PENERAPAN METODE CLUSTERING DENGAN ALGORITMA K-MEANS PADA PENGELOMPOKAN INDEKS PRESTASI AKADEMIK MAHASISWA
Notice bibliographique
Résumé
Proses evaluasi hasil prestasi akademik mahasiswa sangat diperlukan sebagai upaya untuk memantau perkembangan akademik mahasiswa. Pengelompokan mahasiswa sesuai dengan hasil perolehan prestasi akademik sangat diperlukan. Salah satu kegunaan adalah sebagai proses pemetaan mahasiswa yang dapat diperkirakan dapat lulus teat waktu dan mahasiswa yang perolehan nilainya masih rendah sehingga perlu adanya pendampingan Tujuan pengelompokan ini dapat digunakan sebagai pemetaan indeks prestasi mahasiswa. Penelitian yang dilakukan bertujuan memberikan alternatif pengelompokan prestasi akademik berdasar pada proses data mining dengan menggunakan model klasterisasi. Metode penelitian menggunakan metode Knowledge Discovery in Database. Metode data mining dengan Knowledge Discovery in Database terdiri dari selection, pre-processing, transformation, model dan evaluation. Datasheet yang digunakan merupakan kumpulan data indeks prestasi mahasiswa yang diolah dari perolehan indeks prestasi mahasiswa semester 1 sampai 6. Model klastering dibangun dengan menggunakan algoritma K-Means. Hasil penelitian menghasilkan pengelompokan yang terbaik adalah pengelompokan sebanyak 2, Proses untuk mendapatkan pengelompokan yang terbaik dilakukan dengan menguji model dengan 6 pengelompokan. Hasil Pengelompokan yang terbaik dilakukan dengan pengujian Davies Bouldin. Kesimpulan penelitian dengan hasil 2 kelompok tersebut dapat diberi kategori, cluster 0 dengan nama kategori bagus dan cluster 1 dengan kategori tidak bagus
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,003 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,008 | 0,005 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».