IMPLEMENTASI METODE FUZZY C-MEANS DAN K-MEANS UNTUK SEGMENTASI SISWA DALAM LMS MOODLE

Metafiliana, Muhamad Rizfardi (2016) IMPLEMENTASI METODE FUZZY C-MEANS DAN K-MEANS UNTUK SEGMENTASI SISWA DALAM LMS MOODLE. S1 thesis, Universitas Pendidikan Indonesia.

Abstract

Penelitian ini dilatarbelakangi dengan oleh keterbatasan kemampuan pengelola untuk mengawasi dan monitoring siswa dalam pembelajaran yang menggunakan learning management system (LMS). LMS moodle dapat menghasilkan suatu informasi dari data-data penggunanya, karena volume data tersebut besar maka salah satu solusi yang dapat digunakan untuk mengelolanya adalah data mining. Penelitian ini menggagas penerapan data mining yaitu clustering menggunakan algoritma fuzzy c-means dan k-means untuk menyelesaikan persoalan tersebut. Clustering dipakai untuk membuat segmentasi siswa berupa klaster-klaster atau segmen-segmen berdasarkan tiga atribut yaitu 1. Frekuensi login, 2. Frekuensi melihat forum, dan 3. Yaitu jumlah enrol. Data yang digunakan pada penelitian ini menggunakan 974 buah data, dan telah berhasil mendapatkan klaster-klaster dan segmen-segmen yang spesifik. Segmen-segmen tersebut selanjutnya dapat dimaknai atau dapat dipakai sebagai bahan dasar untuk melakukan treatmen pada masing-masing segmen yang dianggap masih kurang atau lemah.;--- This research is motivated by the lack of capability of teacher or education support on student monitoring in Learning Management System (LMS). LMS Moodle store informations of user when using the system, because the information data volume are massive, data mining methods can extract information from massive volume data. This research, propose implementation of the data mining methods clustering with fuzzy c-means and k-means algorithm. Clustering used to produce segments from cluster of students, base on three attributes which 1. Login frequency; 2. View forum frequency; 3. Total sudents enrol. Data for this research use 974 data of student with their attributes from moodle database are generated, and the segments are successfully produced specifically. The segments is analyzed to be a information for applying treatments on each segments that considered have low value.

Preview	Text S_IKOM_1203921_Title.pdf Download (163kB) | Preview
Preview	Text S_IKOM_1203921_Abstract.pdf Download (100kB) | Preview
Preview	Text S_IKOM_1203921_Table_of_content.pdf Download (330kB) | Preview
Preview	Text S_IKOM_1203921_Chapter1.pdf Download (111kB) | Preview
	Text S_IKOM_1203921_Chapter2.pdf Restricted to Staf Perpustakaan Download (1MB)
Preview	Text S_IKOM_1203921_Chapter3.pdf Download (112kB) | Preview
	Text S_IKOM_1203921_Chapter4.pdf Restricted to Staf Perpustakaan Download (328kB)
Preview	Text S_IKOM_1203921_Chapter5.pdf Download (59kB) | Preview
Preview	Text S_IKOM_1203921_Bibliography.pdf Download (105kB) | Preview
	Text S_IKOM_1203921_Appendix.pdf Restricted to Staf Perpustakaan Download (500kB)

Item Type:	Thesis (S1)
Additional Information:	No.panggil : S IKOM MET i-2016; Pembimbing : I.Budi Laksono Putro, II.Herbert Siregar.
Uncontrolled Keywords:	Segmentasi, Clustering, fuzzy c-means, k-means, Moodle.
Subjects:	T Technology > T Technology (General)
Divisions:	Fakultas Pendidikan Matematika dan Ilmu Pengetahuan Alam > Program Studi Pendidikan Ilmu Komputer
Depositing User:	Mr mhsinf 2017
Date Deposited:	22 Jan 2018 01:56
Last Modified:	22 Jan 2018 01:56
URI:	http://repository.upi.edu/id/eprint/28603

Actions (login required)

View Item