Penerapan Algoritma K-Means Clustering Untuk Mengelompokkan Program Studi Berdasarkan Daya Tampung UTBK 2019

Khoirun Nisa; Yoga  Alaudin Zuansyah; Elkin  Rilvani; Indra Permana

doi:10.33365/jdmsi.v7i1.2626

Khoirun Nisa Universitas Pelita Bangsa
Yoga Alaudin Zuansyah Universitas Pelita Bangsa
Elkin Rilvani Universitas Pelita Bangsa
Indra Permana Universitas Pelita Bangsa

DOI: https://doi.org/10.33365/jdmsi.v7i1.2626

Abstrak

Perkembangan data pendidikan yang semakin pesat memerlukan metode analisis yang tepat untuk menghasilkan informasi yang bermanfaat dan mendukung pengambilan keputusan. Salah satu pendekatan yang dapat digunakan adalah data mining, yaitu proses menemukan pola atau informasi tersembunyi dari sekumpulan data berukuran besar. Clustering merupakan salah satu teknik data mining yang digunakan untuk mengelompokkan data berdasarkan tingkat kemiripan karakteristik yang dimiliki. Penelitian ini bertujuan untuk menerapkan algoritma K-Means Clustering dalam mengelompokkan program studi berdasarkan daya tampung menggunakan dataset UTBK tahun 2019. Dataset yang digunakan terdiri dari 3.167 program studi dari berbagai perguruan tinggi di Indonesia. Penelitian dilakukan menggunakan aplikasi RapidMiner dengan jumlah cluster sebanyak tiga kelompok (K=3). Hasil clustering menunjukkan bahwa cluster 0 terdiri dari 2.507 data, cluster 2 terdiri dari 616 data, dan cluster 1 terdiri dari 44 data. Nilai centroid yang diperoleh masing-masing sebesar 37,914; 92,440; dan 229,864. Hasil penelitian menunjukkan bahwa sebagian besar program studi memiliki daya tampung rendah, sedangkan hanya sebagian kecil program studi yang memiliki daya tampung sangat tinggi. Algoritma K-Means mampu mengelompokkan program studi berdasarkan karakteristik daya tampung yang dimiliki sehingga dapat digunakan sebagai pendukung analisis data pendidikan.

Referensi

[1] R. Liu, “Data Analysis of Educational Evaluation Using K-Means Clustering Method,” Computational Intelligence and Neuroscience, vol. 2022, pp. 1–10, 2022.
[2] A. E. Wibowo and T. Habanabakize, “K-Means Clustering untuk Klasifikasi Standar Kualifikasi Pendidikan dan Pengalaman Kerja Guru SMK di Indonesia,” Jurnal Dinamika Vokasional Teknik Mesin, vol. 7, no. 2, pp. 124–132, 2022.
[3] A. M. Fauzi, “Penerapan Data Mining Menggunakan Algoritma K-Means pada Data Akademik Mahasiswa,” Repository UIN K.H. Abdurrahman Wahid Pekalongan, 2022.
[4] M. Ardan, “Perbandingan Algoritma K-Means dan Fuzzy C-Means dalam Klasterisasi Data Pendidikan di Wilayah Jakarta,” Jurnal Komputer dan Informatika, vol. 13, no. 1, pp. 1–10, 2024.
[5] J. Apriyanto, “Penerapan Clustering pada Rata-rata Lama Sekolah di Provinsi Indonesia Menggunakan Algoritma K-Means dan Fuzzy C-Means,” Jurnal Komputer dan Informatika, vol. 13, no. 1, pp. 11–20, 2024.
[6] A. Basalamah and R. Setyadi, “Penerapan Algoritma K-Means Clustering pada Tingkat Penyelesaian Pendidikan di Provinsi Indonesia,” JICOM: Journal of Informatics and Computer Science, vol. 4, no. 2, pp. 95–103, 2023.
[7] A. A. Alhassan, M. A. Alenezi, and A. A. Alreshidi, “A Comprehensive Study of K-Means Clustering Algorithm and Its Applications,” Procedia Computer Science, vol. 220, pp. 1048–1055, 2022.
[8] M. Risnasari, N. Aulia, and L. Cahyani, “Clustering of Student Learning Styles in the Industry 4.0 Using K-Means Algorithm,” Jurnal Teknologi Pendidikan, vol. 24, no. 2, pp. 120–129, 2022.
[9] R. Rahmadani, A. Fitri, and M. Syahputra, “Analisis Cluster Provinsi Indonesia Berdasarkan Produksi Bahan Pangan Menggunakan Algoritma K-Means,” Jurnal Sains dan Teknologi (SAINTEK), vol. 4, no. 2, pp. 57–65, 2020.
[10] D. Pratama and A. Nugroho, “Implementasi Algoritma K-Means Clustering untuk Pengelompokan Data,” MALCOM: Indonesian Journal of Machine Learning and Computer Science, vol. 3, no. 2, pp. 88–97, 2023.