Modifikasi Kaedah Hierarchical Clustering Analisis Corak Tingkah Laku dan Interpersonalitas Pelajaran Dalam Pembelajaran Talian

• Main Author: Agung, Triayudi
• Format: Thesis
• Language: English; English
• Published: 2020
• Subjects: T Technology (General)
• Online Access: http://ur.aeu.edu.my/763/1/Thesis_Agung%28C7010915003%29%20%28Melayu%29%20%281%29.pdf; http://ur.aeu.edu.my/763/2/Thesis_Agung%28C7010915003%29%20%28Melayu%29%20%281%29-1-24.pdf; http://ur.aeu.edu.my/763/; https://online.fliphtml5.com/sppgg/iyfl/?1596008031931
• Institution: Asia e University

Tesis ini membentangkan kaedah baru untuk memproses kluster data dengan menggunakan algoritma gabungan ALDID (average linkage dissimilarity increment distribution) dengan GCSS (global cumulative score standart). Algoritma ini telah menunjukkan dapat meningkatkan hasil penyelesaian kluster melalui peningkatan dalam kriteria pengasingan kluster. Algoritma ini dapat mengatasi masalah fleksibiliti antara kluster dengan menganalisis kenaikan perbezaan antara corak dan triplet jiran terdekat. Corak ini digabungkan dengan kriteria global berdasarkan kenaikan progresif dalam tahap kedekatan kumulatif dalam setiap kelompok. Menggunakan algoritma gabungan ALDID-GCSS dapat meningkatkan nilai validasi cophenetic correlation coefficient (CPCC) dan silhouette coefficient (S) dalam 5 dataset sebenar, iaitu Iris, Wine, SAD, WDBC#1 dan WDBC#2 berbanding dengan hasil dari penyelidikan sebelumnya yang menggunakan algoritma LSS-GCSS. Algoritma ALDID-GCSS juga telah diuji pada 14 dataset dengan pelbagai jenis data dari machine learning repository iaitu Arrhythmia, Auto-mpg, Echocardiogram, Glass, Haberman, Hepatitis, Horse-colic, Ionosphere, Libras Movement, Seeds, Perfume Data, Sales Transactions Weekly, Mturk, Absenteeism. Dari hasilnya, ia menunjukkan bahawa algoritma ALDID-GCSS terbukti dapat berkumpul pelbagai jenis senario pengelompokan dengan skor tinggi dalam pengukuran nilai korelasi dan nilai siluet. Algoritma baru ini juga telah berjaya dilaksanakan dalam menganalisis tingkah laku pelajar dalam talian dan model interpersonal dengan 5 data yang diproses dari data pelajar Open and distance Learning (ODL) University di Malaysia iaitu "submission", "course modul", "discussion", "course view", "observe". Kaedah ALDID-GCSS yang dicadangkan telah menghasilkan 8 model corak tingkah laku iaitu "initiator", "contributor", "facilitator", "knowledge elicitor", "vicarious acknowledger", "complicator", "closer", "passive learner". Dan 13 model corak interpersonal pelajar, iaitu "support", "disclosure", "appraisal", "humor", "inquiry", "inform", "opposition", "other", "chastisiment", "advocacy", "sarcasm", "ask", "reserve". Sumbangan utama dalam tesis ini ialah algoritma gabungan ALDID-GCSS ini telah terbukti dapat menangani jurang dalam pengukuran jarak antara pokok kluster dalam sub-kluster dan kelompok utama. Di samping itu, algoritma baru ini dapat memperoleh koleksi objek perwakilan yang lebih kecil, yang menyokong penerapan panjang keterangan minimum dan algoritma baru ini dapat mengatasi masalah fleksibiliti. antara kluster. Hasil pemodelan kluster corak tingkah laku dan interpersonal pelajar yang boleh digunakan sebagai rujukan berharga untuk universiti atau sekolah dan guru yang menerapkan sistem pembelajaran pembelajaran dalam talian untuk menentukan strategi yang tepat untuk pelajar supaya mereka boleh diarahkan ke dalam strategi yang sesuai dengan ciri-ciri setiap pelajar.