Optimasi Pemilihan Metode Pengajaran Dosen Menggunakan Data Mining, dan Algoritma K-Means dalam Proses Bisnis Pendidikan
DOI:
https://doi.org/10.36423/index.v6i2.1883Abstract
Perguruan tinggi di Indonesia dihadapkan pada tantangan tingginya jumlah lulusan yang kurang memiliki kompetensi sesuai dengan kebutuhan dunia kerja, menciptakan kesenjangan antara lingkungan pendidikan dan pasar kerja. Hal ini menimbulkan kekhawatiran akan hambatan kemajuan bangsa. Salah satu penyebabnya adalah metode pembelajaran tradisional yang tidak mengakomodasi berbagai gaya belajar dan kebutuhan individual mahasiswa. Teknologi informasi dan komunikasi (TIK), khususnya data mining, menawarkan solusi untuk meningkatkan kualitas pendidikan dengan menganalisis karakteristik mahasiswa agar metode pembelajaran dapat disesuaikan dan materi lebih mudah dipahami. Data mining, atau Knowledge Discovery in Database atau yang disebut (KDD), adalah proses otomatis mengumpulkan dan menganalisis data untuk mengidentifikasi pola dengan teknik seperti pengelompokan, asosiasi, dan prediksi. Metode clustering K-Means, yang mengelompokkan data berdasarkan karakteristik serupa, dapat digunakan untuk menentukan metode pembelajaran paling efektif. Universitas Cipasung Tasikmalaya (Uncip) dapat memanfaatkan data mining dan algoritma K-Means untuk mengklasifikasikan dan memilih metode pengajaran yang optimal guna meningkatkan kompetensi lulusannya sesuai dengan kebutuhan dunia kerjaReferences
G. S. Santyadiputra and K. Agustini, “Survey Kualitas Lulusan Jurusan Pendidikan Teknik Informatika,” J. Pendidik. Teknol. dan Kejuru., vol. 13, no. 1, pp. 13–22, 2016, doi: 10.23887/jptk.v13i1.6843.
L. Baradja and A. A. Oktaviani, “Pengaruh Kecerdasan Emosional (Eq) Mahasiswa Dan Metode Pengajaran Dosen Terhadap Tingkat Pemahaman Akuntansi,” J. Akunt. Trisakti, vol. 8, no. 1, pp. 41–50, 2021, doi: 10.25105/jat.v8i1.8669.
F. Antonius and A. Saepudin, “The Impact of IoT on The Storing Process of Leather Raw Material,” J. RESTI (Rekayasa Sist. dan Teknol. Informasi), vol. 7, no. 3, pp. 422–429, 2023, doi: 10.29207/resti.v7i3.4427.
E. Sabna and M. Muhardi, “Penerapan Data Mining Untuk Memprediksi Prestasi Akademik Mahasiswa Berdasarkan Dosen, Motivasi, Kedisiplinan, Ekonomi, dan Hasil Belajar,” J. CoreIT J. Has. Penelit. Ilmu Komput. dan Teknol. Inf., vol. 2, no. 2, p. 41, 2016, doi: 10.24014/coreit.v2i2.2392.
R. Muliono and Z. Sembiring, “Data Mining Clustering Menggunakan Algoritma K-Means Untuk Klasterisasi Tingkat Tridarma Pengajaran Dosen,” CESS (Journal Comput. Eng. Syst. Sci., vol. 4, no. 2, pp. 2502–714, 2019.
L. Fimawahib and E. Rouza, “Penerapan K-Means Clustering pada Penentuan Jenis Pembelajaran di Universitas Pasir Pengaraian,” INOVTEK Polbeng - Seri Inform., vol. 6, no. 2, p. 234, 2021, doi: 10.35314/isi.v6i2.2096.
R. S. J. D. Baker and K. Yacef, “The State of Educational Data Mining in 2009 : A Review and Future Visions,” J. Educ. Data Min., vol. 1, no. 1, pp. 3–16, 2009.
S. Huang, Z. Kang, Z. Xu, and Q. Liu, “Robust deep k-means: An effective and simple method for data clustering,” Pattern Recognit., vol. 117, p. 107996, 2021, doi: 10.1016/j.patcog.2021.107996.
S. Anastassia Amellia Kharis and A. Haqqi Anna Zili, “Learning Analytics dan Educational Data Mining pada Data Pendidikan,” J. Ris. Pembelajaran Mat. Sekol., vol. 6, pp. 12–20, 2022.
N. L. P. P. Dewi, I. N. Purnama, and N. W. Utami, “Penerapan Data Mining Untuk Clustering Penilaian Kinerja Dosen Menggunakan Algoritma K-Means (Studi Kasus: STMIK Primakara),” J. Ilm. Teknol. Inf. Asia, vol. 16, no. 2, p. 105, 2022, doi: 10.32815/jitika.v16i2.761.
M. Zubair, M. A. Iqbal, A. Shil, M. J. M. Chowdhury, M. A. Moni, and I. H. Sarker, “An Improved K-means Clustering Algorithm Towards an Efficient Data-Driven Modeling,” Ann. Data Sci., 2022, doi: 10.1007/s40745-022-00428-2.
R. Panthong and T. Wongkanthiya, “Analysis of clustering and association using data mining technique for elderly health condition dataset,” IAES Int. J. Artif. Intell., vol. 12, no. 4, pp. 1774–1783, 2023, doi: 10.11591/ijai.v12.i4.pp1774-1783.
A. Firdiansyah, I. Al Ikrom, M. Khamdanni, and W. C. Utomo, “Pemanfaatan Data Mining Untuk Memprediksi Kelulusan Mata Kuliah dan Referensi Strategi Pembelajaran,” Semin. Nas. Teknol. Sains, vol. 3, no. 1, pp. 338–344, 2024, doi: 10.29407/stains.v3i1.4338.
R. Ratra and P. Gulia, “Experimental evaluation of open source data mining tools (WEKA and orange),” Int. J. Eng. Trends Technol., vol. 68, no. 8, pp. 30–35, 2020, doi: 10.14445/22315381/IJETT-V68I8P206S.
Downloads
Published
Issue
Section
License
Copyright (c) 2024 De Ali Farizal, Franciskus Antonius Alijoyo
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.
