Analisis Pengelompokan Risiko Keterlambatan Penyelesaian Studi Mahasiswa Menggunakan Algoritma K-Means
Abstract
Keterlambatan penyelesaian studi mahasiswa merupakan salah satu permasalahan yang dapat memengaruhi kualitas lulusan dan efektivitas penyelenggaraan pendidikan tinggi. Data akademik mahasiswa Program Studi Pendidikan Teknologi Informasi dan Sistem Informasi Universitas Negeri Gorontalo menunjukkan masih terdapat mahasiswa yang belum menyelesaikan studi sesuai waktu yang ditetapkan. Oleh karena itu, diperlukan analisis data akademik untuk mengidentifikasi kelompok mahasiswa yang berisiko mengalami keterlambatan penyelesaian studi. Penelitian ini bertujuan mengelompokkan mahasiswa berdasarkan tingkat risiko keterlambatan penyelesaian studi menggunakan algoritma K-Means Clustering. Metode penelitian menggunakan pendekatan data mining dengan kerangka kerja Cross Industry Standard Process for Data Mining (CRISP-DM). Data yang digunakan merupakan data akademik sebanyak 1.012 mahasiswa yang diperoleh dari Sistem Informasi Akademik Terpadu (SIAT) Universitas Negeri Gorontalo dengan variabel Indeks Prestasi Kumulatif (IPK), Indeks Prestasi Semester (IPS), dan Lama Studi (Jumlah Semester yang ditempuh). Proses clustering dilakukan menggunakan algoritma K-Means dengan pengujian jumlah cluster k=2, k=3, dan k=4, kemudian dievaluasi menggunakan Davies-Bouldin Index (DBI). Hasil penelitian menunjukkan bahwa jumlah cluster optimal diperoleh pada k=3 dengan nilai DBI sebesar 0,713. Hasil clustering menghasilkan tiga kelompok mahasiswa, yaitu Cluster 1 sebanyak 477 mahasiswa (47,1%) dengan kategori risiko rendah, Cluster 2 sebanyak 362 mahasiswa (35,8%) dengan kategori risiko sedang, dan Cluster 0 sebanyak 173 mahasiswa (17,1%) dengan kategori risiko tinggi. Penelitian ini menunjukkan bahwa algoritma K-Means mampu mengidentifikasi pola akademik mahasiswa berdasarkan IPK, IPS, dan Lama Studi sehingga dapat dimanfaatkan sebagai dasar monitoring akademik dan pendampingan bagi mahasiswa yang berisiko mengalami keterlambatan penyelesaian studi.
Keywords
Full Text:
PDF (Bahasa Indonesia)References
Arhami, M. & Nasir, M. (2020). Data mining : algoritma dan implementasi. Yogyakarta : Andi, 2020
Atti, A., Kleden, M. A., & Lobo, M. (2021). Prediksi lama masa studi mahasiswa program studi matematika berdasarkan IPK. Jurnal Penelitian dan Pembelajaran Matematika, 14(1), 113–124. https://doi.org/10.30870/jppm.v14i1.11296
Jollyta, D., Ramdhan, W., & Zarlis, M. (2020). Konsep data mining dan penerapan.
Deepublish.
Kurniawan, A. (2025). Kalkulus dan data mining: Jembatan teori dan aplikasi. Eureka Media Aksara.
Pratama, S., Iswandi, I., Sevtian, A., & Anjani, T. P. (2023). Penerapan data mining untuk memprediksi prestasi akademik mahasiswa menggunakan algoritma C4.5 dengan CRISP-DM. Journal of Applied Informatics and Computing (JAIC), 7(1), 16–20.
Rachbini, W., & Zulkifli. (2025). Data science untuk pemula dengan RapidMiner. CV. AA. Rizky.
Rahayu, N. D., Anshor, A. H., & Afriantoro, I. (2024). Penerapan data mining untuk pemetaan siswa berprestasi menggunakan metode clustering K-Means. JUKI: Jurnal Komputer dan Informatika
Rahayu, P. W., Sudipa, I. G. I., Suryani, Surachman, A., Ridwan, A., Darmawiguna, I. G.
M., Sutoyo, M. N., Slamet, I., Harlina, S., & Maysanjaya, I. M. D. (2024). Buku ajar data mining. PT Sonpedia Publishing Indonesia.
Rahmaddeni, Adrianto, S., Muhammad, Hidayatullah, R., & Daulay, S. (2026). Pengantar lengkap machine learning: Supervised, unsupervised, dan reinforcement learning dengan Python. PT Serasi Media Teknologi.
Sholeh, M., & Aeni, K. (2023). Perbandingan evaluasi metode Davies Bouldin, elbow dan silhouette pada model Clustering dengan menggunakan algoritma K-means. STRING (Satuan Tulisan Riset dan Inovasi Teknologi), 8(1), 56.
Siregar, A. M., & Puspabhuana, A. (2024). Data mining: Pengolahan data menjadi informasi dengan RapidMiner. CV Kekata Group.
Suradiradja, K.H & Farizy, S (2024). Data Mining. Indramayu : PT. Adab Indonesia
Tatimu, F., Palilingan, V. R., & Rianto, I. (2025). Analisis klasifikasi kelulusan mahasiswa menggunakan algoritma K-Nearest Neighbor di Fakultas Teknik Universitas Negeri Manado. Journal of Education Method and Technology, 3(1), 117–123.
Zaeni, I. A. E. (2024). Penerapan machine learning pada embedded system (Machine learning untuk teknik elektronika). Media Nusa Creative.
Zuhal, N. K. (2022). Study comparison K-means Clustering dengan algoritma hierarchical Clustering. Dalam Prosiding Seminar Nasional Teknologi dan Sains Tahun 2022 (Vol. 1, hlm. 200). Universitas Nusantara PGRI Kediri.
DOI: https://doi.org/10.37905/inverted.v6i2.39647
Refbacks
- There are currently no refbacks.
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.
Published by:
PROGRAM STUDI PENDIDIKAN TEKNOLOGI INFORMASI
JURUSAN TEKNIK INFORMATIKA
FAKULTAS TEKNIK UNIVERSITAS NEGERI GORONTALO
Jl. Prof. Dr.Ing. B.J. Habibie, Moutong – Tilongkabila Kabupaten Bone Bolango
Homepage : http://ejurnal.ung.ac.id/index.php/inverted
email: [email protected]
