KLASTERISASI HASIL EVALUASI AKADEMIK MENGGUNAKAN METODE K-MEANS (STUDI KASUS FAKULTAS ILMU KOMPUTER UNILAK)
Abstract
Abstrak
Perkembangan ilmu pengetahuan dan teknologi menuntut perguruan tinggi sebagai lembaga pendidikan yang formal, untuk dapat menghasilkan lulusan yang bermutu dan kompeten. Pembelajaran pada perguruan tinggi seharusnya lebih inovatif dan kreatif dalam menghasilkan lulusan serta responsif akan kebutuhan tenaga kerja, Dalam penelitian ini, dilakukan pengelompokan mahasiswa berprestasi dan bermasalah dengan metode Klastering K-means, dilakukan untuk mengklaster data akademik mahasiswa menjadi empat buah klaster, yaitu klaster mahasiswa berprestasi, berpotensi berprestasi, berpotensi bermasalah, dan klaster mahasiswa bermasalah. hasil perhitungan manual dan pengujian dengan aplikasi menggunakan 20 sampel data akademik mahasiswa mendapatkan hasil yang sama. Di mana hasilnya adalah cluster 1 terdiri dari 5 anggota mahasiswa yang berpotensi berprestasi, cluster 2 terdiri dari 5 anggota mahasiswa yang berpotensi bermasalah, cluster 3 terdiri dari 9 anggota mahasiswa yang berprestasi sedangkan cluster 4 terdiri dari 1 anggota mahasiswa yang bermasalah.
Abstract
The development of science and technology demands higher education as a formal educational institution to be able to produce qualified and competent graduates. Learning in tertiary institutions should be more innovative and creative in producing graduates and responsive to the needs of the workforce. In this study, students with achievement and problems were grouped using the K-means cluster method, which was conducted to cluster student academic data into four clusters, namely clusters of high achieving students, potential achievers, potential problems, and problem student clusters, the results of manual calculations and testing with the application using 20 samples of student academic data get the same results. Where the result is cluster 1 consists of 5 student members with potential achievement, cluster 2 consists of 5 student members who have the potential to have problems, cluster 3 consists of 9 student members who excel, while cluster 4 consists of 1 student member with problems.
Downloads
References
Asroni, dan Adrian R, 2015 "Penerapan Metode K-Means Untuk Clustering Mahasiswa Berdasarkan Nilai Akademik Dengan Weka Interface“ Studi Kasus Pada Jurusan Teknik Informatika UMM Magelang " jurnal ilmiah semesta teknika vol. 18, no. 1, 76-82.
Fan Z, dan Yan S, 2016 “Clustering of College Students Based on Improved K-means Algorithm”, © IEEE and DOI 10.1109/ICS.2016.138, International Computer Symposium. Suwirmayanti.
Heni S, dan Acep Irham G, 2017. “Penerapan Data Mining Dalam Pengelompokan Penderita Thalassaemia” jurnal teknologi dan sistem informasi - vol. 03 no. 02 299-305.
Jacob j, Jha K, Kotak P, dan Puthran S, 2015. “Educational Data Mining Techniques and their Applications” ©IEEE.
Metisen B M, dan Sari H L, 2015 “Analisis Clustering Menggunakan Metode K-Means Dalam Pengelompokkan Penjualan Produk Pada Swalayan Fadhila”, Jurnal Media Infotama Vol. 11 No. 2.
Nainjha R, 2015. “Data Mining And Knowledge Discovery In Database” International Journal of Engineering Trends and Technology (IJETT) – Volume23 No2.
Jaroji, Danuri, Fajri P P, 2016 “K-Means Untuk Menentukan Calon Penerima Beasiswa Bidik Misi Di Polbeng” jurnal inovtek polbeng - seri informatika, Vol. 1, No. 1
Siska, S T, 2016. “Analisa Dan Penerapan Data Mining Untuk Menentukan Kubikasi Air Terjual Berdasarkan Pengelompokan Pelanggan Menggunakan Algoritma K-Means Clustering” Jurnal Teknologi Informasi & Pendidikan, 9(1), pp.86–93.
Soeleman A, Syukur A, dan Reza A, 2017 “Penentuan Jurusan Siswa Sekolah Menengah Atas Disesuaikan Dengan Minat Siswa Menggunakan Algoritma Fuzzy C-Means”, Jurnal Teknologi Informasi, Volume 13 Nomor 1.
Singh I, Sabitha A, dan Bansal A, 2016 “Student performance analysis using clustering algorithm” 978-1-4673-8203-8/16/ IEE.
Widya S A, dan Dedy A, 2016 “ Pengelompokan Minat Baca Mahasiswa Menggunakan Metode K-Means ” Jurnal Ilmiah ILKOM Volume 8 Nomor 2.
