Augmented Reality (AR) is a variation of the virtual environment or more often calledasAR technology users that can see the real world, with virtual objects added to the real world. So, users see virtual objects and real objects are in... more
Augmented Reality (AR) is a variation of the virtual environment or more often calledasAR technology users that can see the real world, with virtual objects added to the real world. So, users see virtual objects and real objects are in the sum place. Augmented reality requires streaming video with a camera that is used as a sowce of image input, then tracking and detecting markers. After the W is detected 30 model will appear of an item. This 3D model was mated mite software for 3D design, jbr example 3DS Max. Blender and others In this ancient animal Ieaming media using pattern recognition that can be interment! as taking raw data and based on data classification Then it can take the mutation problem how to design 30 objects with the Blender application to introduce d anc‘ient animals. purpose of this m is to build ancient animal leaning media in real time by using augmented reality technology.
Abstrak This research was conducted to classify lecturer's performance by utilizing data mining technique. This study also aims to provide ease of information and evaluation to the lecturers and decision makers in making decisions. The... more
Abstrak This research was conducted to classify lecturer's performance by utilizing data mining technique. This study also aims to provide ease of information and evaluation to the lecturers and decision makers in making decisions. The application of the method used in this research is the K-Means Clustering algorithm. Several stages performed in analyzing and classifying lecturer's performance begins with the determination of the centroid value of the center at random. The K-Means algorithm process ends if there is no change of centroid value between one iteration with another iteration. The test is done by using RapidMiner Studio 7.5 application with 60 lecturer's data as input. The results of the test can be seen that the group of excellent lecturer performance amounted to 12 members with a total value of the highest 48,550 centroid, good lecturer group performance amounted to 29 members with a total value of 40,340 centroid, lecturer performance good enough group amounted to 10 members with total centroid value 37,963, poor lecturer performance amounted to 9 members with the lowest centroid value 37,033. 1. PENDAHULUAN Penilaian kinerja (performance appraisal) adalah suatu proses yang digunakan pimpinan untuk menentukan apakah seorang Dosen melakukan pekerjaannya sesuai dengan tugas dan tanggung jawabnya. Penilaian kinerja juga berlaku dalam perguruan tinggi, baik itu berupa universitas, institut, maupun sekolah tinggi[1]. Menurut Undang-Undang nomor 14 tahun 2005 tentang guru dan dosen, ada 4 (empat) komptensi yang harus dimiliki sebagai seorang dosen dalam mengemban tugas tri dharma perguruan tinggi. Keempat kompetensi ini merupakan indikator yang menunjukkan kinerja dosen sebagai pendidik dan pengajar. Penilaian kinerja ini diperlukan dalam kerangka penjamin mutu internal dalam bentuk feed back (umpan balik) bagi dosen dan pimpinan universitas atau perguruan tinggi serta untuk mengetahui pengaruh pengajaran dosen terhadap mahasiswa. Penelitian sebelumnya yang berkaitan dengan algoritma k-means telah banyak dilakukan seperti penelitian yang dilakukan oleh [2] dalam papernya berjudul Implementasi Algoritma K-Means Untuk Pengelompokan Penyakit Pasien Pada Puskemas Kajen Pekalongan dengan hasil menunjukan bahwa dari 1000 jumlah data pasien yang diuji coba diperoleh inisialisasi jumlah cluster sebanyak 2 (dua) sesuai dengan jumlah cluster akut 376 item dan cluster tidak akut 624 item. Penelitian lainnya juga telah dilakukan oleh N. Harianto Kristanto [3] tentang implementasi K-Means Clustering untuk pengelompokan analisis rasio profitabilitas dalam working capital. Hasil dari penelitian ini menunjukan bahwa proses profitabilitas akan menghitung 6 (enam) rasio yaitu gross profit margin, net profit margin, basic earning power, return on asset, return on equity dan earning per share, maka hasil pengelompokan diperoleh semakin besar nilai K pada K-Means, maka semakin menunjukkan kelompok rasio profitabilitas dan nilai kelompok makin mendekati kemiripan. Penelitian terkait juga dilakukan oleh Daniati dan Nugroho [4] dalam papernya berjudul K-Means Clustering With Decision Support System Using SAW (Simple Additive Weight), mereka melakukan penelitian tentang bagaimana penerepan K-Mean dengan sistem pengambilan keputusan menggunakan SAW, dengan topik pemilihan judul tesis. Penelitian ini bertujuan sebagai acuan dalam pemilihan tema judul tesis. Hasil penelitian ini menunjukan dengan K-Means mampu mengelompokan tema judul dan SAW sebagai analisis kelayakan untuk penentuan tema tesis. Terdapat juga beberapa penelitian mengenai penilaian kinerja, diantaranya oleh Julianto, dkk [5] dengan judul algoritma C4.5 untuk penilaian kinerja karyawan. Mereka melakukan penelitian untuk menyeleksi karyawan terbaik, hasil dari penelitian ini diketahui bahwa proses prepruning memiliki sedikit lebih besar akurasinya daripada yang lain. Dengan jarak 0,7% dari pohon tanpa pruning dan 2,73% dengan postpruning. Penelitian lainnya tentang penilaian kinerja juga telah dilakukan oleh Shankar dan Sarkar [6] dengan algoritma K-Means untuk analisis kinerja belajar mahasiswa. Pada penelitian ini penulis tertarik untuk melakukan penelitian yang berkaitan tentang penilaian kinerja dosen dengan menggunakan algoritma K-Means, dikarenakan K-Means merupakan model centroid. Dimana centroid digunakan untuk menghitung jarak suatu objek data, serta K-Means mampu memproses permodelan tanpa supervisi (pengawasan) dengan sistem partisi [2]. Sebuah basis data sangat mungkin berisi data non numerik, yang tidak dapat ditentukan mean point. Algoritma K-Means dapat dipergunakan untuk pembentukan cluster dalam sebuah basis data yang besar dengan menerapkan aturan similarity dan dissimilarity terhadap data dalam basis data terlebih dahulu. 2. METODOLOGI PENELITIAN 2.1 Data Mining Data mining adalah suatu proses untuk memperoleh informasi penting yang sangat berguna dari informasi yang sebelumnya tidak diketahui dan pengetahuan yang diperoleh informasi yang berharga dan dapat dimengerti dari sebuah data. Sedangkan prediktif berarti data mining digunakan untuk membentuk sebuah model pengetahuan yang akan digunakan untuk melakukan