PENGELOMPOKKAN KEPUASAN SISWA TERHADAP PEMBELAJARAN DARING MENGGUNAKAN ALGORITMA K-MEDOIDS
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
MTs Darussalam Kademangan merupakan salah satu sekolah yang melaksanakan pembelajaran daring di masa pandemi Covid-19. Kebiasaan siswa mulai berubah, tidak ada lagi bersosialisasi, bersenda gurau, berdiskusi, serta bekerja kelompok sesama siswa. Dengan adanya permasalahan tersebut, perlu dibuat kelompok – kelompok yang merupakan kualifikasi dari hasil evaluasi pembelajaran untuk memetakan hasil penilaian proses pembelajaran dengan menggunakan algoritma K-Medoids. Jenis penelitian ini adalah penelitian deskriptif. Tujuan dalam penelitian ini adalah mendeskripsikan kepuasan siswa terhadap proses pembelajaran Daring di masa pandemi Covid-19. Sehingga metode penelitian yang digunakan adalah metode penelitian kuantitatif. Mendeskripsikan hal tersebut maka digunakan teknik survei. Teknik survei adalah suatu bentuk kegiatan yang sudah menjadi kelaziman bagi masyarakat ilmiah. Dalam penelitian ini yang menjadi subjek penelitian adalah siswa kelas 8 dan 9 MTS Darussalam Kademangan. Dan yang menjadi objek penelitian adalah mengetahui tingkat kepuasan terhadap pembelajaran Daring sebagai aktivitas proses pembelajaran sekolah bagi siswa Berdasarkan penelitian yang telah dilakukan, dapat ditarik kesimpulan: 1. Pengelompokkan kepuasan siswa dalam pembelajaran daring menggunakan algoritma K-Medoids menghasilkan 5 cluster. Cluster yang terbentuk antara lain: 10 anggota berada pada cluster 0 dengan kategori sangat puas, 7 anggota berada pada cluster 1 dengan kategori puas, 17 anggota berada pada cluster 2 dengan kategori cukup puas, 67 anggota berada pada cluster 3 dengan kategori tidak puas, dan 91 anggota berada pada cluster 4 dengan kategori cukup puas.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,003 |
| Science ouverte | 0,004 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,006 |
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