Clustering Prestasi Akademik Lulusan Menggunakan Metode K-Means

Rezqiwati Ishak, Amiruddin Bengnga

Abstract


Prestasi akademik merupakan salah satu indikator penting untuk mengukur keberhasilan seorang mahasiswa dalam menyelesaikan studinya di perguruan tinggi. Prestasi ini dapat dilihat dari berbagai aspek, seperti lama studi dan Indeks Prestasi Kumulatif (IPK). Analisis ini digunakan untuk meningkatkan kualitas Pendidikan pada Perguruan Tinggi itu sendiri, serta untuk membantu Mahasiswa dalam mencapai prestasi yang optimal. Penelitian ini bertujuan untuk melakukan clustering prestasi akademik lulusan pada Universitas Ichsan Gorontalo untuk Tahun Akademik 2023/2024 semester Ganjil dengan menerapkan metode K-Means. Jumlah dataset lulusan yang digunakan sebanyak 240 data. Analisis clustering dilakukan berdasarkan atribut lama studi, umur, dan Indeks Prestasi Kumulatif (IPK). Hasil penelitian ini menunjukkan adanya 3 (tiga) cluster utama. Cluster 1 (satu) merupakan kelompok lulusan dengan prestasi akademik cukup baik, terdiri dari 56 lulusan. Cluster 2 (dua) menggambarkan kelompok lulusan dengan prestasi akademik sangat baik, terdiri dari 138 lulusan. Sementara itu, Cluster 3 (tiga) menunjukkan kelompok lulusan dengan prestasi akademik kurang baik jika dilihat dari lama studi, terdiri dari 45 lulusan. Pemilihan jumlah cluster sebanyak 3 didasarkan pada hasil perhitungan teknik Elbow dan evaluasi Davies-Bouldin Index yang memberikan nilai terkecil yakni  0,79 sehingga hasil clustering masuk kategori baik karena nilai DBInya di bawah 1.

Academic achievement is one of the important indicators to measure a student's success in completing their studies at the university. This achievement can be observed from various aspects, such as the duration of study and the Cumulative Grade Point Average (GPA). This analysis is used to improve the quality of education at the university itself and to assist students in achieving optimal performance. This research aims to cluster the academic achievements of graduates at Ichsan Gorontalo University for the Academic Year 2023/2024 Odd Semester using the K-Means method. The number of graduate datasets used is 240. The clustering analysis is based on attributes such as the duration of study, age, and Cumulative Grade Point Average (GPA). The results of this study indicate the existence of 3 main clusters. Cluster 1 represents graduates with fairly good academic achievements, consisting of 56 graduates. Cluster 2 describes a group of graduates with excellent academic achievements, totaling 138 graduates. Meanwhile, Cluster 3 indicates a group of graduates with less satisfactory academic achievements when considering the duration of study, consisting of 45 graduates. The selection of 3 clusters is based on the results of the Elbow technique calculation and the evaluation of the Davies-Bouldin Index, which gives the smallest value of 0.79. Therefore, the clustering results are considered good because the DBI value is below 1.


Keywords


Clustering; K-Means; Elbow; Prestasi Akademik Lulusan; Davies-Bouldin Index.

Full Text:

PDF

References


Mendikbudristek, Keputusan Menteri Pendidikan, Kebudayaan, Riset, dan Teknologi Republik Indonesia Nomor 210/M/2023 Tentang Indikator Kinerja Utama Perguruan Tinggi dan LL-DIKTI di Kemendikbudristek. 2023.

E. Prasetyo, “Data Mining Mengolah Data Menjadi Informasi Menggunakan Matlab,” Penerbit Andi, 2014.

R. Primartha, Algoritma Machine Learning. Bandung: Informatika, 2021.

F. N. R. F. J. Aziz, B. D. Setiawan, and I. Arwani, “Implementasi Algoritma K-Means untuk Klasterisasi Kinerja Akademik Mahasiswa,” J. Pengemb. Teknol. Inf. dan Ilmu Komput., vol. 2, no. 6, pp. 2243–2251, 2018.

A. Hardianti and D. Agushinta R, “Universitas Darma Persada Menggunakan Metode Clustering K-Means Pattern Analysis of the Student Study Period in the Faculty of Engineering At Darma Persada University Using K-Means,” J. Teknol. Inf. dan Ilmu Komput., vol. 7, no. 4, pp. 861–868, 2020, doi: 10.25126/jtiik.202071001.

S. Suraya, M. Sholeh, and D. Andayati, “Penerapan Metode Clustering Dengan Algoritma K-Means Pada Pengelompokan Indeks Prestasi Akademik Mahasiswa,” Skanika, vol. 6, no. 1, pp. 51–60, 2023, doi: 10.36080/skanika.v6i1.2982.

A. Almohammedi and M. Abido, “RES on Power Operation: K-Means Clustering Over Elbow Approach,” WSEAS Trans. POWER Syst., vol. 15, pp. 214–221, Dec. 2020, doi: 10.37394/232016.2020.15.25.

A. Winarta and W. J. Kurniawan, “Optimasi Cluster K-Means Menggunakan Metode Elbow Pada Data Pengguna Narkoba Dengan Pemrograman Python,” J. Tek. Inform. Kaputama, vol. 5, no. 1, pp. 113–119, 2021.

M. A. Syakur, B. K. Khotimah, E. M. S. Rochman, and B. D. Satoto, “Integration K-Means Clustering Method and Elbow Method For Identification of The Best Customer Profile Cluster,” IOP Conf. Ser. Mater. Sci. Eng., vol. 336, p. 012017, Apr. 2018, doi: 10.1088/1757-899X/336/1/012017.

R. Ishak and Amiruddin, “Clustering Tingkat Pemahaman Dasar Mahasiswa Pada Pra-Perkuliahan Probabilitas Statistika Dengan Metode K-Means,” Jambura J. Electr. Electron. Eng., vol. 4, pp. 65–69, 2022, doi: 10.37905/jjeee.v4i1.11997.

M. Sholeh and K. Aeni, “Perbandingan Evaluasi Metode Davies Bouldin, Elbow dan Silhouette pada Model Clustering dengan Menggunakan Algoritma K-Means,” STRING (Satuan Tulisan Ris. dan Inov. Teknol., vol. 8, no. 1, p. 56, 2023, doi: 10.30998/string.v8i1.16388.

E. Muningsih, I. Maryani, and V. R. Handayani, “Penerapan Metode K-Means dan Optimasi Jumlah Cluster dengan Index Davies Bouldin untuk Clustering Propinsi Berdasarkan Potensi Desa,” J. Sains dan Manaj., vol. 9, no. 1, p. 96, 2021, doi: 10.31294/evolusi.v9i1.10428.

A. K. Singh, S. Mittal, P. Malhotra, and Y. V. Srivastava, “Clustering Evaluation by Davies-Bouldin Index(DBI) in Cereal data using K-Means,” in 2020 Fourth International Conference on Computing Methodologies and Communication (ICCMC), Mar. 2020, pp. 306–310, doi: 10.1109/ICCMC48092.2020.ICCMC-00057.

A. Bengnga and R. Ishak, “Penerapan XGBoost untuk Seleksi Atribut pada K-Means dalam Clustering Penerima KIP Kuliah,” Jambura J. Electr. Electron. Eng., vol. 5, no. 2, pp. 192–196, 2023, doi: 10.37905/jjeee.v5i2.20253.

“Clustering Performance Evaluation,” scikit-learn developers. https://scikit-learn.org/stable/modules/clustering.html#clustering-performance-evaluation (accessed May 20, 2023).

A. B. H. Kiat, Y. Azhar, and V. Rahmayanti, “Penerapan Metode K-Means Dengan Metode Elbow Untuk Segmentasi Pelanggan Menggunakan Model RFM (Recency, Frequency & Monetary),” Repositor, vol. 2, no. 7, pp. 945–952, 2020.

“Clustering,” scikit-learn developers. https://scikit-learn.org/stable/modules/clustering.html# (accessed May 20, 2023).

BAAK, “Data Lulusan,” Gorontalo, 2023. [Online]. Available: https://siakun.unisan.ac.id.




DOI: https://doi.org/10.37905/jjeee.v6i1.23967

Refbacks

  • There are currently no refbacks.


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

Published by:
Electrical Engineering Department
Faculty of Engineering
State University of Gorontalo
Jenderal Sudirman Street No.6, Gorontalo City, Gorontalo Province, Indonesia
Telp. 0435-821175; 081340032063
Email: redaksijjeee@ung.ac.id/redaksijjeee@gmail.com

Creative Commons License

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