ANALISIS PENINGKATAN KEPUASAN LAYANAN MAHASISWA MENGGUNAKAN ALGORITMA K-MEANS CLUSTERING DAN GAUSSIAN MIXTURE MODELS (GMM)

ANALISIS PENINGKATAN KEPUASAN LAYANAN MAHASISWA MENGGUNAKAN ALGORITMA K-MEANS CLUSTERING DAN GAUSSIAN MIXTURE MODELS (GMM), Pelayanan, K-Means Clustering...

Author: ADEK MAULIDYA
Date: 2024
Keywords: Pelayanan, K-Means Clustering
Type: Thesis
Category: penelitian

Penelitian ini menganalisis perbandingan antara dua algoritma analisis klaster, yaitu K-Means Clustering dan Gaussian Mixture Models (GMM), dengan tujuan memperoleh pemahaman yang lebih mendalam tentang struktur data dan kecocokan model. Hasil analisis menunjukkan bahwa nilai siluet skor dari penggunaan algoritma K-Means sebesar 0,44528 menandakan pengelompokan klaster yang relatif baik, sementara penggunaan Gaussian Mixture Models menghasilkan nilai siluet skor -0,500119 menunjukkan ketidakcocokan antara titiktitik data dalam klaster dan kemungkinan tumpang tindih antara klaster. Oleh karena itu, kesimpulan menyatakan bahwa berdasarkan nilai siluet skor, penggunaan algoritma K-Means Clustering lebih baik karena menghasilkan pengelompokan klaster yang lebih baik dan kohesif. Dari hasil analisis ini adalah bahwa kampus dapat menggunakan informasi tersebut untuk memahami kebutuhan mahasiswa secara lebih efektif dan mengambil langkah-langkah perbaikan yang sesuai.

Files:
LEMBAR JUDUL 1
DAFTAR PUSTAKA
ABSTRAK

Collections:
Digital Library UNPAB