Int ern at i onal  Journ al of Ele ctrical  an d  Co mput er  En gin eeri ng   (IJ E C E)   Vo l.   10 ,  No.   5 ,  Octo be r   2020 ,  pp.  4569 ~ 4580   IS S N: 20 88 - 8708 ,  DOI: 10 .11 591/ ijece . v10 i 5 . pp 4569 - 45 80          4569       Journ al h om e page :  http: // ij ece.i aesc or e.c om/i nd ex .ph p/IJ ECE   Data sci ence for  d igital c ultu re  i mp rovement in  h igher  educatio n usin g   K - m eans  clusteri ng and tex t anal ytics       Dian S a’ad il la h Ma yla w ati 1 ,  Tedi  Pria tna 2 , Hamd an Su gi lar 3 , Muh am mad   Ali  Ra m dhani 4   1 Depa rtment of I nform at ic s,   UIN   Sunan  Gunung  Djat i   Bandung, I ndonesia   1 Facul t y   of  Infor m at ion  and   Com m unic at ion   Tech nolog y ,   Univ ersi ti   Te knik al Mal a y sia   Mel aka,  Ma lay s ia   2 Depa rtment of I slamic  Edu catio n,   UIN   Sunan  G unung  Djati  Ban dung,   Indon esia   3 Depa rtment of  Mathe m at i cs  Ed uca t ion, UIN Sunan  Gunung Dj a ti   B andung, I ndo nesia   4 Depa rtment of I nform at ic s,   UIN   Sunan  Gunung  Djat i   Bandung, I ndonesia       Art ic le  In f o     ABSTR A CT   Art ic le  history:   Re cei ved   A pr   1,   2020   Re vised  A pr 13 ,   2020   Accepte d  Apr 23 , 202 0       Thi s  stud y   ai m s  to  inve stig at e   the   m ea n ingfu l  patter n  tha t  c an  be  used     to  improve  di git al  culture   i n  highe r  educat ion  b ase d  on   par amet ers     of  the   te chno lo g y   a cc ep ta n ce   m odel   (TAM).  The   m et hodolo g y   used  is    the   da ta   m ini n g  te chn ique   wi th  K - m ea ns  al g orit hm   and  te x t   ana l y t ic s.     The   expe rimen t  using  qu estionnaire  data  with  2887  r esponde nts  i n   Univer sita s  Isla m   Nege ri  (UIN )  Sunan  Gunun g  Djat i  Bandun g.   The   data  ana l y sis  and   clus te ring  resul t  show   tha t  th e  per ceive d  usefu lne ss   and   beha vior al   intent ion  t o   use  info r m at ion  s y st ems   are   above  the  no rm al   val u e,  while   th e  per c ei ved  ea se  of  use  and  actua l   s y stem  use  is   quit e  low.   Strengt hen ed  wi th  te xt  anal y tic s,  thi s  rese ar ch   found  tha t  th e   EDA  and     K - m ea ns  result   in  har m on y   wit h  the  hope   or  desire   of   a ca d e m ic   soci e t y     the   informat ion   s y stem  imple m ent at ion .   Thi s   rese arc h  al so   found  how   important   the   socializat ion  and  guida nc e  of  informati on  s y stems ,   espe cia l l y   the   new  one  informati on  s y ste m ,   in  orde r  to  improve  digi tal  cul ture   in     highe r educ at ion .   Ke yw or d s :   Cl us te rin g   Data sci ence   Digital  cu lt ure   Higher  educat ion   K - m eans alg ori th m   Text a naly ti cs   Wor d  cl ou d   Copyright   ©   202 0   Instit ut e  o f Ad vanc ed   Engi n ee r ing  and  S cienc e .    Al l   rights re serv ed .   Corres pond in g  Aut h or :   Dian Sa’a dill ah  Ma yl awati ,    Dep a rtm ent o f   Infrom at ic s,  Faculty  o f  Scienc e an d  Tec hnol og y,   UIN Su nan Gu nung  Dj at i B a ndun g,     A.   H. Nas utio n St reet,  105 B andu ng, In done sia   Ce ntre fo r Adv anced C om pu ti ng Tec hnology , F ac ulty  o f  Inform at ion  and  Com m un ic at io n  Tec hnol og y,   Un i ver sit i Te knikal M al ay sia  Mel a ka,     Hang T ua h  Jay a Street , 7 6100  Dur ia n  T ungg al , Mel aka,  Ma la ysi a .   Em a il :  diansm@ui ns gd.ac .id       1.   INTROD U CTION   In   t he  te ch no l og y  disruptio n  e ra,  m any  so ftwar e/ a pp li cat ion s/ in form at i on   syst em s  bu il t  to  help   hu m an  act ivit ie s.  Tra gical ly ,  37%  of  1,800  s of t war e  a re  wa ste d,   a nd   47%  of   t hem   are  so f tware  in   the  fiel d  of   edu cat io n  [ 1] .  This  fact  occ ur s  beca us e  m any  factors  s uch  as  unf ulfill ed  use r  requirem ents;  there  a re  s oft war e   error s ,  fa ults,  and   fail ur es;   s of t war e  qu al it y  is  no t  fu lfil le d;  no  inno vation;  does  no t  app ly   the  co nc ept  of   hu m an  and   c om pu te r  interact ion   pro per ly ;  diff ic ult  to  us e ;  no t  accor ding  to  m ark et   need s  ( no t  up - to - date);     to  the  la ck  of  unde rstan ding  of   the  us e  of   t echnolo gy  due   to  it s  rap id  de velo pm ent  so   that  tren ds   ca nnot  be   fo ll owe d;  et cet era.  Of   c ours e,  this  is  an   obsta cl e  f or  hi gher   ed ucati on  to  ac hie ve  Te chno  U niversi ty   [ 2] ,  Digital  C amp us  [ 3,   4] ,  Smart   Camp us   [5 - 8] ,  Gre en  C amp us   [9] ,  a s  well   as  va rio us   oth e r  te rm s  in  the  era  of   dig it al   te chnol og y - base d  e du cat ion .  The refor e ,  no  m at te r  how  s ophisti ca te d  the  te c hnol og y  is  offe red,   w hen   the  ap plica ti on  program   is  not  us ed  as  plan ned,  it   will   no t   hav e  si gnific ant  i m plica ti on s  for   hum an  act ivit y.  On e   of  the   m ain   prob le m s  of   the  fail ure  of   i m ple m enting  di gital   syst e m s  i s  that  they   a re  no t  rea dy  to  ac cept   te chnolo gical   c hanges   so  quic kly  that  the   us e   of  te ch nolo gy  is  not  culti vate d  a nd  does   not  beco m e  a  nece ssit y  Evaluation Warning : The document was created with Spire.PDF for Python.
                          IS S N :   2088 - 8708   In t J  Elec  &  C om p  En g,   V ol.  10 , No .  5 ,  Oct ob e r 2 020  :    45 69   -   45 80   4570   to  suppo rt  it s  act iv it ie s.  As  a  resu lt ,  m any  app li cat io ns   are   no t  use d  pro pe rly   or   rely   on   so m e  peo ple  to  us e   them .  Digital   culture   in  highe r  ed ucati on  m us t  be  est a blishe d  to   sup port  ac adem ic   act iviti es  m or e  eff ect i vely   and   e ff ic ie ntly .  Howe ver,  not  al l  academ ic ian s  in  higher   ed ucati on   awa re  about  the  be ne fits  of   dig it al   li te racy   with  va rio us   in flue nce  facto rs ,  su c h  as  la ck  of   s ocial iz at ion ,  not  easy   to  us e,  ina de qu at e  infr ast ru ct ur e ,  and   s o  on.  Seei ng   va riou s   issues   relat ed  to  t he  a wareness,   abili ti es,  an d  cultu re  of  the  aca d em ic   com m un it y  in  us in g  dig it al   syst e m s  in  hi gh e r  e duc at ion ,  a  com prehensi ve  a nd  in - de pth   st ud y  of   t he  fact ors  infl uen ci ng   t he  us e  of  dig it al   syst e m s  is  al read y  i n  pr ogress.  T he  stu dy  ca n  rev eal   th e  us a bili ty   of   softw are,  bo t h  in  te rm s  of  so ft war e/  a ppli ca ti on s a nd in  term s o f users .    Currentl y,  dat a  sci ence  is  a   popu la r  te ch nique  to  proc ess  data  eff ic ie ntly   [10] ,  wit h  a  big   data   char act e r  s uch  as  vo l um e,  va riet y,  velocit y,  an d  s o  on  [ 11 - 13] .  Data  s ci ence  te ch nique  al lo ws  pro cessi ng   var i ou s   ty pes  of d at a  at  o nce   e ven  in   la rg e   a m ou nts  beca use   data  sci e nce co m bin es  the s ta ti sti ca l  proce ss  with   data  m ining   or   m achine  le ar ni ng .  Where  dat a  m ining   is  a  c om pu ta ti on al   te chn i qu e   to  fi nd  insi gh t  know le dg e  from   la rg e  data  [ 14 ] .   I n  data   sci ence,   the re   is  the   expl or at or y  da t a  anal ysi s  (E DA)  te c hn i qu e   that  pr epar es   and   proces ses  the  data  sta ti sti cal ly   [15] .  St at ist ic al   data  pr oces sin g  te ch niques,  know n  as  ex plorat ory   data  analy sis   (EDA ),   are  co ns ide r ed  capa ble  of   pr e par i ng   da ta   bef ore  it   is  pr ocesse d  pro perl y.  EDA   can  r edu c e   redu nd a nt  data ,  is  con si der e d  no t  to  a ff ect   th e  resu lt s,  c om plete   the  m issi n g  val ue,   c om pl et e  the  data,  so  that   oth e r  thin gs   th at   m axi m iz e  t he  data  to  be  cl eaner  are  ca r ried  out  la te r.   Currentl y,  ED A  is  al so   de ve lop in g  us in g  pr e dicti on  m od el s  a nd  m achine  le ar nin g  [ 16] .  O ne  of  the   m os t  popula r  m achine  l earn i ng /  data  m ining  al gorithm s that can  be  us e d  i n t he  E D A proc ess is the  K - m e ans  cl us te rin g al gorithm   [17 - 21] .    Ther e   are   se ve ral  relat ed   pre vi ou s   ki nd s   of   r esearch   that  use   data  sc ie nce  and  da ta   m ining   te c hn i qu e   to  pr ocess  data ,  am on g  oth e rs :  (1)  data  sci en ce  an d  harness ing   a naly ti cs  use d  t o  get  a  m e anin gful  asses s m ent  for  le ar ning  ac ti viti es  [22] ;  (2)  e du cat io nal  da ta   sci ence  wa s  us e d  t o  e valu at e  stud e nts’  usa ge   i n  the   m a ssiv e   op e n  on li ne  c ourse  [23] ;  (3)  da ta   sci en ce  ap proac h  al so   us e d  f or   i den ti fyi ng  the  cr ucial   fa ct or s  f or  assess m ent  of   an  i nter national  stu den t  w it h  predict in g  t he  e xam   resu lt   [24] ;  ( 4)  data  m ining   a ppr oa ch  with  K - m eans  a nd  Naï ve  Ba ye s  a lgorit hm   al so   us e d  f or   unde r sta nd i ng   t he  di gital   le arn in g  s ources  [25] ;  (5)  K - m eans  al go rithm   was  pro ve n  as  accurate  eval ua ti on   f or   le ar nin g  e valuati on  base d  on   b rai nwave - based   e m ot ion   [ 26 ] ;  (6 )  the re   is researc h  that evaluat es tea cher’s expe rienc e in d igit al  co nt ent ev al uatio n usin g  qual it at i ve  them at ic  an al ysi s   with  K - m eans  cl us te r  a naly sis  [27] ;  an d  ( 7) the  le arn i ng  be hav i or  p at te r n  of   t he  di gital   te xtbook w as  a na ly zed   us in g  cl us te ri ng  m e tho d  us in g  K - m eans  al go rithm   [28] .  B ased  on  m any  pr e vious  ki nds   of   resea rc h  th at   us e   data  sci ence  with  data  m ining ,  es pecial ly   the  K - m eans   cl us te rin g  al gorithm ,  to  eva luate   dig it al   l earn i ng ,   this  stud y  aim s  to  inv est igate ,   interpr et ,  a nd   fin d  the  m eani ngf ul  patte rn   of  dig it al   cultur e  in  hig he r  ed uc at ion  us in g  K - m ean s  al gorithm .  The  i nter pr et a ti on   res ult  can  be  a   m eaningfu l  knowle dg e   in   res po nd i ng,  dev el op i ng, a nd im pr ovin g digit al  cu l ture  in hig her ed ucati on.       2.   RESEA R CH MET HO D   2.1.   Rese arch  act i vities   The  case   of   t hi s  researc h  is  UIN  S una n  G unung  D j at i  B andu ng  that  is  on e   of  t he  higher   ed ucati on  with  a  visio n  t o  beco m e  a  superi or   a nd  c om pet it ive  ca m pu s   th rou gh   t he   us e  of  te ch nolo gy.  No   le ss   than  58  inf or m at ion   syst e m s  in  the  UIN  Suna n  G unung  Dj at i  Ba ndung  e nv i ronm ent  that  su pp or t  al l  edu cat io n  act ivit ie s,  ran ging  from   adm issi on s ,  Aca dem ic  serv ic es  adm inist rati on   syst em s ,  Finan ci al   inf orm ation  syst e m s,  e m plo ye e  in form at i on  syst em s ,  e - Lib ra ry,  e - Lea rn i ng,  syst em s  reg ist rati on  of  assem blies ,  Helpd es k  Syst e m s,  and   var i ou s  i nfor m at ion   syst em s  and   oth e r  a pp l ic at ion s.  Howe ver,  it   tur ns   ou t  that  awar e ne ss  an d  the  nee d  f or  th e  us e  of   t he  in form ation   syst e m   pr ovide d  a re  not  eve nly  distrib uted  t hro ug hout  the  ac adem ic  com m un it y, there ar e  sti ll  those w ho r el y  on  each  oth e r,  e ve n  in dif fer e nt.   The  re searc h  act ivit y  dep ic te d  in  Fi gure  1  sta rts  f r om   li te ratur e  stu dies  relat ed  to  data  sci ence ,   data  m ining ,  a nd   t he  K - m eans  al gorithm ,  wh ic h  the n  c ompil es  quest ions   for  quest io nna ires  to  be   distri bu te d  to  sta keholde r s  in  var i ou s  fa culti es,  stud y  pro gr am s/  dep artm ents,  to  un it s  in  the  en vi ronm ent.  UI N   Su na n  Gun ung  D j at i  Ba ndung.  The   qu est io nnai re   data  is  then  proces sed  us in g  EDA   a nd   cl ust ering   t he  K - m eans  al g ori thm .  The  resu lt s  of   E D A  an d  K - m eans  data  processi ng   a re  analy zed,  stu died ,  an d  interpret ed  to   find    a  m eaning f ul  pa tt ern   s o  t hat  c an  pro du ce   a  r ecom m end at io n  m od el   f or  str at egies  to  stren gth e n  dig it al   c ultur e   in  the  academ i c  com m un it y  of   S unan  G unung  Dj at i  U ni ver sit y,  Ba nd ung.  A nd  this  r esearch  us e  Py thon  as   pro gr am m ing  l angua ge fo r  E DA,  K - m eans , a nd text a naly ti cs  [29] .   The  ex pe rim e nt  of   t his  stu dy  util iz ed  th e  Goo gle  cola borato ry  (Go ogle   colab )  wit h  Pyt hon  as  pro gr am m ing   l angua ge  for  E DA  an d  te xt  a naly ti cs.  For  t he  K - m eans  cl us te rin g,  this  s tud y  us e d  O ra ng e   as   data  m ining   too ls .  The  vis ualiz at ion   of  EDA,  K - m eans  cl us te rin g,   and   te xt  a naly ti cs  is   pr ovi ded   by     the Pyt hon an d Ora nge li brary .       Evaluation Warning : The document was created with Spire.PDF for Python.
In t J  Elec  &  C om p  En g     IS S N: 20 88 - 8708       Da t a  sci e nce f or   dig it al c ultu re im pr ove me nt  in  hi gh e r e ducation  …  ( Dian  Sa’ ad il la h  M aylaw ati )   4571       Figure  1 .   Re se arch  act ivi ti es       2.2.   Data  c ollec ting   Data  colle ct io n  was  car ried  ou t  by  distrib ut ing   quest io nn ai res  us i ng   G oogle  form s  wit h  a  total   of    60   quest ions  distrib uted  to   the  ranks  of  the  Re ct or at e,  Dea n,   Se na te ,  Burea u,   In sti tuti on,  a nd  SP I    (as  po li cy m aker s) ,  9  Fac ulti es  an d  Post gr a du at e   (in volvi ng  stu de nts,  le ct ur er s,  a nd  e ducat ion  sta f f  from   15  stud y  pr ogram s  in  Po st gr a du at e,  5  m ajo rs  i n  the  Fac ulty   of  Us hulu dd i n ,  5  m ajo rs  in  th e   Faculty   of   T arbiy ah   and   Teache r  T rainin g,   6  st udy  program s  in   the  Faculty   of  Sh a ria  an d  La w,   4  m ajo rs  i n  the  Faculty   of  Da'wa h  and  Com m un ic at ion ,  3  m ajo rs   in  t he  Fa culty   of  A dab  an d  Hu m aniti es,  1  de pa rtm ent  in  the   Faculty  Psycho l ogy,  7  m ajo rs  in  the   Faculty   of   Scie nce  and   Tec hnology,  3  m a j ors  in  the  Fa culty   of   So ci a l  and   Po li ti cal   Scie nces,  an d  4  st udy  pro gr am s  i n  the  Fac ulty   of   Ec onom ic s  and   Islam ic   B us iness ),   11  T echn ic al   Ser vice  U nits,   5  Gen e ral  an d  Ma ha d  S er vi ce  Un it s.  T he   quest ionnaire   was  pr e pa red  with  the   co nc ept  of     the  Tec hnolog y  Acce ptance  Mod el ,   am on g  othe rs:  pe rceived  ease   of  use ,  per cei ved  us ef uln e ss,  be hav i or   intenti on to  u s e, and act ual s yst e m  u se .     2.3.   Explor ator y  d ata an aly sis   Ex plo rat or y  D at a  An al ysi s  is  a  pr oce dure  to  analy ze  data  easi ly ,  accurate,  pr eci se  with  m at hem atical  sta ti sti cs  as  an  ou t pu t,   w her e   the  proce ss  is   autom at ic ally  by  m achine   [3 0,  31] .  Ba sic al ly ,  EDA   pro vid es     a  su m m ary  of   nu m erical   data   su c h  as  a ve ra ge,   m edian,   m axim u m   value,   m ini m u m   value,   a nd   qua rtil e.  ED A  aim s  to  su gges t  hypo t heses  a bout  the  ca us e s  of  obse rv e d  phen om ena,  to  a ssess  ass um pti on s   on  wh ic h  t o  ba se   sta ti sti cal  con c lusio ns ,  to  s up port  the  sel ect ion   of   a ppr opri at e  sta ti st ic al   t echn i qu e s,  a nd  to  pro vid e  a  ba sis  for  furthe r  data  co ll ec ti on .  ED A  resu lt s  are  usu al ly   visu al iz ed  us in g  gr a phic al   te chn iq ues,   su c h  as  square   plo ts ,   histo gr am s,  Pareto  diag ram s,   distrib utio n  pl ots,  m ulti di m ensio nal  scal ing,  pr inci pal  com po ne nt  an al ysi s,     and  interact ive   versi on  of  t he   plo t.  I n  data  m ining   or   m ach ine  le a rn i ng   t echn i qu e s,  E D A  is  us ually   use d  i n    the  pr e - pr oce s sing   process  t o  vis ualiz e,  find   m issi ng ,  a nd   al s o  to  lo ok  f or   c orrelat ion s  betwee n  data  or   var ia bles.  Be cause  the  pre - processin g  phase   is  i m po rtant  fo r  data  sel ect io n,   data  cl eanin g  to  i m pr ove  qual it y,   data tra ns f or m at ion , a nd  data  reducti on to  ru n  a n  e ff ic ie nt  m ining   process .     2.4.   K - me an s  a l gori th m   Data  m ining   i s  a  te chn iq ue   for  fin ding  i m po rtant  inf orm at ion   or   i ns igh t  knowle dg e  from   big     data  [ 32 ] .  Whe re,  data  m inin g  has  f our  m ain   a ppro ac hes ,  a m on g  ot her s ,  cl assifi cat ion   ( cl assifi cat ion )  wh ic h  is  su pe rv ise d  le arn in g,   cl us te rin g  w hich  i s  un s uper vise d  le arn i ng,  as so ci at ion   ru le ,   and   sem i - su pe rv ise d  le arn in g  t hat  c om bin es  cl assifi cat ion   a nd  cl us te rin g.  Data  m ining   is  us e d  to  fi nd  hi dd e n  in form at ion   that  is  i m po rtant  an d  can  be  use d  t o  predict   an d  su pp or t  decisi on   m aking .  Cl us te rin g  is  not  us ed  to  pr e di ct   li ke   cl assifi cat ion ,  bu t  cl us te ri ng  will   pro du ce   th e  insig ht  of  dat a  that  prob le m at ic   and  analy z ed  a nd  inter pre te d  by   hu m an  [ 19,  33] .  K - m eans  is  on e  of  the  m os t  widely   us e d  cl us te rin g  al gorithm s  that  find   m ini m u m   distance  values   in  t he  s a m e  cl us te r  [34 - 36 ] .  K - m eans  is  a  sim ple  alg ori thm   with  f ast   processi ng  tim e  and   pr oduc es  an   op ti m al   cl us te r.  T he K - m eans  al gorithm  is as foll ow s:   1.   Determ ine the  nu m ber   of clus te rs.   2.   In it ia te  t he  ce nt ro id  v al ue   f or  each clu ste r   ( 1 ,   2 , … ,     ℝ )  rand om l y.   3.   Re peat the cal c ulati on   with  th e f or m ula   (1)  a nd   ( 2)  unti l co nv e r gen t.   St art Observing avail able  ICT i n a  case s tud y environment Preparing th e  questionnaire Di stribut ing the questionnai res to  respondent s Data processi ng using EDA  Data mi ning (cl ustering) using K- Me ans Al gorithm Ev aluating the cluster resul t using si lhouette coeffici ent Analysing and i nter pret ing EDA  and K-M eans res ult Finding the me aningful patt ern/ model  for  streng thening of digital  cultur e  in  the academic community End Ques tionnaire Database EDA Result Evaluation Warning : The document was created with Spire.PDF for Python.
                          IS S N :   2088 - 8708   In t J  Elec  &  C om p  En g,   V ol.  10 , No .  5 ,  Oct ob e r 2 020  :    45 69   -   45 80   4572   4.   Fo r  eac h   i,  cal c ulate :      ( ) ∶ =   a rg    ‖ ( ) −   ‖ 2   …   (1)     5.   And for eac h   j ,   cal culat e:         ∶ =   ∑ 1   { ( ) = } ( ) = 1 ∑ 1 { ( ) = } = 1   …   (2)     2.5.   Te xt   analy tics   Text  analy ti cs  is  a  te chn iq ue  t o  fi nd   m eaningfu l  know le dge  from   te xt  data  [37 ] .  Te xt  anal yt ic s  is  no t  al ways  cal le d  te xt  m ining ,  because   te xt  m ining   al ways   con ta ins  th e  m ining   proce s s  inside  it ,  suc h  as   cl assifi cat ion ,  cl us te rin g,   or  associat ion   ru l e  fo r  te xt  data .  But,  te xt  m in ing   is  a  par t  of  te xt  analy ti cs   al so .   Anothe r  te xt  analy ti cs  te chn iq ue  su c h  as   senti m ent  analy sis  [3 8 - 40 ] ,  op ini on   m ini ng   [4 1 ] ,  so ci a l  m edia   analy sis  [4 2 - 4 5 ] ,  so ci al   netw orks  [4 6 ] ,  a nd   web   sc rap i ng   and   c raw li ng  [ 47 ] .  Se ver al   li te ratur e  sai d  th at   te xt   analy ti cs  is  a  pa rt  of  natur al   l angua ge  proce ssing  ( NLP)  [48 ] ,  bec ause   not   al l  NLP   us e  t ext  data  as   la ngua ge   database ,  it   can  be  voic e/   sound,  im age,  an d  vi deo.  I nform at ion   retriev al   [ 49 ] ,  sem ant ic   search  e ng i ne  [5 0 ] ,  te xt  si m il arity  or   st rin g  m at c hing  [5 1 ] ,  an d  te xt  su m m ariz at ion   [52 ]   are  a  ty pe  of  NL P   that  com m on ly   us es  te xt d at a.     2.6.   Sil ho ue tt e  c oe ff ic ie nt   The  cl us te rin g  resu lt   sho uld   be   m easur ed  t o  ens ur e  that  the   resu lt in g  patte rn   is  go od   e no ugh.   T he re   are  inte rn al   a nd  e xter nal  m e asur em ents.  E xter nal  m easur e m ents  li ke  Ja ccard   Coe ff ic i ent  [5 3 ] ,  P ur it y  [5 4 ] ,  Pr eci sio n  an d  Re cal l  [55 ] ,  F - Me asu re  [ 56 ] ,  and   s o  on .  Wh e reas,  i nter nal  m easur e m ents  su c h  as   Z - Sc or e   Inde x  [5 7 ] ,  Ga m m a  and   So m er’ s  Gam m a  [5 8 ] ,  Sil houette   coeffic ie nt  [59 ] ,  Be ta CV  an d  D unn  in dex   [6 0 ] ,   and   s o  on .  Sil h ou et te   coe ff ic i ent  is  widely   us ed  to  evaluate   the  resu lt s  of   cl us te rin g.   Sil houette   coe ff ic i ent  is   a  m e tric   that  m easur es  cl us te r  se par at io n  a nd  com pactnes s  at   the  sam e  ti m e  [59,   61 - 63 ] .  F or m ula  (3)  i s  use d  to calc ulate  the  av e rag e  d ist a nc e in a  cl us te r   and the m ini m um  d ist ance b e tween  obj ect s  to othe r  cl us te rs ,      =   1   ∑ −  { , } ′ = 1   (3)     w he re,     is t he  a ver a ge dist anc e of  obj ect s i n a cl us te r, i .e.  (f or m ula ( 4)):     =   ∑ ≠ 1 ,   ∈   | −   | | |   (4)     and     is a distan ce betwee n  t he  obj ect     wit h n earest cent ro i d ce nter  .   cal culat ed by t he f or m ula (5) :     = min { | −   | , = 1 , 2 , … , , ≠ 1 }   (5)     Sil houette   Coe ff ic ie nt  val ues  range  betwee n   1  to  - 1  ( − 1   ≤  ℎ          ≤ 1 ),  w he re  1  m eans  the  gr ouping  s olu ti on  is  "c or rect"  an d  - 1  m eans  t he  gro uping   so l ution  is   "wro ng".  H oweve r,  a cco r din g  to    the  res ults  of   c lusterin g,   it   do es  no t  offer   a  gu a ra ntee  of   a ccur acy ,  but  m any  inter pr et at ion s  of   t he  res ults  of  cl us te rin g.  S o,  there   is  no  guara ntee  that   the  Sil ho uette   Coef fici ent  val ue  cl ose   to   1  al ways  has   th e  rig ht   cl us te r  a nd m a ny inter pr et at io ns , a nd  vice  ve rsa.     3.   RESU LT S   A ND  DI SCUS S ION S   3.1.   Data  c ollec tio n       D a t a   c ol l e c t i o n  w h i c h   w a s   s uc c e s s f u l l y   o b t a i n e d   i s   a   t o t a l l y   o f   2 8 8 7   d a t a   f r o m   3 3 8   L e c t u r e r s ,   2 0 0   E d u c a t i o n a l   P e r s o n n e l ,   a n d   2 3 4 9   S t u d e n t s   o f   U I N   S u n a n   G u n u n g   D j a t i   B a n d u n g .   T h i s   d a t a   a l r e a dy   f u l f i l l e d  1 0 %   o f   t h e   p o p u l a t i o n .   H o w e v e r ,   t o   m e e t   t he   q u a l i t y   o f   t h e   r e s u l t ,   t h e   m i s s i n g   v a l u e   a n d   o u t l i e r   a r e   d e c i d e d   t o   b e   d e l e t e d .   S o ,   t o t a l   d a t a   t h a t   u s e d   a r e   2 3 6 5   r e s p o n d e n t   d a t a   w i t h   2 9 8   L e c t ur e r ,   1 2 8   E d u c a t i o n a l   P e r s o n n e l ,   a n d  1 9 3 9   S t u d e n t .   W h i l e   t h e   t ot a l   f e m a l e   i s   1 3 4 8   r e s p o n d e n t s   a n d   1 0 7 1   r e s p o n d e n t s   a r e   m a l e .   T h e   q u e s t i o n s   a r e   c o l l e c t e d   b a s e d  o n   p a r a m e t e r s   o f   t h e   t e c h n o l o g y   a c c e p t a n c e   m o d e l   ( T A M ) ,   s u c h   a s   p e r c e i v e d   u s e f u l n e s s   ( P U ) ,   P e r c e i v e d   e a s e   o f   u s e   ( P E U ) ,   B e h a v i o u r a l   i n t e nt i o n   t o   u s e   ( B I U ) ,   a n d   A c t u a l   s y s t e m   u s e   ( A S U )   [6 4 ,  6 5 ] .   T A M   a l s o   a l r e a d y   u s e d   t o   e va l u a t e   i n f o r m a t i o n   t e c h n o l o g y   i n   h i g h e r   e d u c a t i o n ,   s u c h   a s   e - l e a r ni n g   o r   l e a r n i n g  m a n a g e m e nt   s y s t e m s   [66 ,  6 7 ] .   T h i s   r e s e a r c h   h a s   6   q u e s t i o n s   r e l a t e d   t o   P U ,   1 1   q u e s t i o n s   f o r   P E U ,   1 0   q u e s t i o n s   f o r   B I U ,   a n d   1 2   q u e s t i o n s   f o r   A S U .   Evaluation Warning : The document was created with Spire.PDF for Python.
In t J  Elec  &  C om p  En g     IS S N: 20 88 - 8708       Da t a  sci e nce f or   dig it al c ultu re im pr ove me nt  in  hi gh e r e ducation  …  ( Dian  Sa’ ad il la h  M aylaw ati )   4573   3.2.     Resul t of   ex plorat ory d ata a na lysis  and  data cl ust eri n g   3.2.1.  E xp l orato r y  data a na l ys is resul t   T h e   r e s u l t   o f   e x p l o r a t o r y   d a t a   a n a l y s i s   ( E D A )   s h o w s   s e v e r a l   c o n c l u s i o n s   r e l a t e d   t o   t h e   i m pl e m e nt a t i o n  o f   i n f o r m a t i o n   t e c h n o l o g y   i n  U I N   S u n a n   G u n u n g   D j a t i   B a n d u n g   a n d   c a n   b e   u s e d   a s   a   b a s i s   f o r   e n h a n c i n g   d i g i t a l   c u l t u r e   i n   h i g h e r   e d u c a t i o n .   T h i s   a n a l y s i s   i s   b a s e d   o n   t h e   r e s u l t   o f   E D A   a n d   t h e   c o r r e l a t i o n   b e t w e e n  p a r a m e t e r s   t h a t   v i s u a l i z e d   i n   F i g u r e   2 .   T h e   a n a l y s i s   r e s u l t s ,   a m o n g   o t h e r s :   a.   Ov e rall ,  the  pe rceive d  us ef ul ness  of  inf orm at ion   syst em s  i s  ab ov e   ave ra ge   with  value   is  3.4 3.   Pe rceive d  us ef uln e ss  i ndic at es   the  le ve l  of  c onfide nce  i n  in div i du al s   th at   te chnolo gy  ca n  im pr ov e   the ir   perform ance  [6 8 ] .   The refo re ,  the   res ult  va lue  of  pe rceiv ed  us ef ulne ss  in  U I N  S unan   G unung  D j at i  Ba ndung  can  be   co nclu ded  th at   academ ic   so ci et y  awar e  of   the  use f uln ess   of   dig it al   te ch no l og y  t hat  ca n  m ake  their  act i viti es  m or e  effi ci ent  and   eff e ct ive.  This  val ue  is  su pp or te d  by  65. 62 %  r esp onde nts  know   about  the  te rm   of   the  in form at ion   syst em ,  69%  knows  a bout  the  be ne f it s  of   inf or m ation   te ch nolo gy/  inf or m at ion  syst e m , 6 2.41% r esp onde nts kn ow  th e m a in websit e that  pro vid es the  up - to - date in form at i on   about  academ ic   act ivit ie s  and   ne ws.   H ow e ver,  the  in for m at ion   sh ari ng  about  the  in form ation   syst em   is  low,   only   42% .  This  fact  sho ws  that  to day,   the  academ ic  so ci et y  has  be en  awa re  that   their  academ i c  act ivit ie s  can  no t  b e  sepa rat ed  f ro m   te chnolo gy  suppo rt.   Ther e f or e,  t o  i m pr ove  di gital   culture  in  higher  edu cat io n,   t he  te chnolo gy  not  al ways  us e d  e ver y  ti m e  bu t  t he  pe rce ption   of   th e  us e fu l ne ss  of   te c hnolog y  m us t  al ways  be  m a intai ned   [ 69 ] .   This   can   be  reali zed  if   the  te ch nolo gy  that  avail able  s upport  t he  nee ds  of u se r s,  so tha t t he  use f uln es s can  b e  f el t.             Figure  2 .   Co rr e la ti on  b et wee n TAM  par am et e rs       b.   The  per cei ved  ease  of   us e  of   t he  inf orm at ion   syst em   wh ic h  avail a ble  in  U IN   Sun an  G unun g  D ja ti   Ba ndung  is  qu it e  low,   belo w   the  norm al   value,   it   is  2.6 7.   Perceive d  ease   of   us e  i nd ic at es  the  use   of  a n  inf or m at ion   syst e m   wh et her   easy   to  us e   or   unde rsta nd  [70 ] .  T he  r esult  value  m eans  that  m a ny   respo nd e nts  fe el   diff ic ulty   in  us in g  the  syst em .   The  fact  sh ow s  that  ( 31. 07%  res pondent )  is  on ly   25 %  of  al l  inform at ion   syst em   wh ic h  pro vid e   the   m anu al   guide   be cause  of  on ly   a  half   of   syst em   that  pr ovide s   the  com plete   m anu al   guide   and   c onduct ed  the  s ocial iz at ion   or  trai ning  ho w  to  us e  the  syst e m .   The n,   42. 16%  of   re sp onde nt  agr ee  that  half   of   the  in form at ion   syst em   e asy   to  us e,  44. 95%  res ponde nt   agr ee   that  half  of  syst em   us er  interfa ce  is  int eresti ng  s o  eas y  to  un der sta nd,  a nd  45.92%   res pondent  fe el   that  only   a  half   of  syst em   that  f ulfill s  the  requirem ents  of  th e  proce s s  business  t hro ugh  t he  functi ons  t ha t  avail able.  M ost   of  them   decide  to  us e   the   syst e m   al tho ugh  t hey  n ee d  m or e  tim e  for  underst an ding   Evaluation Warning : The document was created with Spire.PDF for Python.
                          IS S N :   2088 - 8708   In t J  Elec  &  C om p  En g,   V ol.  10 , No .  5 ,  Oct ob e r 2 020  :    45 69   -   45 80   4574   the  syst e m ,  e ven   if  the re  is  a  new   syst e m   that  release d  ( 58.56% ).   This  re su lt   con cl udes  th at     the  so ci al iz at ion ,  trai ni ng ,  an d  m anu al   gu i de  for  the  syst em   is  i m po rtant  to  i m pr ove  the  pe rceive d  ease o f   us e  of   t he  in f orm ation   syst e m   in  higher   ed ucati on.  T he  i m pact  is  the  dig it al   culture   in   higher   ed ucati on  will  b e im pr ov ed  to o.   c.   The  be ha vior  of   inte ntion   is   def ine d  as  a n  effo rt   or   str ong  de sir e  fro m   the  us ers  to  try   and   us e   the  syst em   [71 ] .  In  U IN  S un a n  Gun ung  D j at i  Ba ndung,  the   be hav i or   of  in te ntion   t o  us e  t he  in f or m at ion  syst e m   is  abo ve   the  norm al   value,   ar ound  3.28.  It  m eans  th at   dig it al   cul tu re  in  UIN  S un an  G unun g  D ja ti  B a n d u n g   a l r e a d y   a w a k e n e d .   I t   i s   p r o v e n   b y   a l m o s t   5 0 %   o f   r e s p o n d e n t s '   s up p o r t   a n d   e n t h u s i a s m   t o   t r y   a n d   u s e   t h e   n e w   i n f o r m a t i o n   s y s t e m   i f   i t   i s   r e l e a s e d .   B e c a u s e   5 2 . 2 6 %   o f   r e s p o n d e n t   f e e l   t h a t   u s i n g   t h e   i n f o r m a t i o n   s y s t e m   c a n   s up p o r t   t h e i r   a c a d e m i c   a c t i v i t i e s   e f f i c i e nt l y   a nd   e f f e c t i v e l y .   T h i s   u n d e r s t a n d i n g   m u s t   b e   c o n t i nu a l l y   d e v e l o p e d   a n d   m a i nt a i n e d   t o   i m p r o v e   d i g i t a l   c u l t u r e   i n   h i g h e r   e d u c a t i o n ,  be cau se   the  be hav i or al  intenti on  to u s e  inf or m at ion   te chnolo gy  ca n  be  the h a bit  o f  the  dig it al   us e r   [72 ] ,  es pecial ly  academ ic  so ci et y i n  us i ng aca dem ic  inf or m at ion   syst e m s such as  the lea rn i ng m anag em ent syst e m   [73 ] .    d.   Fo r   the  whole  inf or m at ion   syst e m   that  avail a ble  in  UIN  S unan  G unun g  D j a ti   Ba nd un g,   th e  act ual  syst em   us es  is  sti ll   qui te   low  belo w  t he  norm al   value,   it   is  2.6 5.   T his  val ue  m eans  in  the   im ple m entat ion   of  t he   inf or m at ion   syst e m s  is   sti l l  l ow,  su c h  as  44 .27%  of  res pond e nts  ag ree  that  on ly   half  of  the  syst e m   th at  fu lfil ls  the   use r  or   busines s  process   re qu i r e m ents,  only   29. 69%  of   res ponde nts  that  re m e m ber   the  li nk  address   to  acce ss  the  syst em   t hat  they   nee d.   Eve n  th ough,   78.14%   of  res po ndents   deci de   to  us e  a   dig it al   syst e m   to  su pp or t  thei r  aca de m ic   act ivities.  This  re su lt   pro ves  that  it   is  i m po rtant  to  de sign   t he  system   that  involvin g  us ers  i n  it s  de velo pm ent  to  fu lfil l  their  r equ i rem ents.   Be cause  eve ry   ty pe  of   us er  ha s   a  diff e re nt  requi rem ent  that  m us t  be  accom m od at ed,   anal yz ed,   an d  sel e ct ed  so   as  t o  be st  m eet   the  need s  of   al l  us er s.  T he  good  in for m at ion   syst e m /  so ftwa re  desi gn   will   pr od uc e  a  good   qu al i ty   of   inf or m at i on   syst e m   [74 ] , t he n  the  d i gital  cu lt ur e  w il l be  im pr ov e d  if all   they  n ee d  a re a ccom m od at ed.     3.2.2.  Resul t a nd  inte rpret at ion  of t he  K - means  a l go ri t hm   Figures  3 - 5  vi su al iz ed  the   resu lt   of  the   K - m eans  al gorithm   in  cl ust ering  the  ty pe  of  data     (the  cl us te ri ng   resu lt   an d  the  exam ple  of   a  cl us te r  m e m ber ).   The  cl us te r s  are  form ed  due  to  the  si m il a rity   of   data  char act e risti cs.  Ba sed  on  the  sil ho uette   coeffic ie nt  val ue  with  E uclid ean  distance ,  the  best  cl us te r  for  this   researc h  data  is  two  cl us te rs ,  with  1124  in  C luster  1  (C 1  -   Bl ue)   a nd  12 41  in  Cl us te r  2  ( C2  -   Re d).  T he refor e ,  Figure  3  visu al iz e  the  resu lt   with  tw o  cl us t er - base d  on  Re sp on de nt  (Lectur e r  =  1;  Ed uc at ion al   Pers on nel  =  2;   Stud e nt  =   3),   Fig ur e   4  is  base d  on  Ge nder   (Mal e  =  1;  Fem al e  =  2),  w hile  Fi gure   5  bas ed   on  Ag e .     The  init ia ti on   of   th e  centr oid   center  is  assig ne d  ra ndom ly .  K - m eans  al gor it h m   us es  ra ndom   initial iz ation   wit h  300  m axi m um   it erati on s.    Actuall y,  the  K - m eans  cl us t erin g  res ult  is  no t  reli able  enou gh,  the re   are  m any  me m ber s  of    t he  cl us te r  ( bo t h  blu e  cl us te r  and   red   cl ust er )  that  far   apa rt   fr om   the  centr oid .  Ma ny  m e m ber s  that  al s o  ha ve  the  sim il arit y,  wh e reas  t hey  are  in  a  dif fer e nt  cl us te r .  T he   Sil houette   coe ff ic ie nt  value  of   t his  cl us te r   is  to o  low  ( 0.1 25)  s o  that  the  cl us t er  is   quit e  diffi cult  to  be  inte rpreted.  H ow e ver,  the  cl us te r  re gion/  area  is  sti ll  qu it e cle arly  se par at e d  ( vis ualiz ed  with  a  bac kgr ound c olo r ) .              Figure  3 .   Cl us t er  re su lt   based  on r es ponde nt   Evaluation Warning : The document was created with Spire.PDF for Python.
In t J  Elec  &  C om p  En g     IS S N: 20 88 - 8708       Da t a  sci e nce f or   dig it al c ultu re im pr ove me nt  in  hi gh e r e ducation  …  ( Dian  Sa’ ad il la h  M aylaw ati )   4575         Figure  4 .   Cl us t er  re su lt   based  on g e nder             Figure  5 .   Cl us t er  re su lt   based  on ag e       Wh e n  e xam ined furthe r,  t her e  are  se ve ral co nclusi on s  that  can  be ob ta i ne d,  am ong othe r s:   a.   The  C1  is  a  gr oup  of  res pond ents  that  ha ve  per cei ved   ease   of   use   at   the  lowest  le vel  ( unde r  2),  it   m ea ns  that  47. 53%  of  re spo nd e nts  sti ll   feel  need  the  m or e  ef for t  to  use /  ada pt /  le arn   t he  in f or m at ion   syst e m   because   of  la ck  of  the  in f or m at ion   an d  so ci al iz at ion  of   syst em .  On   t he  ot her  hand,   56. 47%  of     the  res ponde nt  (C2)  feel  nor m al   or   eve n  fe el   easy   in  us e  the  syst em .  But,  C2  ha s  the  hi gh est   per cei ve d  us ef uln e ss.  It  m eans  that  m os t  of  the   res po nd e nts  know  a nd  un der sta nd  the  ben e fits  of  dig it al   te ch no l ogy   to s upport aca dem ic  acti viti es  in h i gh e r  e duc at ion .   b.   Ba sed  on  th e   cl us te ri ng  re su lt   in   Fig ur e   3,  c om par ed   with   the   stu den t,   m os t  of  the  le ct ure r  a nd   edu cat io nal  pe rson nel  are  i n  C2.  It  m eans  that  the  le c turer  an d  e du cat ion al   pe rs onnel  ca n  le a r n     the  syst em   eas ie r  that  stu dent .  This  fact  shows  that  the  s ocial iz at ion   h as   not  bee n  e ve nly  distrib uted ,   it   sh ou l d  be  a ssu m ed  that  so ci al iz at ion /  trai nin g  on  the  us e  of  the  sys tem   is  m os t ly  carried  out  by   le ct ur ers  and e du cat io nal  pers onnel tha n  t he st ud e nt.   c.   Ba sed  on  ge nder  in  Fi gure  4,   the re  is  no   sign ific a nt  cl ust er  dif fer e nce.   Moreove r,   th ere  are  to o  m a ny  m e m ber s  of   C 1  an d  C2  t hat  in  the  sam e  cl us te r  reg i on.  H oweve r,   it   is  show n  that  gend er  does  no t  af f ect  the use  of  tec hnol og y a nd  digi ta l cult ur e in  hi gh e r  e du cat io n.   d.   Be cause  of   t he   high  a ge  var i at ion   ( vis ualiz ed  in   Fig ur e   5),  it   ap pea rs  th at   the  cl us te rs   form ed  are  not   com pact.  How ever,  w hat  ca n  be  ob ta in ed  from   cl us te r  res ults  base d  on  a ge  that  i n  the  age  ra nge  a bove   30   ye ars ,  m or e   in  C2.  This  sh ows  that  they   can  us e  the  inform ation   syst e m   well   and   feel  the  ben efit   of   the in fo rm at io n  syst em  b ecau se of the  s uppo rt of  good s oci al iz at ion  and tr ai nin g sy ste m s .     Evaluation Warning : The document was created with Spire.PDF for Python.
                          IS S N :   2088 - 8708   In t J  Elec  &  C om p  En g,   V ol.  10 , No .  5 ,  Oct ob e r 2 020  :    45 69   -   45 80   4576   3.3.   Result   of  text  analy tics   3.3.1.  Te s t  pre - pr ocessin g   Text  pr e - proce ssing   is  an  im portant  phase  in  te xt  analy tics,  inclu ding  in  te xt  m ining   and   natu ral  la nguag e   pro c essing.  Te xt  pre - processi ng   i s  a  phase  t o  prepa re  te xt  dat a  unti l  read y  t o  process  i n  the  nex t   ph a se  an d  ens ure  the  qual it y  of   te xt  data  [7 5 ,  76 ] ,  ei ther  in  t he  input  proce s s  or   res ult  proc ess.  N ot  al l  pr oc ess  in  the  te xt  pre - proce ssin g  is  us e d,   s om eti m es  it   is  in  accord a nce  wit h   th e  need s  of  the   researc h.   G en erall y,  there  are  to ke nizing,  lo wer  case  (case  f old in g),  rem ov e  re gu la r  ex pr essi on,  sto p - w ord  rem ov i ng,  an d  stemm ing   pro cess  in  t he  te xt  pre - proces s ing   proces s  [77 ] .  E ver y  la ngua ge  has   dif fer e nt  cha ract erist ic s,   structu res,  an d  gr am m a r,   inc lud in g  t he  I nd on e sia n  la ng ua ge.   T his  resea rch   us es   the  I ndonesi an  la ngua ge.     The  te xt d at a is  co ll ect ed  is c onta ined  the  m e ssage, i m pr ession, a nd ho pe fr om  2 887 res pond e nts.     3.3.2.  Resul t a nd  inte rpret at ion  of t e xt ana lytics   Figure  6  il lustr at ed  the   w ord  cl oud  base d  on   the  f re qu e ncy  of   w ords.  As   s how n  in   Fig ur e   7  t op  15  of   words  that   ap pear e d  from   te xt  data  are:  l ebih   (m or e),   di gital ,  apli kasi   (a pp li cat io n) ,   m ahas isw a  (c ollege  stud e nt),   sy ste m  (syste m ),   semog a  ( hope/   wish ) ,  baik   (go od /  well ) ,  UIN,  on li ne ,  yg  (a bbre viati on   of   yang - prep os it ion  in  I ndones ia n  la ng uag e ),  bany ak   (a  l ot   of /  m any/   m uch ),   ti dak  (no),  nya  ( pos sessive   pro noun  in  I ndon e sia n  la ngua ge),  s os iali sa i  (so ci al iz at ion),   an d  inf or m ation  (in f or m asi ).   Actuall y,  the   wor d  su c h  as  yg ,  ti dak,  n ya ,  ti da k ,  and   m any  m ore  wh ic h  are  a bbre viate d  a nd   i nclu ded   i n  the  stop - w ord  cat e gory,  un s ucces sf ully   rem ov ed.   And  al so ,  seve ra l  aff ixes  in  t he   stemm ing   proces s  is  not  change d.   It  ha pp e ns  because  this e xperim ent u ses t he  Sa strawi li brary  for  Pyt ho n wit hout   im pr ovem ent f or this  case  [7 8 ] .   Ba sed  on  the   te xt  analy ti cs  resu lt   a bout  t he   m essage  an d  hope   of  res ponde nt  incl ud i ng  le ct ur e r,   edu cat io nal  pe r so nnel ,  and st udent,  it  can  b e   con cl ud e d  t hat:   a.   In  acc orda nce  with the res ult of   pe rceive d  ea se of use ( PEU) and act ual syst e m  u se (ASE )  w hich  are  l ow ,   the  res pondent   (esp eci al ly   stud e nt)  hopes  t hat  so ci al iz at ion   or   trai ning  of   in f or m at ion   syst e m   m us t   be  c om pr ehe ns ive   and   m assive.  This  can  im pr ov e  t he  di gital   culture  in  higher  e du c at ion   that  introd uce s     the  syst em   (o r  ne w  syst em )   com plete ly   a nd  th oroug hly  for  al l  en d - use rs.   N ot  only   certai n  gro ups ,   because   each  us er  has  a  different  le vel  of   unde rstan ding  and   a djust m en t  about  the  in f or m at ion   syst em .   The  dig it al   nat ives  who  bor n  m or e  than   19 80  an d  fam ilia r  with  dig it al   te chnolo gy  al le ged ly   faster  i n  unde rstan ding  new syst em s o r  te ch nolo gy th an  im m igran ts  natives  [79 ] .    b.   The  so ci al iz at ion   m us t  be  suppo rted  by  a  m anu al   book  wh ic h  com plete s  for  each  in f or m at ion   syst em .   The  fact  of   the   su r vey  sho ws   that  m anu al   books  no t  al l  av ai la ble  fo r  eac h  syst em ,  and   al so   incom plete   instru ct io ns  f or  us e  i n  t he  s yst e m .  Even  thou gh  the   m a nu al   bo ok  is  a vaila ble,  but  it   has   not  s ha re d/   inf or m /  so ci al i zed  well ,  s o  t hat  not  al l  end - us e r  ge t  the  m anu al   book  or   ca n  sea rch   the  m anu al   book  easi ly .  Especia ll y  fo r  t he  st udent,  in   acc orda nce  with  the   K - m eans  cl us te ri ng  res ult,  m os t  of  the   stu den t s  are in  C1 w ho  feel nee d  m or e  effo rt to use t he  syst e m  b ecau se of the  lack  of s ocial iz at i on.   c.   Gen e rall y,  res pondents   ho pe   that  the   in for m at ion   syst em ,   buday a  dig it al /  dig it al   cultu r e,  syste m   dig it al/  dig it al   syst e m ,   on li ne  syst em   in  UI N  Sunan  Gun ung  Dj at i  Ba ndun g  le bih   ba ik /  be tt er  than  befor e .   This  hope  pro ves  that  dig it al   culture  in  U I N  Suna n   G unung  D j at i  Ba ndun g  al read y  a wak e ne d.   It  is   in   accor da nce  wi th  BIU  res ults  that  above  aver a ge,   i nter est ,  support ,  and   desire  t o  us e  in form ation  te chnolo gy  are   quit e  high .  T his  need s   to  be   sup ported  by   syst e m   fu nc ti on s  t hat  m ee t  the  ne eds   of   academ ic   so ci et y,  tho r ough  so ci al iz at ion ,  and   a  c om plete  m anu al   book.  S o  that  digi ta l  culture  will   furthe r  i m pr ov e  becau se  th e  syst e m   is  easy  to  us e,  acc ord ing   to  the  needs  of   aca dem ic  so ci et y,  and   ha s     a d irect  im pact on  perform ance b eca us e  w ork becom es m or e eff ect i ve   a nd  eff ic ie nt.           Figure  6 .   Wo r d  cl oud res ult   Evaluation Warning : The document was created with Spire.PDF for Python.
In t J  Elec  &  C om p  En g     IS S N: 20 88 - 8708       Da t a  sci e nce f or   dig it al c ultu re im pr ove me nt  in  hi gh e r e ducation  …  ( Dian  Sa’ ad il la h  M aylaw ati )   4577       Figure  7 .   To p 15  f reque nt of  words       4.   CONCL US I O N   This  researc h  is  co nducte d  com pr ehe ns i vely   in  orde r   to  e valuate   the  i nfor m at ion   te c hnology  i m ple m entat io n  i n  higher   e du cat io n.  T he   quest io nn ai re   data  from   le ct ur er s,  stu de nts,  a nd  e duc at ion al  per s onnel  are  analy zed  us i ng  exp lo rato ry  da ta   analy sis  (ED A ),   K - m ean  cl us te rin g  al gorithm ,  and   al so   te xt  analy ti cs.  The  resu lt   of   the  e xp e rim ent  of   EDA   a nd   K - m eans  al gorithm   sh ows  that  to  i m pr ov e  the  dig it al   culture  with  hi gh   per cei ved   e ase  of   us e  an d  act ual  syst e m   us e  of  inf orm a ti on   te ch no l ogy  sh ould  be  s uppo rted   with   com plete   and   c om pr eh ensive  s ocial iz at ion ,  a nd   al s o  pro vid e  the  m anu al   guide  for  each  in for m at ion   syst e m .  This  resu lt   in  accor da nce  with  the  hope  of  en d - use r  that  need   in f or m at ion ,  knowle dge,  an d  guideli ne   for  a n  in form a ti on   syst em   th at   they   us e d.   Digital   cultu re   thr ough  beh a vioral   intenti on  use   of  in f orm at ion  syst e m   that  alr eady  a wak e ne d  s hould   be  m ai ntained  a nd  i m pr ove  with   the  qual it y  of   inf or m at ion   syst e m   wh ic h fu lfil ls t he user  r e quire m ents.    Fo r  furthe r  w orks,   it   needs  to  pr e par e  the   data  bette r  so  th at   it  can  produce  the  reli able  cl us te r,  al tho ug h  cl us te rin g  is  no t  us e d  to  pre dict,  it   can  pro duce  a  m or e  accurate  interp retat ion   i f  the  data  pr e pa red   is  bette r.   The   ot he r  cl us te rin g  m et hods   ca n  be  us e d  to   get  a   be tt er  cl us te r.  A nd  al so,  it   can   us e  t he  cl a ssifi cat io n  appr oach  to   pr edict   the  ty pe  of  res ponde nt  and  the   res ult  can  be  us e d  a s   decisi on   sup port  by  poli cym aker  in  higher  educat ion rela te d t o  i nfo rm ation  tec hnol og y a nd  digi ta l cult ur e im pr ovem ent.       ACKN OWLE DGE MENTS   The  re searc hers  woul d  li ke  to  ap p reciat e  and   m any  than ks   to  Re ct or  a nd   t he  aca dem ic   so ci et y  of   UIN Su nan Gu nung  Dj at i B a ndun g who s upport t his r esea rc h.       REFERE NCE S     [1]   1E  Repor t ,   “ The Re a l  Cost   of  Un used  Software , ”   1E  Company ,   20 15.   [2]   D.  Jam al uddin,   M.  A.  Ramdhani,   T.   Pria tna,  an d  W .   Darm al aksa na,   “ Techno  Univer sit y   to  incr ea se  the   qua li t y   of   isla m ic   highe r  e duca t ion  in  Indo nesia , ”  Inte rnat i onal  Journal  of  Civ il   Engi ne erin g  and  Technol ogy ,  vol .   10,   no.   1,   pp.   1264 - 1273 ,   2019.   [3]   D.  Kurniadi,  “ Pera nc anga n  Ars i te ktur  Sis t em  E - ac ad emic  deng a n  Kons ep  Kam pus  Digit al   Meng gunaka n  Unifi ed   Software   Deve l opm ent   Proce ss   (US D P) - Archi te ct ur al   Design  of  E - ac ad emic  S y stems   with  Digit al   Campus   Conce pts  Us ing   the  Unifie d   Software   Dev el op m ent   Proce ss   ( US DP ), ”  Jurnal  Wawasan  Ilmia h  Manaje men   d an  Tekni k   Informati ka ,  vo l. 5, no. 10 ,   Mar .   2014 .   Evaluation Warning : The document was created with Spire.PDF for Python.
                          IS S N :   2088 - 8708   In t J  Elec  &  C om p  En g,   V ol.  10 , No .  5 ,  Oct ob e r 2 020  :    45 69   -   45 80   4578   [4]   M.  E.  Mahm ud,   “ Mewujudka n  Sekola h  At au  K ampus   Digit al - C rea t ing  a   School   or  Campus   Dig it al , ”   Dinamika   Ilmu ,   vol .   1 ,   no   1,   2011 .   DO I:  do i. org/10 . 21093/d i. v11i1 . 46   [5]   A.  Abuarqoub  e t  al. ,   “ A  surve y   on  int ern et   of  th ings  ena bl ed  sm art   c ampus   applications, ”   in  AC M  Inte rnationa l  Confe renc e  on  Fut ure  Net work s  and  Distribute d  Syste ms   ( ICF NDS  2017 ) ,  Ca m bridge ,   Unite d   Kingdom ,   pp.   1 - 7 ,   2017.   DO I:  do i.org/10. 1145/310 2304. 3 109810   [6]   X.  Dong,  X.  Ko ng,   F.  Zha ng,   Z .   Chen,   and  J.  Kang,   “ OnCampus:  a  m obil e  pla tform  towar ds  a  sm art   ca m pus,”   Springerplus ,  vo l.   5 ,   no .   974 ,   201 6.   DO I:  do i. org/ 10. 1186/s40064 - 016 - 2608 - 4   [7]   M.  R.   Vee rama nic kam  and  M.  Mohana pri y a ,   “ IOT  ena ble d  Fut ure s  Sm art   Cam pus  with  eff ec tive  E - Learni ng :     i - Campus , ”  Journal  of   Engi n ee ri ng  Technol og y  ( JE T) , v ol.   3 ,   n o.   4,   pp .   81 - 87 ,   Ap ril   20 16 .   [8]   A.  Alghamdi  an d  S.  Shetty ,   “ Surve y   towar d  a  s m art   ca m pus  using  t he  interne t  o f  thi ngs,”   in  Proce ed ings  -   2016  IEE E   4th   Inte rn ati onal  Con fe ren ce   on   Fu ture  In t erne t  o f  Things   a nd  Cloud  ( Fi Clo ud) ,  Vienna ,   pp.   235 - 239,   2016 .   [9]   H.  I.   W ang,   “ C onstruct ing  the   gre en  ca m pus  withi n  the   inter net   of  thi ngs  arc hitect ur e,”  Int.  J.   Distrib.  Sens.   Net works ,  vo l. 1 0,   no .   3 ,   pp .   1 - 8 ,   2014.   [10]   B.   Manoj,   K.  V.  K.  Sasikant h,   M.   V.  Subbara o,   and  V.  Jy oth i  Praka sh,  “ Anal y sis of  dat a  scie n ce   wi th  the   use  of  big  dat a , ”   Int. J. Adv .   Tr ends  Comput .   Sc i. E ng . ,   vol.  7,   no .   6 ,   pp .   87 - 90,   2018 .   [11]   P.  S.  Arocki a,   S .   S.  Varne kha ,   a nd  K.  A.  Vene shia,   “ The   17  V’ s  of  Big  Data , ”  Int.   R es.   J.   Eng.  Technol . ,   vol.   4 ,     no.   9 ,   pp .   3 - 6 ,   2 017.   [12]   S.  Sagirogl u   an d  D.  Sinan c,  “ Big  data:   A  re vie w,”  in   Proceedi ngs  of   the  2 013  Inte rnat ion al  Confe r enc e   on  Coll a boration  T ec hnolog ie s and   Syste ms ,   CT S  20 13 ,  San   Diego,  CA,  pp.   42 - 47,   2 013.   [13]   K.  Borne,   “ To p  10  Li st  –   The   V’s   of  Big  Data,”   Data   Sci en ce   C ent ral ,   2014.   [Onl i ne] .   Avail ab le:   htt ps:// ww w.dat asc ie n cece ntr al.com /profi le s/blog s/top - 10 - li st - th e - v - s - of - big - d at a .   [14]   H.  Jiawe i,   M.  Kam ber ,   J.  Han,   M.  Kam ber ,   and  J.  Pei,   “ Dat a  Mining:   Conc ept s  and  Te chn ique s ,”   Morgan   Kaufmann ,  2 nd   E d. ,   2 006.   [15]   M.  Abza lov ,   “ Expl ora tor y   data a naly s is,” i n   Mod ern  Approache s   in  Soli d   Earth   Sc ie nc es ,   2016 .   [16]   G.  Saporta ,   “ 50   Yea rs  of  Data   Anal y sis:  From   Expl ora tor y   D ata  Anal y s is  to  Predictive   Mode ling  and  Mac hine  Le arn ing,”  Dat a   Anal.  Appl.   1  Clust.   R egr essio n,   Model .   Fore c ast.   Da ta  Min. ,  ISTE - W il e y ,   Da ta   Ana l y s is  and   Applic a ti ons,  97 8 - 1 - 78630 - 382 - 0.   ffh al - 0247 074 0f,   2019 .   [17]   A.  Kaz emi  and   G.  Khodaba ndehl oui e,   “ A  new  ini ti alisati on  m et hod  for  k - me ans  al gori thm  in  the   cl ust eri n g   proble m :  da ta a n aly s is,”  Int .   J. Data  Ana l. Tec h.   Strate g. ,   vo l. 10, no. 3, pp. 291 - 3 04,   2018 .   [18]   I.   D.   Dinov,   “ K - Mea ns Cluste r in g, ”   in  Data   Sc ience   and   Pred ic t i ve   Anal y tics ,   Spr inge r, pp.   443 - 4 73 ,   2018 .   [19]   P.  Nerurka r,   A.  Shirke,   M.  Chan dane ,   and  S.  Bhi rud,   “ Empiric a l  ana l y sis  of  data  cl uster ing  al gor i thms , ”  Proce di a   Comput.   Sc i. ,   vo l.   125 ,   pp .   770 - 7 79,   2018 .   [20]   H.  Anderson  and  G.   As col i,   “ Expl ora tor y   D at a  Ana l y s is  of  Autobiogra phi c al   Mem or y   T re nds,”   J.   S tude n t - Sci en ti sts’ R es. ,   vol.   1 ,   2019 .   [21]   J.  T.  Chi ,   E .   C .   Chi,   and  R.   G.  Bara niuk ,   “ K - pod:  A  m et hod  for   K - m ea ns  cl uste ring  of  m issing  dat a , ”   Am.   S ta t . ,    vol.   70 ,   no .   1 ,   pp .   91 - 9 9 ,   2016 .   [22]   D.  Ife nthaler ,   S.  Greif f ,   and  D.   Gibson,  “ Making  use  of  dat a  for  assess m ent s:  Harne ss ing  anal y ti cs  and  d ata   scie nc e,”  in   Int e rnational   handb ook  of   IT i n   primar y  and  se conda ry  educ a ti on   ( 2  e d. ) ,   Springer ,   20 18.   [23]   C.   Rom ero   and S .   Ventur a ,   “ Ed uca t iona l   data  sc ie nc e  in  m assive   open  onl ine   cou rses,”   Wi le y   Int e rdiscip.   R ev.  Dat a  Min.   Know l. Discov . ,   vo l. 7, no.  1,   p p .   e1187 ,   20 17.   [24]   L.   Gaid  and  C.   H.  Yu,  “ A  dat a  scie nc e  appr o ac h  to  ide nt if y   cru cial  factors  of  pre dic t ing  tes t  per form anc e  in   Program   for  Inte rna t iona l  Stud e nt  As sessment, ”   SCCUR   South ern  Cali fornia   Confe renc es  for  Undergr aduate  Re search ,  2019.   [25]   H.  Prahe rdhiono ,   E.   P .   Adi,   and   R.   N.  Devi ta ,   “ Understa nding  o f  Digit a l  Learni ng  Source s  with   the   Heut agog y   Approac h  using  the   K - Mea ns  an d  Naive   B a y es  Methods, ”  in   20 18  4th  Int ernational  Confe ren ce  on  Educ a ti on  a nd  Technol ogy   ( ICET) ,   pp.   23 - 27 ,   2018 .   [26]   T.   M.   L i,   H .   H.   Cho,   H.  C .   Ch a o,   T .   K.   Shih,   a nd  C.   F.   L ai ,   “ An  accurate  br ai n wave - base d  emotion  cl uster ing   f or  le arn ing  ev al u at i on, ” in  In te rnati onal  Symposium   on  Eme rging   Te chnol ogi es  for Educat ion ,   pp .   22 3 - 233 ,   2017 .   [27]   M.  K.  Kim ,   K.  Xie,   and  S. - L .   C heng,   “ Buil d ing  te a che r  competenc y   for  dig it a l  c onte nt  evalua t io n, ”  Tea ch.   Tea c h.   Educ . ,   vo l. 66, p p.   309 - 324 ,   201 7.   [28]   C.   Yin,   Z.  Ren ,   A.  Pol y zou ,   an d  Y.  W ang,   “ L ea rning   Beha v io ral   Pat te rn   Anal y sis  Based   on  Digit al  T ext boo k  Rea ding   Logs, ”  i n  Inte rnat ional   Confe renc e  on   Hum an - Comput er  Inte rac ti on ,   p p.   471 - 480 ,   201 9 .   [29]   D.  Sarka r,   " Te x t   Anal y ti cs  with  P y tho n  -   A  Prac ti c al   Real - W orld   Approac h  to  Gaini ng  Act iona bl e  Insights  from  Your Dat a ,"   A Press ,  2016.   [30]   J.  W .   Tuk e y ,   “ T he  Future   of  Da t a  Anal y sis, ”  Ann .   Math .   S tat. ,  vol .   33 ,   n o.   1 ,   pp .   1 - 67 ,   1962 .   [31]   D.  C.   Hoagli n ,   “ John W .   Tukey   and  Dat a  Ana l y s is,”   S tat ist ic al   Sc ie nc e ,  vol. 18, n o.   3 ,   pp .   311 - 31 8 ,   2004 .   [32]   H.  Jiawe i,   M.  Kam ber ,   J.  Han,   M.  Kam ber ,   and  J.  Pei,   " Da ta   Mining:   Con ce pts  and  T ec h nique s ,"   Morgan   Kaufmann ,  3 rd   Ed . ,   2012.   [33]   P.  Nerurka r,   A.   Shirke,   M.  Chanda ne,   and  S.  B hirud,   “ A  novel   heur isti c  for  ev olut iona r y   cl ust eri ng, ”  Proce d ia  Comput.   Sc i. ,   vo l.   125 ,   pp .   780 - 7 89,   2018 .   [34]   J.  A.  Har ti g an  a nd  M.  A.   W ong,   “ Algorit hm   A S  136:  A  K - Me ans  Cluste r ing  Algorit hm ,”  Jou rnal  of  the  Royal   Stat isti cal Soc i ety.   S erie s C ,  ( App li ed   Statis ti cs) ,   v ol.   28 ,   no .   1 ,   pp .   100 - 108 ,   1979 .   [ 35 ]   C.   Slamet,   A .   R ahman,   M.  A.  R amdhani,   and  W .   Dharm al aksa n a ,   “ Cluste ring  th e   ver ses  of  the   h ol y   qur’ an  using  K - m ea ns a lgorit hm , ”  Asian   Jour nal  of   Informati on  Technol og y,  vol.   15 ,   no .   24 ,   p p.   5159 - 5162 ,   2 016     Evaluation Warning : The document was created with Spire.PDF for Python.