Implementasi Algoritma K-means untuk Prediksi Potensi Waktu Kelulusan Mahasiswa Berdasarkan Hasil Akademik Di Jurusan Pendidikan MIPA FKIP ULM

Muhammad Ibnu Alkautsar, Harja Santana Purba, Novan Alkaf Bahraini Saputra, Nuruddin Wiranda, Rizky Pamuji

Abstract


Manajemen pendidikan tinggi yang kompleks memerlukan inovasi untuk meningkatkan efisiensi waktu kelulusan mahasiswa. Permasalahan yang ada pada Jurusan Pendidikan MIPA FKIP ULM dalam memahami keterlambatan waktu kelulusan mahasiswa adalah belum adanya sistem dan metode yang efisien dalam memecahkan masalah keterlambatan ini. Sehingga dalam penelitian ini metode machine learning dengan algoritma klastering K-Means diusulkan untuk memecahkan masalah keterlambatan. Jenis data yang digunakan dalam penelitian adalah IPK dan SKS mahasiswa angkatan 2016 sampai 2019 dari semester 1 sampai 5. Dalam penggunaannya data tersebut harus di preprocessing terlebih dahulu agar, bisa diinputkan ke dalam algoritma K-Means. Output yang dihasilkan adalah klaster mahasiswa berdasarkan hasil akademik, dengan label klaster Tepat Waktu Cumlaude, Tepat Waktu Sangat Memuaskan, Tidak Tepat Waktu Sangat Memuaskan, dan Tidak Tepat Waktu Memuaskan. Dalam hasil evaluasi algoritmanya, K-means dinyatakan tidak dapat memecahkan permasalahan keterlambatan waktu kelulusan mahasiswa. Evaluasi dilakukan dengan menggunakan metode Davies-Bouldien Index yang menghasilkan skor sebesar 0,67 (tidak memuaskan). Lalu Adjusted Rand Index sebesar 0,17 (buruk). Namun dengan menggunakan metode Calinski-Harabasz Index, K-means memperoleh skor sebesar 338,28 yang berarti bahwa K-means cocok digunakan untuk klastering data hasil akademik. Hasil penelitian memberikan informasi tentang distibusi jumlah data mahasiswa, tren Indeks Prestasi Kumulatif Mahasiswa, daftar mahasiswa setiap klaster potensi waktu kelulusannya.


Keywords


Evaluasi Performa Klastering, Klastering Potensi Waktu Kelulusan, K-Means, Label Klaster.

Full Text:

PDF

References


Agwil, W., Fransiska, H., & Hidayati, N. (2020). Analisis Ketepatan Waktu Lulus Mahasiswa Dengan Menggunakan BAGGING CART. FIBONACCI: Jurnal Pendidikan Matematika Dan Matematika, 6(2), 155–166. https://doi.org/10.24853/fbc.6.2.155-166

Al Husaini, Y., Syufiza, N., Shukor, A., Said, Y. N., & Husaini, A. (2022). Factors Affecting Students’ Academic Performance: A review. Social Science Journal, 12(6), 284–294. https://doi.org/https://doi.org/10.1145/321796.321811

Firman Ashari, I., Dwi Nugroho, E., Baraku, R., Yanda, I. N., & Liwardana, R. (2023). Analysis of Elbow, Silhouette, Davies-Bouldin, Calinski-Harabasz, and Rand-Index Evaluation on K-Means Algorithm for Classifying Flood-Affected Areas in Jakarta. In Journal of Applied Informatics and Computing (JAIC) (Vol. 7, Issue 1). http://jurnal.polibatam.ac.id/index.php/JAIC

Fu, S., Lu, S. Y., Davies, D. L., & Bouldin, D. W. (1977). The string-to-string correction problem. In J. Ass. Comput. Mach (Vol. 1, Issue 2).

Helilintar, R., & Farida, I. N. (2018). Penerapan Algoritma K-Means Clustering Untuk Prediksi Prestasi Nilai Akademik Mahasiwa. Jurnal Sains Dan Informatika, 4(2), 80–87. http://repository.unpkediri.ac.id/id/eprint/2399

Mughnyanti, M., Efendi, S., & Zarlis, M. (2020). Analysis of determining centroid clustering x-means algorithm with davies-bouldin index evaluation. IOP Conference Series: Materials Science and Engineering, 725(1). https://doi.org/10.1088/1757-899X/725/1/012128

Muningsih, E., Maryani, I., & Handayani, V. R. (2021). Penerapan Metode K-Means dan Optimasi Jumlah Cluster dengan Index Davies Bouldin untuk Clustering Propinsi Berdasarkan Potensi Desa. Jurnal Sains Dan Manajemen, 9(1). https://doi.org/https://doi.org/10.31294/evolusi.v9i1.10428

Nur Addini, S., & Rosian Adhy, D. (2021). Aplikasi Prediksi Waktu

Kelulusan Mahasiswa Menggunakan Algoritma Kmeans Clustering. Saintesa, 1(1), 14–20.

Osamor, I. P., & Osamor, V. C. (2020). OsamorSoft: clustering index for comparison and quality validation in high throughput dataset. Journal of Big Data, 7(1). https://doi.org/10.1186/s40537-020-00325-6

Othman, S., Steen, M., & Fleet, J.-A. (2020). A sequential explanatory mixed methods study design: An example of how to integrate data in a midwifery research project. Journal of Nursing Education and Practice, 11(2), 75. https://doi.org/10.5430/jnep.v11n2p75

Peraturan Menteri Pendidikan Dan Kebudayaan Republik Indonesia Nomor 49 Tahun 2014 Tentang Standar Nasional Pendidikan Tinggi, 1 (2014).

Rahmawati, E., Chrisnanto, Y. H., & Maspupah, A. (2019). Identifikasi Kemampuan Akademik Mahasiswa Menggunakan K-Means Clustering. Prosiding SEMNAS Inovasi Teknologi, 87–92. https://doi.org/https://doi.org/10.29407/inotek.v3i1.518

Rusdiana, L., & Sam’ani, D. (2016). Pemodelan K-Means Pada Penentuan Predikat Kelulusan Mahasiswa STMIK PALANGKARAYA. Saintekom, 6(1), 1–15. https://core.ac.uk/download/pdf/233889338.pdf

Saitta, S., Raphael, B., & Smith, I. F. C. (2008). A Comprehensive Validity Index for Clustering. Intelligent Data Analysis, 12(6), 529–548. https://doi.org/10.3233/IDA-2008-12602

Santos, J. M., & Embrechts, M. (2009). On the Use of the Adjusted Rand Index as a Metric for Evaluating Supervised Classification. In International Conference on Artificial Neural Networks.

TIM. (2018). Pedoman Akademik 2018 Universitas Lambung Mangkurat. Universitas Lambung Mangkurat.




DOI: https://doi.org/10.20527/cetj.v4i1.12328

Refbacks

  • There are currently no refbacks.


Flag Counter