Pengelompokan Mahasiswa Potensial Drop Out Menggunakan Metode Clustering K-Means
| Main Authors: | Vhallah, Ieannoal, Sumijan, Sumijan, Santony, Julius |
|---|---|
| Format: | Article info application/pdf Journal |
| Bahasa: | eng |
| Terbitan: |
Ikatan Ahli Informatika Indonesia (IAII)
, 2018
|
| Online Access: |
http://jurnal.iaii.or.id/index.php/RESTI/article/view/308 http://jurnal.iaii.or.id/index.php/RESTI/article/view/308/84 |
Daftar Isi:
- Clustering K Mean is used for grouping. The K-Means method seeks to group the existing data into several unique groups, where data in one group have the same characteristics with each other and have different characteristics than the data exists in the other group. To perform student grouping the potential drop out required attributes. Total Semester Credit System, Comunative Achievement Index, and Total Semester. Clustering process K- Mean is done by determining the nearest initial centroid point in a group of potential drop out students. Clustering results K-Mean by Total Credit System semester, Comunative Achievement Index, and Total Semester. Results Clustering of potential drop out students for class of 2014 is in cluster 0 of 4 students or 30.77% of 13 Samples, class of 2015 is in cluster 1 amounted to 4 students and cluster 2 amounted to 2 students or 66.7% of 9 samples , the force of 2016 is in cluster 0 amounting to 2 students and cluster 1 is 10 students or 50% from 24 samples, and force of 2017 is in cluster 2 strength 4 student or 22,22% from 18 Keywords: Data Mining, Clustering, K-Mean, Potensial Drop Out,,
- Clustering K Mean digunakan untuk melakukan pengelompokan. Metode K-Means berusaha mengelompokkan data yang ada dalam beberapa kelompok yang unik, dimana data dalam satu kelompok memiliki karakteristik yang sama satu sama lainnya dan memiliki karakteristik yang berbeda dengan data ada dalam kelompok yang lain. Untuk melakukan pengelompokan mahasiswa potensi drop out diperlukan atribut. Total Sistem Kredit semester, Indek Prestasi Komulatif, dan Semester Total. Proses Clustering K- Mean dilakukan dengan menentukan titik centroid awal yang terdekat dalam satu kelompok mahasiswa yang potensial drop out. Hasil clustering K-Mean oleh Total Sistem Kredit semester, Indek Prestasi Komulatif, dan Total Semester. Hasil Clustering mahasiswa yang potensial drop out untuk angkatan 2014 berada pada cluster 0 berjumlah 4 orang mahasiswa atau 30,77% dari 13 Sampel, angkatan 2015 berada pada cluster 1 berjumlah 4 mahasiswa dan cluster 2 berjumlah 2 mahasiswa atau 66,7% dari 9 sampel, angkatan 2016 berada pada cluster 0 berjumlah 2 mahasiswa dan cluster 1 berjumlah 10 mahasiswa atau 50% dari 24 sampel, dan angkatan 2017 berada pada cluster 2 kekuatan 4 mahasiswa atau 22,22% dari 18 sampel .