means dan fuzzy c-means jika dilihat dari beberapa riset terdahulu yang dilakukan Mustakim dan Cary mampu memberikan hasil cluster terbaik. Kedua metode tersebut sama-sama memiliki hasil yang signifikan serta mempunyai beberapa perbedaan dalam hal pola cluster, oleh karena itu dilakukan penerapan pada pemodelan k-means dan fuzzy c-means untuk melihat hasil clusterisasi. Riset ini menggunakan dataset dan data kuisoner pada mahasiswa Program Studi Sistem Informasi angakatan 2012 berjumlah 165 mahasiswa dan 2013 berjumlah 261 mahasiswa, denga kategori matakuliah yang terdiri dari matakuliah Manajemen Jaringan Komputer, Keamanan Sistem Informasi, Sistem Terdistribusi, Java Application Mobile, Technology Trend and Open Source, Data Mining, Data Warehouse dan OLAP, Sistem Informasi Enterprise. Hal ini bertujuan agar dosen mengetahui strategi pembelajaran yang tepat diterapkan pada mahasiswa semester berikutnya.

Kesimpulan

Adapun kesimpulan dari Tugas Akhir ini adalah sebagai berukut :

  1. Pengelompokan menggunakan algoritma k-means dan fuzzy c-means manghasilkan tingkat motivasi belajar mahasiswa terhadap strategi pembelajaran berdasarkan pengukuran motivasi belajar (ARCS) terhadap strategi pembelajaran e-learning, praktek lapangan dan praktikum lab sebagai evaluasi strategi pembelajaran berikutnya, hal ini membantu mengklasifikasikan tingkat motivasi belajar mahasiswa dalam kategori motivasi belajar tinggi, motivasi belajar sedang, dan motivasi belajar rendah.
  2. Dari hasil perhitungan rata-rata setiap kategori motivasi belajar, strategi pembelajaran yang paling unggul digunakan adalah praktikum laboratorium, hal ini dibuktikan pada algoritma FCM hasil e-learning 29,6%, praktek lapangan 34,9% dan praktikum lab 35,4%. Pada algoritma k-means hasil e-learning 29,6%, praktek lapangan 34,9% dan praktikum lab 35,4%.
  3. Berdasarkan hasil validasi cluster dari algoritma k-means dan FCM, menunjukan bahwa algoritma FCM lebih baik dibandingkan dengan algoritma k-means, hal ini dibuktikan hasil validasi k-means 0,2896 dan FCM 0,5098. Berdasarkan ketentuan dari validasi cluster bahwa nilai yang lebih mendekati satu mempunyai kualiatas cluster yang semakin baik.

Referensi

Alfina, Tahta, et al, Anlisa Perbandingan Metode Hierarchical Clustring, K-Means dan Gabungan Keduanya dalam Cluster Data,” Jurnal Teknik ITS. Vol. 1, ISSN: 2301-9271, September 2012

Ariyus, Dony. “Keamanan Multimedia”. Penerbit Andi, Yogyakarta. 2009

Baehaki, Dhiya A M. “ Deteksi Pencilan Data Titik Api di Provinsi Riau Menggunakan Algoritma Clustering K-Means”. Tesis, Depaterment Ilmu Komputer, Institut Pertanian Bogor, Bogor. 2014

Budisantoso TH, Stefanus S, “Pemetaan Motivasi Belajar Siswa Terhadap Multimedia Pembelajaran Berbasis Algoritma K-Mean,”  Jurnal Pseudocode. Vol. 1, No.2  ISSN 2355-5920., September 2014

Cary, et al, “Clustering Lulusan Mahasiswa Matematika FMIPA UNTAN Pontianak Menggunakan Algoritma Fuzzy C-Means.” Buletin Ilmiah Mat.Stat. dan Terapannya. Vol 02, No.1(2013), Hal.21-261 Arai and A.R Barakbah, “ Hierarchinal K-mean and algorithm for centroids initialization for K-means,” 2007

Kusrini dan Luthfi, Emha T, Algoritma Data Mining. Yogyakarta: Andi, 2009.

Marlindawati and Andri, “Model Data Mining dalam Pengkasifikasian Ketertarikan Belajar Mahasisa Menguunakan Metode Clustering, “ STMIK AMIKOM Yogyakarta. 2015 ISSN : 2302-3805.

Mustakim, “Pemetaan Digital dan Pengelompokan Lahan Hijau di wilayah Provinsi Riau Berdasarkan Knoledge Discovery in Database (KDD) dengan Teknik K-Means Mining”, ISSN : 2085-9902. 2012

Mustakim, et al, “ Decission Scoring Determining Of Development Renewable Energy Center Based Regional Cluster With SAWP Method”. Jurnal Teknologi Industri Pertanian IPB, Vol. 25, No.3 2015

Prasetyo, Eko, “Data Mining Konsep dan Aplikasi menggunakan Matlab.” Penerbit Andi, Yogyakarta. 2012

Prasetyo, Eko. “Data Mining Mengelola Data Menjadi Informasi Menggunakan Matlab.” Penerbit Andi, Yogyakarta. 2014

Robandi, I. “Desain Sistem Tenaga Modern: Optomisasi, Logika Fuzzy, dan Algoritma Genetika.” Penerbit Andi, Yogyakarta. 2006

Santosa, Budi, “Data Mining Teknik Pemanfaatan Data Untuk Keperluan Bisnis.”Garaha Ilmu, Yogyakarta. 2007

Sumber Dokumen:

Tugas Akhir Program Studi Sistem Informasi UIN Sultan Syarif Kasim Riau Tahun 2016, Nur Indah Selviana  NIM 11253203069 Dibimbing oleh Mustakim, S.T., M.Kom.

 

  1. 27 Februari 2019 pukul 12:04 am

    Amazing blog! Do you have any tips for aspiring writers? I’m hoping to start my own site soon but I’m a little lost on everything. Would you suggest starting with a free platform like WordPress or go for a paid option? There are so many choices out there that I’m totally overwhelmed .. Any tips? Thanks a lot!|

    Suka

  1. No trackbacks yet.

Tinggalkan Balasan

Isikan data di bawah atau klik salah satu ikon untuk log in:

Logo WordPress.com

You are commenting using your WordPress.com account. Logout /  Ubah )

Foto Google

You are commenting using your Google account. Logout /  Ubah )

Gambar Twitter

You are commenting using your Twitter account. Logout /  Ubah )

Foto Facebook

You are commenting using your Facebook account. Logout /  Ubah )

Connecting to %s

%d blogger menyukai ini: