PENERAPAN METODE CLUSTERING DENGAN ALGORITMA K-MEANS PADA PENGELOMPOKAN INDEKS PRESTASI AKADEMIK MAHASISWA
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
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.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,003 |
| Études des sciences et des technologies | 0,002 | 0,000 |
| Communication savante | 0,003 | 0,004 |
| Science ouverte | 0,006 | 0,005 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,004 |
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 découle