PEMETAAN TINGKAT MOTIVASI MAHASISWA DENGAN PENDEKATAN KLASTERING

Nunik Purwaningsih, Yuli Suwarno

Abstract


Pada institusi pendidikan vokasi, selain pembekalan keterampilan kerja, peningkatan motivasi mahasiswa merupakan salah satu hal yang perlu mendapat perhatian. Dalam rangka mempersiapkan program dan kegiatan yang tepat untuk meningkatkan motivasi mahasiswa maka diperlukan pemetaan mahasiswa berdasarkan parameter yang menggambarkan motivasi. Tujuan dari penelitian ini adalah memetakan mahasiswa dengan melakukan pengelompokan berdasarkan parameter skor yang mengukur tingkat kebutuhan mereka. Terdapat 8 buah parameter yang digunakan yaitu KKM-I, KKM-II, KKM-III, KKM-IV, KKM-V, n- ACH, n-AFF, dan n-POW. Menggunakan metode clustering dengan algoritma k-means, data mahasiswa sejumlah 214 dibagi menjadi tiga kelompok. Dari percobaan didapatkan hasil rerata prosentase jumlah record setiap kelompok adalah 53%, 31%, dan 17%. Kelompok dengan prosentase jumlah terbesar cenderung memiliki skor tinggi untuk parameter KKM-I, KKM-II, KKM-III, KKM-IV, dan KKM-V, serta skor sedang untuk parameter yang lain.


References


Depdiknas, Undang-Undang RI No. 20 Tahun 2003, tentang Pendidikan Nasional. 2003.

A. Bandura, “Self-efficacy: Toward a unifying theory of behavioral change,” Psychol. Rev., vol. 84, no. 2, pp. 191–215, 1977.

D. H. Schunk, “Self-Efficacy and Achievement Behaviors,” Educ. Psychol. Rev., vol. 1, no. 3, pp. 173–208, 1989.

L. M. Moynihan, M. V. Roehling, M. A. LePine, and W. R. Boswell, “A Longitudinal Study of the Relationships among Job Search Self-Efficacy, Job Interviews, and Employment Outcomes,” J. Bus. Psychol., vol. 18, no. 2, pp. 207–233, 2003.

Hassan I. Ballout, “Career commitment and career success: moderating role of self‐efficacy,” Career Dev. Int., vol. 14, no. 7, pp. 655–670, Nov. 2009.

I. H. Witten, E. Frank, and M. A. Hall, Data Mining: Practical Machine Learning Tools and Techniques: Practical Machine Learning Tools and Techniques. Elsevier, 2011.

S. Ren, Q. Sun, Y. Shi, and S. Ren, “Customer segmentation of bank based on data warehouse and data mining,” in 2010 The 2nd IEEE International Conference on Information Management and Engineering (ICIME), 2010, pp. 349–353.

W.-C. Chang, S.-L. Chen, M.-F. Li, and J.-Y. Chiu, “Integrating IRT to Clustering Student’s Ability with KMeans,” in 2009 Fourth International Conference on Innovative Computing, Information and Control (ICICIC), 2009, pp. 1045–1048.

J. Jamesmanoharan, S. H. Ganesh, M. L. P. Felciah, and A. K. Shafreenbanu, “Discovering Students’ Academic Performance Based on GPA Using K-Means Clustering Algorithm,” in 2014 World Congress on Computing and Communication Technologies (WCCCT), 2014, pp. 200–202.

O. J. Oyelade, O. O. Oladipupo, and I. C. Obagbuwa, “Application of k Means Clustering algorithm for prediction of Students Academic Performance,” ArXiv10022425 Cs, Feb. 2010.

Harwati, A. P. Alfiani, and F. A. Wulandari, “Mapping Student’s Performance Based on Data Mining Approach (A Case Study),” Agric. Agric. Sci. Procedia, vol. 3, pp. 173–177, 2015.

B. Liu, Web Data Mining: Exploring Hyperlinks, Contents, and Usage Data. Springer Science & Business Media, 2007.

F. A. Freitas and L. J. Leonard, “Maslow’s hierarchy of needs and student academic success,” Teach. Learn. Nurs., vol. 6, no. 1, pp. 9–13, Jan. 2011.

A. Noltemeyer, K. Bush, J. Patton, and D. Bergen, “The relationship among deficiency needs and growth needs: An empirical investigation of Maslow’s theory,” Child. Youth Serv. Rev., vol. 34, no. 9, pp. 1862–1867, Sep. 2012.

Mojtaba Raeisi, Navid Hadadi, Rasoul Faraji, and Mir Hamid Salehian, “McClelland’s motivational needs: A case study of physical education teachers in West Azarbaijan,” Eur. J. Exp. Biol., vol. 2, no. 4, pp. 1231–1234., 2012.


Refbacks

  • There are currently no refbacks.