Optimasi K-MEANS Untuk Clustering Kinerja Akademik Dosen Menggunakan Algoritme Genetika

Santoso, Budi (2017) Optimasi K-MEANS Untuk Clustering Kinerja Akademik Dosen Menggunakan Algoritme Genetika. Sarjana thesis, Universitas Brawijaya.

Abstract

Dosen merupakan pengajar mahasiswa, selain mengajar dosen juga memiliki banyak kegiatan lain dengan memanfaatkan keahlian yang dimiliki untuk mengembangkan potensi dari dosen tersebut. Beberapa karakter yang dimiliki oleh setiap dosen sangat berbeda, diantaranya yaitu pendidikan, penelitian, pengabdian, administrasi, dan penunjang. Kesulitan yang dihadapi oleh kampus salah satunya yaitu terkait pengelompokkan penugasan terhadap dosen. Penugasan tersebut berhubungan dengan studi lanjut, rekomendasi, jabatan terkait structural, mengisi suatu acara, kepanitian, dan lain lain. Sehingga dibutuhkan suatu sistem yang bisa mengkelompokan kinerja akademik dosen secara optimal. Pada penelitian ini untuk mengelompokkan kinerja akademik dosen mneggunakan metode K-Means yang dioptimasi dengan algoritme genetika. Algoritme genetika berperan untuk mengoptimasi pusat awal cluster pada algoritme K-Means. Data yang digunakan dalam penelitian ini merupakan data dosen yang ada di fakultas ilmu Komputer Universitas Brawijaya pada tahun 2016. Data tersebut diperoleh dari GJM fakultas ilmu komputer universitas brawijaya. Hasil pengujian pada clustering kinerja akademik dosen menggunakan algoritme GA-Kmeans memiliki kualitas cluster lebih tinggi yaitu sebesar 2,74% dibandingkan dengan algoritme K-Means tanpa algoritme genetika, dimana kualitas cluster yang diperoleh menggunakan metode Silhouette Coefficient.

English Abstract

Lecturers are teacher for students, besides teaching, lecturers also have many other activities by utilizing the expertise they have to develop the potential of the lecturer. Some of the characters that each lecturer are so different, such as education, research, dedication, administration, and support. The difficulties faced by the campus, one of them is related to the grouping of assignments to lecturers. The assignment is related to further studies, recommendations, structural related positions, filling an event, commission, etc.So that required a system that can classify the academic performance of lecturers optimally. In this study to classify the academic performance of lecturers using K-Means method is optimized with genetic algorithm. Genetic algorithm acts to optimize the cluster's initial center on K-Means.Data algorithm used in this research is the data of lecturers in UB's Computer Science faculty in 2016. The data obtained from GJM faculty of computer science of Universitas Brawijaya. The result of clustering test of academic performance of lecturer using GA-Kmeans algorithm has higher cluster quality that is 2,74% compared to K-Means algorithm without genetic algorithm, where the cluster quality obtained using Silhouette Coefficient method.

Item Type: Thesis (Sarjana)
Identification Number: SKR/FTIK/2017/340/051706382
Uncontrolled Keywords: kinerja akademik dosen, GA-Kmeans, silhouett coefficient
Subjects: 000 Computer science, information and general works > 004 Computer science > 004.015 1 Finite mathematic
Divisions: Fakultas Ilmu Komputer > Teknik Informatika
Depositing User: Kustati
Date Deposited: 22 Aug 2017 07:32
Last Modified: 01 Dec 2020 16:02
URI: http://repository.ub.ac.id/id/eprint/1525
[thumbnail of Budi Santoso.pdf] Text
Budi Santoso.pdf

Download (7MB)
[thumbnail of Thumbnails conversion from text to thumbnail_lightbox] Other (Thumbnails conversion from text to thumbnail_lightbox)
lightbox.jpg

Download (52kB)
[thumbnail of Thumbnails conversion from text to thumbnail_preview] Other (Thumbnails conversion from text to thumbnail_preview)
preview.jpg

Download (19kB)
[thumbnail of Thumbnails conversion from text to thumbnail_medium] Other (Thumbnails conversion from text to thumbnail_medium)
medium.jpg

Download (5kB)
[thumbnail of Thumbnails conversion from text to thumbnail_small] Other (Thumbnails conversion from text to thumbnail_small)
small.jpg

Download (1kB)

Actions (login required)

View Item View Item