Implementasi Algoritma K-Means Dan Fp-Growth Untuk Rekomendasi Bimbingan Belajar Berdasarkan Segmentasi Akademik Siswa

Evi Dewi Sri Mulyani, Yoga Handoko Agustin, Nensi Mardhiani Surgawi, Susanto Susanto

Sari


Pengayaan materi merupakan salah satu persiapan peserta didik untuk menghadapi Ujian Nasional (UN). Di SMA NEGERI 4 TASIKMALAYA tidak ada pengelompokan khusus untuk pengayaan UN. Tidak adanya pengelompokan khusus, mengakibatkan kurang tepat sasaran dalam mengatur jadwal mata pelajaran apa saja yang benar-benar dibutuhkan oleh siswa tersebut. Untuk itu diperlukan solusi yang dapat mengatasi kesulitan tersebut. Metode clustering untuk pengelompokan siswa dengan menggunakan Algoritma K-Means dan untuk pola mata pelajaran tiap kelompok siswa menggunakan Algoritma FP-Growth. Jumlah cluster ada k=2 dan maksimal itemset adalah 3 itemset, jumlah dataset yang digunakan adalah 190 dataset. Aplikasi ini selain menampilkan pengelompokkan siswa pada mata pelajaran UN, juga dapat menampilkan pola mata pelajaran UN yang dibutuhkan dari tiap kelompoknya.

Kata Kunci


Ujian Nasional; K-Means; FP-Growth

Teks Lengkap:

PDF

Referensi


F. E. M. Agustin, A. Fitria, and A. H. S, “( Studi Kasus : Smp Negeri 101 Jakarta ) Program Studi Teknik Informatika , Fakultas Sains dan Teknologi Universitas Islam Negeri Syarif Hidayatullah,” Implementasi Algoritm. K-Means Untuk Menentukan Kelompok Pengayaan Mater. Mata Pelajaran Ujian Nas. (Studi Kasus Smp Negeri 101 Jakarta), vol. 8, pp. 73–78, 2013.

Susanto, Susanto; Mulyani, Evi Dewi Sri; Nurhasanah, Irma Ratnasari. Penerapan Data Mining Classification Untuk Prediksi Perilaku Pola Pembelian Terhadap Waktu Transaksi Menggunakan Metode Naïve Bayes. Proceedings Konferensi Nasional Sistem dan Informatika (KNS&I), 2015

Hartatik, “Pengelompokan mahasiswa berdasarkan nilai ujian nasional dan ipk menggunakan metode k-means,” Semin. Nas. Inform. 2014, pp. 35–40, 2014.

D. Samuel, “Penerapan Stuktur FP-Tree dan Algoritma FP-Growth dalam Optimasi Penentuan Frequent Itemset,” Inst. Teknol. Bandung, vol. 1, 2008.

A. Kristanto, “Rekayasa Perangkat Lunak (Konsep Dasar),” Gava Media, Yogyakarta, 2004.

R. S. Pressman, “Rekayasa Perangkat Lunak: Pendekatan Praktisi.” Andi, 2012.

V. W. Sujarweni, “Metodologi Penelitian.” Pustaka Baru Press, Yogyakarta, 2014.

J. MacQueen and others, “Some methods for classification and analysis of multivariate observations,” in Proceedings of the fifth Berkeley symposium on mathematical statistics and probability, 1967, vol. 1, no. 14, pp. 281–297.

R. N. Arifin, “Implementasi Algoritma Frequent Pattern Growth ( Fp-Growth ) Menentkan Asosiasi Antar Produk ( Study Kasus Nadiamart ),” Progr. Tek. Inform. Univ. Dian Nuswantoro.

C. Shearer, “The CRISP-DM model: the new blueprint for data mining,” J. data Warehous., vol. 5, no. 4, pp. 13–22, 2000.




DOI: http://dx.doi.org/10.22303/it.6.2.2018.160-173

Refbacks

  • Saat ini tidak ada refbacks.


##submission.copyrightStatement##

##submission.license.cc.by4.footer##

Redaksi IT Journal. Gedung A, LPPM Lt2, Universitas Potensi Utama. Jl. K.L. Yos Sudarso Km 6,5 No.3-A Telp. (061) 6640525 Ext. 214 Tanjung Mulia Medan 20241

 

QriesQriesQries

 

Creative Commons License
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.
 
Flag Counter