PENGELOMPOKAN KOMPETENSI DATABASE MAHASISWA TEKNIK INFORMATIKA UMG MENGGUNAKAN METODE K-HARMONIC MEANS

Database merupakan hal yang sangat penting untuk menyimpan semua data-data penting agar mudah diakses kembali dengan cepat. Oleh karena itu Universitas terutama Jurusan Teknik Informatika wajib meningkatkan mutu pendidikan dengan memperbaiki sistem pendidikan agar menciptakan lulusan yang mempunyai...

Full description

Bibliographic Details
Main Author: ANSHORI, MUHAMMAD NIZAM AL
Format: Thesis
Language:English
Published: 2014
Subjects:
Informatics Engineering
Engineering
DML
Online Access:http://eprints.umg.ac.id/1553/
http://eprints.umg.ac.id/1553/1/Abstrak.pdf
http://eprints.umg.ac.id/1553/2/BAB%20I.pdf
http://eprints.umg.ac.id/1553/3/BAB%20II.pdf
http://eprints.umg.ac.id/1553/4/BAB%20III.pdf
http://eprints.umg.ac.id/1553/5/BAB%20IV.pdf
http://eprints.umg.ac.id/1553/6/BAB%20V.pdf
http://eprints.umg.ac.id/1553/7/Daftar%20Pustaka.pdf
http://digilib.umg.ac.id/gdl.php?mod=browse&op=read&id=jipptumg--muhammadni-1330&q=PENGELOMPOKAN%20KOMPETENSI%20DATABASE%20MAHASISWA%20TEKNIK%20INFORMATIKA%20UMG%20MENGGUNAKAN%20METODE%20K-HARMONIC%20MEANS
Description
Summary:Database merupakan hal yang sangat penting untuk menyimpan semua data-data penting agar mudah diakses kembali dengan cepat. Oleh karena itu Universitas terutama Jurusan Teknik Informatika wajib meningkatkan mutu pendidikan dengan memperbaiki sistem pendidikan agar menciptakan lulusan yang mempunyai kompetensi database yang bagus dan bisa bersaing di dunia kerja. Sehingga dibutuhkan sistem yang bisa mengetahui klaster-klaster mahasiswa berdasarkan kompetensi database sebagai acuan tingkat keberhasilan sistem pendidikan dan perbaikan metode pengajaran mata kuliah database. Sistem klastering kompetensi database mahasiswa ini menggunakan metode K-Harmonic Means. Metode KHM ini diciptakan oleh Zhang , Hsu dan Dayal untuk memperbaiki kelemahan metode K-Means yang dipengaruhi pemilihan centroid awal secara acak dan menghasilkan klaster yang lebih konvergen. Pengelompokan dilakukan dengan menggunakan atribut-atribut penilaian kompetensi database dasar, SQL DDL, SQL DML, database agregasi dan database advance. Hasil uji sistem dengan evaluasi klaster internal Davies-Bouldin Index yang paling bagus yakni 0,167 dengan mengelompokkan mahasiswa menjadi 2 dan 3 klaster. Dengan jumlah prosentase 23,53 % mahasiswa kompetensi database rendah, 34,12 % mahasiswa kompetensi database sedang dan 42,35 % mahasiswa kompetensi database tinggi.

Similar Items