Analisis Perbandingan K-Means dan Fuzzy C-Means untuk Pemetaan Motivasi Balajar Mahasiswa

Nur Hidayah Selviana (2Laboratorium Data Mining Program Studi Sistem Informasi, Fakultas Sains dan Teknologi Universitas Islam Negeri Sultan Syarif Kasim Riau)

Seminar Nasional Teknologi Informasi Komunikasi dan Industri
2016: SNTIKI 8

Perkembangan teknologi informasi memungkinkan semakin mudahnya memperoleh data dan informasi dalam jumlah yang besar. data mining mampu memanajemen informasi dalam jumlah yang besar, salah satu teknik data mining adalah clustering. Penelitian ini menggunakan algoritma K-Means dan Fuzzy C-Means. Terdapat empat kategori pengukuran motivasi belajar yaitu, Attention, Relevance, Confidence, Satifaction. Strategi pembelajaran yang digunakan yaitu, e-learnig, praktek lapangan dan praktikum lab. Hasil penelitian ini menunjukkan bahwa prektikum lab yang lebih unggul penerapannya hal ini dibuktikan k-means dengan hasil e-learning 29,6%, praktek lapangan 34,9% dan praktikum lab 35,4%. Fuzzy C-Means dengan hasil e-learning 29,6%, praktek lapangan 34,9% dan praktikum lab 35,4%. Berdasarkan hasil validasi cluster k-means 0,2896 dan Fuzzy C-Means 0,5098 menunjukkan bahwa algoritma Fuzzy C-Means lebih baik dibandingkan dengan algoritma k-means.Kata Kunci : Fuzzy C-Means, K-Means Clustering, motivasi belajar, strategi pembelajaran.