PENGELOMPOKKAN KEPUASAN SISWA TERHADAP PEMBELAJARAN DARING MENGGUNAKAN ALGORITMA K-MEDOIDS
Why this work is in the frame
A frame that forgets how it found something cannot be audited. These are the routes that admitted this work.
Bibliographic record
Abstract
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.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
Full frame distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.002 | 0.000 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.000 |
| Bibliometrics | 0.002 | 0.003 |
| Science and technology studies | 0.001 | 0.000 |
| Scholarly communication | 0.001 | 0.003 |
| Open science | 0.004 | 0.002 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.000 | 0.006 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from it