Klasterisasi Calon Mahasiswa Baru Universitas Almuslim Menggunakan K-Means Clustering
Kata Kunci:
Clustering, K-Means, Universitas Almuslim, Google Colab, Minat AkademikAbstrak
Keberagaman latar belakang akademik calon mahasiswa baru di Universitas Almuslim sering kali menjadi tantangan dalam menentukan bidang ilmu yang sesuai. Penentuan bidang ilmu sangat penting karena pemilihan program studi yang tidak tepat dapat memengaruhi proses pembelajaran dan pengembangan potensi mahasiswa selama masa studi. Pemilihan bidang ilmu yang sesuai memungkinkan mahasiswa untuk belajar secara optimal dan mempersiapkan diri menghadapi dunia kerja sesuai dengan minat dan kemampuannya serta dapat membantu pihak universitas dalam merekomendasikan program studi dengan bidang ilmu yang sesuai untuk menyusun strategi penerimaan yang lebih terarah. Penelitian ini menerapkan metode clustering dengan algoritma K-Means untuk membantu mengelompokkan calon mahasiswa ke dalam dua bidang ilmu yaitu sains dan sosial. Pengelompokan bidang ilmu ini didasarkan pada 1000 data calon mahasiswa baru dengan atribut nilai ijazah (Matematika, IPA, Bahasa Indonesia, dan IPS), nilai tes, serta minat bidang. Proses analisis yang dilakukan dengan menggunakan metode K-Means clustering pada Google Colab menghasilkan Perhitungan sebanyak 17 iterasi, C1 (sains) dengan jumlah 518 orang yang memiliki minat dan nilai lebih tinggi dalam bidang sains, dan C2 (sosial) dengan jumlah 482 orang yang memiliki minat dan nilai lebih tinggi dalam bidang sosial. Pembagian ini menegaskan bahwa algoritma K-Means mampu mengelompokkan data berdasarkan karakteristik yang ada dalam dataset. Dengan hasil tersebut, K-Means Clustering terbukti efektif dalam mengelompokkan calon mahasiswa Universitas Almuslim berdasarkan latar belakang dan minat akademik mereka
Unduhan
Referensi
[1] M. M. Yafi and Taqwanur, “B. ANALISIS VALIDITAS DAN RELIABILITAS INSTRUMEN KEPUASAN PELAYANAN AKADEMIK,” Jurnal Teknik Industri dan Kimia, vol. 5, no. 1, 2022, doi: 10.54980/jtik.v5i1.186.
[2] Yovi, Ringgo Dwika, and Eka, “Penerapan Metode Monte Carlo pada Simulasi Prediksi Jumlah Calon Mahasiswa Baru Universitas Muhammadiyah Bengkulu,” Jurnal PROCESSOR, vol. 17, no. 2, 2022, doi: 10.33998/processor.2022.17.2.1224.
[3] G. W. N. Wibowo and M. A. Manan, “Penerapan Algoritma Naive Bayes Untuk Prediksi Heregistrasi Calon Mahasiswa Baru,” JTINFO (Jurnal Teknik Informatika), vol. 1, no. 1, 2022.
[4] T. Bartin, “PENDIDIKAN ORANG DEWASA SEBAGAI BASIS PENDIDIKAN NON FORMAL,” Jurnal Teknodik, 2018, doi: 10.32550/teknodik.v10i19.398.
[5] R. Hasan, “MENUMBUHKAN SIKAP NASIONALISME DAN BELA NEGARA MAHASISWA MELALUI PENDIDIKAN KEWARGANEGARAAN DI PERGURUAN TINGGI,” Jurnal Tunas Pendidikan, vol. 5, no. 1, 2022, doi: 10.52060/pgsd.v5i1.890.
[6] W. Wasilah, I. Azzaroh, N. Rahmawati, and A. Q. Z. Fitriana, “Pengaruh Salah Pilih Jurusan Terhadap Nilai Akademik Mahasiswa Program Studi BKI UIN Khas Jember,” Jurnal Ilmu Sosial, Humaniora dan Seni, vol. 1, no. 6, 2023, doi: 10.62379/jishs.v1i6.872.
[7] W. Primayasa, I. Arifin, and M. Y. Baharsyah, “Pengaruh Salah Pilih Jurusan Terhadap Rasa Putus Asa Mahasiswa Teknik Informatika,” Nathiqiyyah, vol. 3, no. 1, 2020, doi: 10.46781/nathiqiyyah.v3i1.76.
[8] A. T. Santo and I. N. Alfian, “Hubungan Dukungan Sosial dan Kecemasan dalam Menghadapi Dunia Kerja pada Mahasiswa Akhir,” Buletin Riset Psikologi dan Kesehatan Mental (BRPKM), vol. 1, no. 1, 2021, doi: 10.20473/brpkm.v1i1.24895.
[9] H. Haryati and N. Hasanah, “Kecemasan Mahasiswa Fakultas Dakwah Menghadapi Dunia Kerja,” INNOVATIO: Journal for Religious Innovation Studies, vol. 19, no. 2, 2020, doi: 10.30631/innovatio.v19i2.88.
[10] F. Handayani, “Aplikasi Aplikasi Data Mining Menggunakan Algoritma K-Means Clustering untuk Mengelompokan Mahasiswa Berdasarkan Gaya Belajar,” Jurnal Teknologi dan Informasi, vol. 12, no. 1, 2022, doi: 10.34010/jati.v12i1.6733.
[11] A. Agneresa, A. L. Hananto, S. S. Hilabi, A. Hananto, and T. Tukino, “Strategi Promosi Penerapan Data Mining Mahasiswa Baru Dengan Metode K-Means Clustering,” Dirgamaya: Jurnal Manajemen dan Sistem Informasi, vol. 2, no. 2, 2022, doi: 10.35969/dirgamaya.v2i2.275.
[12] D. Armiady, “Analisis Metode DBSCAN (Density-Based Spatial Clustering of Application with Noise) dalam Mendeteksi Data Outlier,” JURIKOM (Jurnal Riset Komputer), vol. 9, no. 6, 2022, doi: 10.30865/jurikom.v9i6.5080.
[13] D. Armiady and I. Muslem R., “Penetapan Klaster Siswa Unggul Dengan Menggunakan Algoritma Roc-Smarter,” Jurnal TIKA, vol. 7, no. 2, 2022, doi: 10.51179/tika.v7i2.1229.
[14] I. R. Muslem and T. M. Johan, “KLIK: Kajian Ilmiah Informatika dan Komputer Klasifikasi Citra Ikan Menggunakan Algoritma Convolutional Neural Network dengan Arsitektur VGG-16,” Media Online), vol. 4, no. 2, pp. 978–985, 2023, doi: 10.30865/klik.v4i2.1209.
[15] D. Triyansyah and D. Fitrianah, “Analisis Data Mining Menggunakan Algoritma K-Means Clustering Untuk Menentukan Strategi Marketing,” Jurnal Telekomunikasi dan Komputer, vol. 8, no. 3, 2018, doi: 10.22441/incomtech.v8i3.4174.
[16] S. Aulia, “KLASTERISASI POLA PENJUALAN PESTISIDA MENGGUNAKAN METODE K-MEANS CLUSTERING (STUDI KASUS DI TOKO JUANDA TANI KECAMATAN HUTABAYU RAJA),” Djtechno: Jurnal Teknologi Informasi, vol. 1, no. 1, 2021, doi: 10.46576/djtechno.v1i1.964.
[17] R. NOVIANTO, “Penerapan Data Mining menggunakan Algoritma K-Means Clustering untuk Menganalisa Bisnis Perusahaan Asuransi,” JATISI (Jurnal Teknik Informatika dan Sistem Informasi), vol. 6, no. 1, 2019, doi: 10.35957/jatisi.v6i1.150.
[18] N. T. Hartanti, “Metode Elbow dan K-Means Guna Mengukur Kesiapan Siswa SMK Dalam Ujian Nasional,” Jurnal Nasional Teknologi dan Sistem Informasi, vol. 6, no. 2, 2020, doi: 10.25077/teknosi.v6i2.2020.82-89.
[19] F. Grandoni, R. Ostrovsky, Y. Rabani, L. J. Schulman, and R. Venkat, “A refined approximation for Euclidean k-means,” Inf Process Lett, vol. 176, 2022, doi: 10.1016/j.ipl.2022.106251.
[20] E. Rohaeti, I. M. Sumertajaya, A. H. Wigena, and K. Sadik, “MTSClust with Handling Missing Data Using VAR-Moving Average Imputation,” Mathematics and Statistics, vol. 11, no. 2, 2023, doi: 10.13189/ms.2023.110201.
[21] M. Andryan, M. Faisal, and R. Kusumawati, “K-Means Binary Search Centroid With Dynamic Cluster for Java Island Health Clustering,” Jurnal Riset Informatika, vol. 5, no. 3, 2023, doi: 10.34288/jri.v5i3.511.
[22] K. Arai and A. Ridho Barakbah, “Hierarchical K-means: an algorithm for centroids initialization for K-means,” 2007.
[23] L. Luthfi, R. Imam Muslem, D. Armiady, S. Sriwinar, R. Fajri, and I. Iqbal, “Analysis of CNN Method for Image Classification of Coconut Ripeness Levels,” in 2023 Eighth International Conference on Informatics and Computing (ICIC), IEEE, Dec. 2023, pp. 1–6. doi: 10.1109/ICIC60109.2023.10381964.
Unduhan
Diterbitkan
Cara Mengutip
Terbitan
Bagian
Lisensi
Hak Cipta (c) 2025 Jurnal Ilmu Komputer Aceh
Artikel ini berlisensiCreative Commons Attribution-ShareAlike 4.0 International License.
Jurnal ini adalah jurnal akses terbuka yang menyediakan akses langsung secara nasional, bebas hambatan ke teks lengkap dari semua artikel yang diterbitkan tanpa biaya pembaca atau institusi mereka untuk mengaksesnya. Pembaca berhak membaca, mengunduh, menyalin, mendistribusikan, mencetak, mencari, atau menautkan teks lengkap semua artikel di Jurnal ILKA. Jurnal ini memberikan akses terbuka langsung ke kontennya dengan prinsip bahwa membuat penelitian tersedia secara bebas untuk publik mendukung pertukaran pengetahuan global yang lebih besar.
