Analisis Tingkat Kepuasan Mahasiswa Terhadap Perkuliahan Daring Di Era Covid 19 Menggunakan K-Means Clustering
Abstract
Penyakit Covid 19 atau yang sering disebut dengan Virus Corona saat ini sedang menjadi perhatian dunia salah satunya di Indonesia. Dampak dari covid 19 di Indonesia merambat ke berbagai sektor terutama sektor pendidikan yang mengakibatkan perubahan besar dalam proses pembelajaran. Tingkat keefektifan serta tingkat kepuasan siswa terhadap proses pembelajaran sangat dipengaruhi oleh pembelajaran yang dilaksanakan secara daring, yang berdampak tidak hanya pada perubahan perilaku siswa tetapi juga pada cara mengajar. Sehingga terdapat ketidakpuasan serta tanggapan yang berbeda dalam proses belajar mengajar dari mahasiswa/i dikarenakan jaringan yang sering terganggu dan terbatasnya kouta internet. Tujuan dari penelitian ini yaitu mengukur tingkat kepuasaan mahasiswa/i terhadap proses belajar mengajar yang dilakukan secara daring, dengan menggunakan metode K-Means clustering berdasarkan perspektif mahasiswa/i. Penelitian ini melibatkan 1406 responden dari hasil pembagian kuisoner melalui google form, kemudian data yang diperoleh akan dianalisis menggunakan software phyton untuk membantu dalam proses analisis. Hasil penelitian ini menunjukan bahwa data yang diperoleh dari empat kategori tingkat kepuasan mahasiswa/i yaitu cluster 1 kategorinya baik persentase 39,5 %, cluster 2 kategorinya kurang baik persentase 16,1 %, cluster 3 kategorinya sangat baik persentase 15,9 %, dan cluster 4 kategorinya cukup baik persentase 28,4 %.
References
Darmi, Y. D., & Setiawan, A. (2017). Penerapan Metode Clustering K-Means Dalam Pengelompokan Penjualan Produk. Jurnal Media Infotama, 12(2), 148–157. https://doi.org/10.37676/jmi.v12i2.418
Elyana, D., Wulandari, A. A., & Mulyani, O. B. T. (2022). Peningkatan Prestasi Belajar Matematika Siswa dalam Pembelajaran Jarak Jauh Berbasis Video. Plusminus: Jurnal Pendidikan Matematika, 2(1), 77–86. https://doi.org/10.31980/plusminus.v2i1.1540
Retnoningsih, E., & Pramudita, R. (2020). Mengenal Machine Learning Dengan Teknik Supervised Dan Unsupervised Learning Menggunakan Python. Bina Insani Ict Journal, 7(2), 156. https://doi.org/10.51211/biict.v7i2.1422
Satyo, A., & Karno, B. (2020). Prediksi Data Time Series Saham Bank BRI Dengan Mesin Belajar LSTM ( Long ShortTerm Memory ). 1(1), 1–8.
Sianipar, K. D. R., Siahaan, S. W., Siregar, M., R.H Zer, F. I., & Hartama, D. (2020). Penerapan Algoritma K-Means Dalam Menentukan Tingkat Kepuasan Pembelajaran Online Pada Masa Pandemi Covid-19. Jurnal Teknologi Informasi, 4(1), 101–105. https://doi.org/10.36294/jurti.v4i1.1258
Syahrudin, A. N., & Kurniawan, T. (2018). Input dan Output pada Bahasa Pemrograman Python. Jurnal Dasar Pemrograman Python STMIK, June 2018, 1–7. https://www.researchgate.net/publication/338385483
Winarta, A., & Kurniawan, W. J. (2021). Optimasi Cluster K-means Menggunakan Metode Elbow pada Data Pengguna Narkoba dengan Pemrograman Python. Jurnal Teknik Informatika Kaputama (JTIK), 5(1), 113–119.
Winata, P. A. (2022). Klasifikasi Naive Bayes Keparahan Trauma Pasien Menggunakan Data Neuro Cognitive Dan Data Physiologic Dengan Python. Eminar Nasional Matematika, Geometri, Statistika, Dan Komputas, 99–109. https://jurnal.unej.ac.id/index.php/prosiding/article/view/33500/11662
Copyright (c) 2023 Theresia Avila Babu (Author); Darsono Nababan
This work is licensed under a Creative Commons Attribution 4.0 International License.
