.png){kind=logo}
ADAPTIVE AFFINITY PROPAGATION UNTUK PENGELOMPOKAN KEHADIRAN MAHASISWA PEMBELAJARAN DARING SELAMA PANDEMI DENGAN NILAI AKHIR
Abstract
Clustering merupakan metode pengelompokan data dengan mudah dan bertujuan untuk melihat korelasi antar data atribut. Clustering adalah proses pengelompokan titik-titik data yang diambil berdasarkan kesamaan nilai untuk menentukan pusat cluster (exemplar). Affinity Propagation (AP) dan Adaptive Affinity Propagation (AAP) adalah algoritma clustering yang dapat menghasilkan jumlah cluster, anggota cluster, dan contoh dari setiap cluster. Penelitian ini dilakukan untuk mengetahui algoritma yang lebih efektif dalam pengelompokan data. AAP merupakan pengembangan dari algoritma AP yang telah melakukan beberapa perbaikan dalam clustering data. Peneliti juga mengimplementasikan dan menguji kedua algoritma tersebut dengan MATLAB 2021 menggunakan data presensi siswa dalam pembelajaran daring di masa pandemi dengan data nilai akhir sebanyak 500 data. Hasil dari penelitian ini adalah algoritma AP menghasilkan lebih banyak klaster daripada algoritma AAP, klaster AP 5 menggunakan preferensi minimum dan 8 klaster menggunakan preferensi median, klaster AAP 3 menggunakan preferensi minimum dan 2 klaster menggunakan preferensi median. Pemrosesan data runtime AAP lebih cepat daripada AP menggunakan preferensi minimum atau median. Algoritma terbaik dalam clustering data secara optimal adalah Adaptive AP. Hasil lainnya adalah terdapat korelasi antara pengelompokan kehadiran siswa terhadap pembelajaran daring di masa pandemi dengan nilai akhir.
Keywords
Full Text:
PDF (Bahasa Indonesia)References
M. L. Sibuea and A. Safta, “Pemetaan Siswa Berpres-tasi Menggunakan Metode K-Means Clustring,” Jurteksi, vol. 4, no. 1, pp. 85–92, 2017, doi: 10.33330/jurteksi.v4i1.28.
B. M. Metisen and H. L. Sari, “Analisis Clustering Menggunakan Metode K-Means Dalam Pengelompok-kan Penjualan Produk Pada Swalayan Fadhila,” J. Media Infotama, vol. 11, no. 2, pp. 110–118, 2015.
B. K. Amijaya, M. T. Furqon, and C. Dewi, “Clustering Titik Panas Bumi Menggunakan Algoritme Affinity Propagation,” J. Pengemb. Teknol. Inf. dan Ilmu Kom-put. Univ. Brawijaya, vol. 2, no. 10, pp. 3835–3842, 2018.
K. J. Wang, J. Y. Zhang, D. Li, X. N. Zhang, and T. Guo, “Adaptive affinity propagation clustering,” Zidonghua Xuebao/Acta Autom. Sin., vol. 33, no. 12, pp. 1242–1246, 2007, doi: 10.1360/aas-007-1242.
J. O. Ullman, Mining of Massive Datasets. 2014.
I. E. Givoni and B. J. Frey, “A binary variable model for affinity propagation,” Neural Comput., vol. 21, no. 6, pp. 1589–1600, 2009, doi: 10.1162/neco.2009.05-08-785.
I. E. Givoni, C. Chung, and B. J. Frey, “Hierarchical Affinity Propagation.pdf.”
R. Refianti, A. B. Mutiara, A. Juarna, and A. Suhendra, “A preference model on adaptive affinity propaga-tion,” Int. J. Electr. Comput. Eng., vol. 8, no. 3, pp. 1805–1813, 2018, doi: 10.11591/ijece.v8i3.pp1805-1813.
Natsir, F., & Sihombing, R. A. (2022). Penerapan Metode User Centered Design pada Rancangan User Interface Marketplace Pemasaran Produk Olahan Perikanan. Journal of Practical Computer Science, 2(2), 56-63.
DOI: http://dx.doi.org/10.36564/njca.v6i2.286
DOI (PDF (Bahasa Indonesia)): http://dx.doi.org/10.36564/njca.v6i2.286.g102
Refbacks
- There are currently no refbacks.
Copyright (c) 2023 Millati Izzatillah, Fauzan Natsir, Siti Anisah, Opitasari Opitasari
This work is licensed under a Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.