Analisis Pengelompokan Prestasi Mahasiswa Universitas Malang Menggunakan Metode K-Means Clustering

Abstract

Pilihan tepat menggunakan data mining dalam menganalisis penerapan teknik K-Means Clustering dalam pengelompokan data prestasi mahasiswa universitas malang (UM). Dengan meningkatnya jumlah mahasiswa dan variasi prestasi, pengelolaan data prestasi di perguruan tinggi menjadi lebih kompleks, sehingga metode manual tidak cukup memadai. K-Means Clustering dipilih karena kemampuanya untuk mengelompokan data berdasarkan atribut tertentu, yang memudahkan identifikasi pola dan tren. Penelitian ini bertujuan membuktikan efektivitas K-Means dalam menganalisis data prestasi, serta menambah literatur mengenai penerapan data mining di pendidikan. Dataset yang digunakan mencakup indeks prestasi mahasiswa dari berbagai program studi di Universitas Malang pada periode 2018 hingga 2022. Data diolah untuk mengelompokan prestasi mahasiswa secara efisien. Model klastering dibangun menggunakan salah satu algoritma dalam metode clustering yaitu K-Means. Penelitian ini menghasilkan klaster terbaik dengan jumlah 3 klaster, proses untuk menentukan pengelompokan terbaik dilakukan dengan menguji model 6 klaster yang berbeda. Pemilihan klaster terbaik dilakukan menggunakan pengujian indeks Davies Bouldin. Berdasarkan penelitian dengan hasil 3 kelompok tersebut dapat dikategorikan sebagai, cluster 0 dengan kategori rendah dengan nilai 100, cluster 1 dengan kategori tinggi dengan nilai 4.100, dan cluster 2 dengan kategori menengah dengan nilai 1.900.