UMIUMI

METHOMIKA: Jurnal Manajemen Informatika & Komputerisasi AkuntansiMETHOMIKA: Jurnal Manajemen Informatika & Komputerisasi Akuntansi

Salah satu kunci sukses dalam pembelajaran adalah penentuan gaya belajar siswa. Gaya belajar dikelompokkan menjadi 3 kelompok, pengelompokkan gaya belajar dengan berdasarkan karakteristik yang dimiliki mahasiswa. Data sempel yang digunakan untuk 3 kelas pada matakuliah kecerdasan buatan dengan jumlah data 83 mahasiswa yang menjawab 36 pertanyaan. Untuk dapat melakukan pemetaan mahasiswa dengan menggunakan metode k modes untuk melakukan clustering. Metode K modes digunakan karena data yang digunakan bersifat kategorikal. K modes dapat digunakan untuk pengklasteran berdimensi banyak dan waktu komputasi yang lebih singkat. Dengan adanya aplikasi clustering untuk pengelompokkan gaya belajar mahasiswa dengan sampel 83 mahasiswa dengan menjawab 36 pertanyaan untuk dapat dibagi menjadi 3 kelompok maka dihasilkan untuk kelompok visual sebanyak 37 mahasiswa, untuk kelompok auditorial sebanyak 31 mahasiswa dan untuk kinestetik sebanyak 15 mahasiswa. Pada tahapan pengujian menggunakan pengujian blackbox. Dengan mengetahui kelompok gaya belajar, maka mahasiswa dapat dengan mudah dalam belajar dan menyerap informasi.

Dengan aplikasi clusteing untuk mengetahui gaya belajar mahasiswa dengan menggunakan metode k modes dapat melakukan pemetaan mahasiswa dengan mengelompokkan mahasiswa dengan berdasarkan karakteristik yang dimiliki, Dari data mahasiswa yang sebanyak 83 mahasiswa dibagi menjadi 3 kelompok, untuk kelompok visual sebanyak 37 mahasiswa, untuk kelompok auditorial sebanyak 31 mahasiswa dan untuk kinestetik sebanyak 15 mahasiswa.Dengan mengetahui kelompok gaya belajar maka mahasiswa dapat dengan mudah dalam belajar dan menyerap informasi.

Salah satu arah penelitian selanjutnya adalah menguji penerapan metode K‑Modes pada populasi mahasiswa yang lebih besar dan berasal dari berbagai program studi serta kampus lain untuk mengetahui apakah pola pengelompokan gaya belajar yang ditemukan tetap konsisten. Penelitian juga dapat membandingkan efektivitas K‑Modes dengan algoritma clustering lain seperti K‑Means, hierarchical clustering, atau DBSCAN dalam mengidentifikasi gaya belajar visual, auditorial, dan kinestetik, serta mengevaluasi akurasi dan waktu komputasi masing‑masing. Selain itu, dikembangkan studi yang menyelidiki integrasi hasil clustering ke dalam sistem pembelajaran adaptif, sehingga materi dan strategi pengajaran dapat disesuaikan secara dinamis berdasarkan kelompok gaya belajar yang terdeteksi, dan menilai dampaknya terhadap prestasi akademik serta kepuasan mahasiswa. Penelitian-penelitian tersebut diharapkan dapat memperluas validitas aplikasi K‑Modes dalam konteks pendidikan tinggi dan memberikan kontribusi praktis bagi desain kurikulum yang lebih responsif.

  1. PENERAPAN k-MODES CLUSTERING DENGAN VALIDASI DUNN INDEX PADA PENGELOMPOKAN KARAKTERISTIK CALON TKI MENGGUNAKAN... doi.org/10.14710/j.gauss.v10i3.32790PENERAPAN k MODES CLUSTERING DENGAN VALIDASI DUNN INDEX PADA PENGELOMPOKAN KARAKTERISTIK CALON TKI MENGGUNAKAN doi 10 14710 j gauss v10i3 32790
  2. PENERAPAN MACHINE LEARNING UNTUK PENENTUAN SEGMENTASI MAHASISWA BARU DENGAN METODE K MODES | IC Tech:... doi.org/10.47775/ictech.v17i1.227PENERAPAN MACHINE LEARNING UNTUK PENENTUAN SEGMENTASI MAHASISWA BARU DENGAN METODE K MODES IC Tech doi 10 47775 ictech v17i1 227
  3. Implementasi Algoritma K-Modes Untuk Mengukur Tingkat Kepuasan Mahasiswa Terhadap Pembelajaran Daring... doi.org/10.47065/bits.v3i4.1401Implementasi Algoritma K Modes Untuk Mengukur Tingkat Kepuasan Mahasiswa Terhadap Pembelajaran Daring doi 10 47065 bits v3i4 1401
Read online
File size463.86 KB
Pages6
DMCAReport

Related /

ads-block-test