Student academic performance analysis using fuzzy <i>C</i>-means clustering

Rosadi, Rudi; Akamal,; Sudrajat, R.; Kharismawan, B.; Hambali, Y.A.

doi:10.1088/1757-899x/166/1/012036

Cited by 3 publications

(2 citation statements)

References 0 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Berdasarkan hasil proses Clustering 4255 data akademik mahasiswa diperoleh 4 cluster. Cluster dengan kategori prestasi terbaik yaitu pada cluster 3 berjumlah 1753 mahasiswa, cluster 4 sebanyak 1496 mahasiswa, cluster 2 berjumlah 676 mahasiswa dan cluster 1 berjumlah 330 mahasiswa [10]. Sedangkan penelitian yang penulis lakukan membahas tingkat kepuasan mahasiswa menggunakan metode Fuzzy C-Means dan diperoleh 303 mahasiswa merasa puas dan 197 mahasiswa merasa tidak puas.…”

Section: Rosadi Et Al 2017unclassified

Implementation of Fuzzy C-Means to Determine Student Satisfaction Levels in Online Learning

M.Kom

Nasution²,

Aidilof³

et al. 2022

SISTEMASI

View full text Add to dashboard Cite

Pembelajaran secara online merupakan solusi yang terbaik di masa pandemi covid-19, sehingga menyebabkan perbedaan pada proses pembelajaran yang biasanya dilakukan dosen secara tatap muka dengan mahasiswa. Perubahan proses pembelajaran ini diharapkan dapat dilaksanakan secara efektif dan efisien. Tujuan dari penelitian ini untuk mengetahui bagaimana tingkat kepuasan mahasiswa dalam pembelajaran online dan menghasilkan sistem yang dapat meng-cluster tingkat kepuasan mahasiswa dengan menggunakan metode Fuzzy C-Means. Variabel yang digunakan pada penelitian ini ada 3 parameter yaitu proses belajar mengajar, kompetensi dosen, sarana dan prasarana. Tahapan yang dilakukan pada penelitian ini yaitu pengumpulan data kuesioner yang diisi oleh mahasiswa Teknik Informatika Universitas Malikussaleh sebanyak 500 mahasiswa, data yang diperoleh diolah berdasarkan rata-rata jawaban mahasiswa. Dari data yang telah diperoleh akan membentuk 2 cluster yaitu puas dan tidak puas pada pembelajaran online menggunakan metode Fuzzy C-Means. Hasil clustering dari 500 data diperoleh 303 mahasiswa merasa "puas" dan sebanyak 197 mahasiswa merasa "tidak puas" dalam pembelajaran online yang dilakukan, untuk cluster 1 (mahasiswa puas) dengan nilai rata-rata proses belajar mengajar 7,389, kompetensi dosen 7,863 dan sarana dan prasarana 7,8883. Cluster 2 (mahasiswa tidak puas) dengan nilai rata-rata proses belajar mengajar 4,466, kompetensi dosen 5,069 dan nilai sarana dan prasarana 5,424. Kontribusi dari penelitian ini untuk membantu pengelola Jurusan Teknik Informatika Universitas Malikussaleh untuk mengevaluasi dan meningkatkan proses pembelajaran secara daring.

show abstract

Section: Rosadi Et Al 2017unclassified

Implementation of Fuzzy C-Means to Determine Student Satisfaction Levels in Online Learning

M.Kom

Nasution²,

Aidilof³

et al. 2022

SISTEMASI

View full text Add to dashboard Cite

show abstract

“…Wu et al (2017) used a combination of factor analysis and cluster analysis to evaluate students' performance and finally classified students into several clusters through cluster analysis based on factor scores for objective and comprehensive evaluation. Rosadi et al (2017) grouped data by fuzzy C-mean clustering algorithm when assessing students' academic performance and validated their application. Wang (2022) improved the K-means algorithm based on student information to address the problem of large course differences in the evaluation of student performance and proved that the improved pan of this paper has obvious advantages through data.…”

Section: Introductionmentioning

confidence: 99%

A Novel Grey Fuzzy Clustering Model and its Application on Students’ Performance Evaluation

Yang,

Liu,

Xie

2024

IJGS

View full text Add to dashboard Cite

Aiming to address the issues of traditional student evaluation methods, which tend to be overly subjective and overlook the intrinsic data structure, this paper introduces a novel grey fuzzy clustering model named the grey entropy game-weighted fuzzy c-means (GEG-WFCM) model. Firstly, subjective weights are calculated using the subjective-objective relationship analysis method, while objective weights are determined through the entropy weight method. Then, a comprehensive approach is adopted, leveraging game theory to calculate the final weights. Based on these comprehensive weights, the relative grey correlation coefficient and fuzzy weighted c-mean algorithm are incorporated to yield the ultimate evaluation results. The proposed model was applied to evaluate student performance, and the experiments show that it can obtain scientific and reasonable results. The model not only acknowledges the expertise of experts but also respects the objectivity of the data, thus circumventing the limitations of purely subjective judgments, and surpassing traditional evaluation methods.

show abstract

Fuzzy Logic-Based Software Systems

Chrysafiadi

2023

Learning and Analytics in Intelligent Systems

View full text Add to dashboard Cite

Student academic performance analysis using fuzzy C-means clustering

Cited by 3 publications

References 0 publications

Implementation of Fuzzy C-Means to Determine Student Satisfaction Levels in Online Learning

Implementation of Fuzzy C-Means to Determine Student Satisfaction Levels in Online Learning

A Novel Grey Fuzzy Clustering Model and its Application on Students’ Performance Evaluation

Fuzzy Logic-Based Software Systems

Contact Info

Product

Resources

About