TWO LEVEL CLUSTERING UNTUK ANALISIS KUESIONER AKADEMIK DI STTA YOGYAKARTA

Harliyus Agustian

Abstract

Untuk menjaga kualitas dosen, institusi melakukan evaluasi kinerja dosen yang dapat berupa kuesioner akademik dimana kadang hasilnya bersifat subyektif. Untuk itu perlu dilakukan pengecekan konsistensi tingkat kepuasan proses pengajaran dari hasil pengisian kuesioner dengan data akademik lainnya dengan pendekatan clustering. Untuk mengatasi hal tersebut dilakukan penelitian yang bertujuan untuk membangun sebuah aplikasi yang menerapkan pendekatan two level clustering dengan k-means dan average linkage clustering untuk mengetahui tingkat perbedaan kualitas proses belajar mengajar dosen menurut mahasiswa yang telah dikelompokkan berdasarkan data akademis. Model yang digunakan dalam penelitian ini adalah model two level clustering dengan dua tahapan cluster yaitu  metode k-means dan average linkage clustering. Model ini digunakan untuk mengelompokkan data mahasiswa menjadi beberapa cluster berdasarkan data akademis mahasiswa dalam satu matakuliah sehingga data hasil cluster akademis dapat diklaster kembali berdasarkan jawaban kuesioner mahasiswa untuk setiap anggota cluster akademis. Hasil clustering level pertama menunjukkan jumlah cluster yang optimal adalah 2 dengan cluster yang terbentuk adalah mahasiswa dengan kemampuan akademis yang baik dan cukup, sedangkan jumlah cluster yang optimal untuk clustering level kedua adalah 2, dengan cluster yang terbentuk adalah mahasiswa merasa puas, cukup puas atau tidak puas terhadap proses pengajaran di kelas. Hasil interprestasi clustering akademik terhadap tingkat kepuasan mengajar dosen menunjukkan hasil yang sama diantara 2 cluster akademik.

Keywords

Two level clustering; K-means clustering; Average linkage

References

Abdullah, A. G., dan Feranie, S., 2014, Development of Short Term Load Forecasting Based On Fuzzy Subtractive Clustering, https://www.researchgate.net /publication/ 22893311 8_DEVELOPMENT_OF_SHORT_TERM_LOAD_FORECASTING_BASED_ON_FUZZY_SUBTRACTIVE_CLUSTERING, 22 Mei 2014, diakses 15 September 2014.

Cabanes, G. dan Bennani, Y., 2007, A Simultaneous Two-Level Clustering Algorithm for Automatic Model Selection, Sixth International Conference on Machine Learning and Applications, pp. 316-321.

Desipri, K., Legaki, N. Z., and Assimakopoulos, V., (2014), Determinants of domestic electricity consumption and energy behavi or: a Greek case study, Information, Intelligence, Systems and Applications, IISA, The 5th International Conference on, 7-9.

Gu, L., dan Lu, X. 2012, Semi-supervised Subtractive Clustering by Seeding, 9th International Conference on Fuzzy Systems and Knowledge Discovery, pp. 738-741.

Higgs, B. and Abbas, M., (2013), A two-step segmentation algorithm for behavioral clustering of naturalistic driving styles, 16th International IEEE Conference on Intelligent Transportation Systems (ITSC 2013),857-862.

Li, Q., Liu, Q., Zhou, H., (2011), Research on Patient Satisfaction Degree Evaluation of Three A-level Hospital in Jiangxi Province Based on Cluster Analysis, International Conference on Information Management, Innovation Management and Industrial Engineering, Volume:1, 563 – 567.

Papadourakis , George M., Eirini Christinaki, dkk (2013) , Clustering Analysis of Questionnaire for Ph.D. studiesin Electrical and Information Engineering in Europe, EAEEIE Annual Conference (EAEEIE), 2013 Proceedings of the 24th.

Tan, P.N., Steinbach, M., Kumar, V., (2006) Introduction to Data Mining, Boston: Pearson Education.

Yuepeng, C., Yaping, Z., Yanli, M., Yuqin, F., (2007), cluster analysis on evaluation indicators of driver characteristics, Poceedings of the 2007 IEEE Intelegentt Transportation Systems Conference Seattle,USA.

Article Metrics

Abstract view: 329 times
Download     : 558   times

Creative Commons License
This work is licensed under a Creative Commons Attribution 4.0 International License.

Refbacks

  • There are currently no refbacks.