ANALISIS KEBERHASILAN STUDI AWAL MAHASISWA MENGGUNAKAN KLASTERISASI K-MEANS

Painem Painem(1*), Hari Soetanto(2), Achmad Solichin(3)

(1) 
(2) Universitas Budi Luhur
(3) Universitas Budi Luhur
(*) Corresponding Author

Abstract


Mahasiswa merupakan salah satu elemen penting dalam perkuliahan di perguruan tinggi. Setiap mahasiswa yang menempuh kuliah di suatu perguruan tinggi tentunya menginginkan dapat lulus tepat waktu dengan memenuhi kualifikasi akademik yang optimal. Demikian juga bagi pihak program studi dan universitas, keberhasilan studi mahasiswa merupakan salah satu indikator penting dalam keberhasilan penyelenggaraan pendidikan di perguruan tinggi. Analisis keberhasilan studi mahasiswa seharusnya dilakukan secara berkala mulai dari awal studi hingga akhir studi. Hasil analisis keberhasilan studi dapat dijadikan dasar dalam pengambilan keputusan dan evaluasi program pembelajaran bagi program studi maupun universitas. Namun demikian, melakukan analisis keberhasilan studi mahasiswa pada sebuah perguruan tinggi dengan jumlah mahasiswa yang cukup banyak terkadang sulit dilakukan dan cukup rumit Pengelola universitas dan/atau program studi seringkali kesulitan dalam menyusun program pembelajaran yang tepat sasaran bagi mahasiswa dalam rangka menghasilkan lulusan yang memiliki kemampuan akademik yang optimal dan lulus tepat waktu. Untuk membantu ketua program studi dalam melakukan analisis keberhasilan studi awal mahasiswa adalah dengan metode klusterisasi k-means. Berdasarkan analisa keberhasilan studi awal mahasiswa menggunakan kalsterisasi K- means maka mahasiswa yang masuk ke klaster 0 adalah 22,6 % atau sebanyak 3055 mahasiswa, sedangkan yang masuk ke klaster 1 adalah 69,5 % atau sebanyak 9405 mahasiswa dan yang masuk ke dalam klaster 2 adalah 7,9 % atau 1066 mahasiswa

Full Text:

PDF (Indonesian)

References


I. Vhallah, S. Sumijan, and J. Santony, Pengelompokan Mahasiswa Potensial Drop Out Menggunakan Metode Clustering K-Means, J. RESTI (Rekayasa Sist. dan Teknol. Informasi), vol. 2, no. 2, pp. 572577, 2018, doi: 10.29207/resti.v2i2.308.

Haris Kurniawan, Sarjon Defit, and Sumijan, Data Mining Menggunakan Metode K-Means Clustering Untuk Menentukan Besaran Uang Kuliah Tunggal, J. Appl. Comput. Sci. Technol., vol. 1, no. 2, pp. 8089, 2020, doi: 10.52158/jacost.v1i2.102.

I. Rahma, P. Prima Arhandi, and A. Tufika Firdausi, Penerapa Metode Hierarchical Clustering Dan K-Means Clustering Untuk Mengelompokkan Potensi Lokasi Penjualan Linkaja, J. Inform. Polinema, vol. 6, no. 1, pp. 1522, 2020, doi: 10.33795/jip.v6i1.287.

H. Priyatman, F. Sajid, and D. Haldivany, Klasterisasi Menggunakan Algoritma K-Means Clustering untuk Memprediksi Waktu Kelulusan Mahasiswa, J. Edukasi dan Penelit. Inform., vol. 5, no. 1, p. 62, 2019, doi: 10.26418/jp.v5i1.29611.

R. Dekaprasetya, U. R. Anisatur, and L. Ali Muharom, Clustering Untuk Menentukan Strategi Promosi Universitas Muhammadiyah Jember Dengan Algoritma K-Medoids, J. Smart Teknol., vol. 3, no. 3, pp. 312320, 2022.

B. A. Nugroho, I. D. Irawati, A. L. Saonard, and P. C. Analysis, Pengelompokan Transaksi Pelanggan Kartu Kredit Menggunakan Algoritma Clustering K-Means, vol. 9, no. 1, pp. 135138, 2023.

P. Chapman et al., CRISP-DM 1.0 Step-by-step data mining guide. 2000.

C. Schrer, F. Kruse, and J. M. Gmez, A systematic literature review on applying CRISP-DM process model, Procedia Comput. Sci., vol. 181, no. 2019, pp. 526534, 2021, doi: 10.1016/j.procs.2021.01.199.

S. Handoko, F. Fauziah, and E. T. E. Handayani, Implementasi Data Mining Untuk Menentukan Tingkat Penjualan Paket Data Telkomsel Menggunakan Metode K-Means Clustering, J. Ilm. Teknol. dan Rekayasa, vol. 25, no. 1, pp. 7688, 2020, doi: 10.35760/tr.2020.v25i1.2677.

V. A. Ekasetya and A. Jananto, Klusterisasi Optimal Dengan Elbow Method Untuk Pengelompokan Data Kecelakaan Lalu Lintas Di Kota Semarang, J. Din. Inform., vol. 12, no. 1, pp. 2028, 2020, doi: 10.35315/informatika.v12i1.8159.

D. A. I. C. Dewi and D. A. K. Pramita, Analisis Perbandingan Metode Elbow dan Silhouette pada Algoritma Clustering K-Medoids dalam Pengelompokan Produksi Kerajinan Bali, Matrix J. Manaj. Teknol. dan Inform., vol. 9, no. 3, pp. 102109, 2019, doi: 10.31940/matrix.v9i3.1662.




DOI: http://dx.doi.org/10.30998/faktorexacta.v16i3.19539

Refbacks

  • There are currently no refbacks.


Bookmark and Share


Creative Commons License
This work is licensed under a Creative Commons Attribution-NonCommercial 4.0 International License.

template doaj grammarly tools mendeley crossref SINTA sinta faktor exacta   Garuda Garuda Garuda Garuda Creative Commons License
This work is licensed under a Creative Commons Attribution-NonCommercial 4.0 International License.

Flag Counter

site stats View Faktor Exacta Stats


pkp index