KLASTERISASI CALON MAHASISWA BARU MENGGUNAKAN ALGORITMA K-MEANS

Adi Sucipto

Sari


Teknologi Informasi berkembang dengan pesat dan penggunaannya juga semakin luas. Pengolahan data hingga pengambilan keputusan dapat dilakukan dengan bantuan perangkat Teknologi Informasi. Demikian juga dengan pengambilan keputusan untuk penerimaan mahasiswa baru. Sistem seleksi penerimaan mahasiswa baru di STMM menggunakan 2 (dua) jenis ujian yaitu CBT (Computer Based Test) dan wawancara yang dilaksanakan pada hari yang sama. Seleksi dengan menggabungkan 2 (dua) nilai tersebut dengan prosentase tertentu, sehingga didapatkan rangking calon mahasiswa baru. Berdasar pada permasalahan tersebut penulis pada kesempatan ini akan membuat klasterisasi data calon mahasiswa baru tersebut berdasar nilai CBT dan wawancara menggunakan algoritma K-Means. Tujuan dari penelitian ini adalah untuk mengetahui pola pengelompokan nilai CBT dan wawancara calon mahasiswa baru STMM Yogyakarta. Hasilnya Ada empat klaster, klaster pertama dengan anggota sebanyak 1059 data calon mahasiswa, terdapat 132 yang lolos seleksi atau 22,147% dari total lulus. Kemudian pada klaster kedua, dari 424 anggota terdapat 12 yang lolos seleksi atau sekitar 2% dari total lulus. Kemudian pada klaster ketiga, dari 659 anggota terdapat 447 yang lolos seleksi atau 75% dari total lulus . Dan pada klaster keempat, dari 547 anggota hanya 5 yang lolos seleksi atau 0,8% dari total lulus.


Kata Kunci


K-Means, klasterisasi, database, informasi

Teks Lengkap:

PDF

Referensi


Asroni, A., Fitri, H., & Prasetyo, E. (2018). Penerapan Metode Clustering dengan Algoritma K-Means pada Pengelompokkan Data Calon Mahasiswa Baru di Universitas Muhammadiyah Yogyakarta (Studi Kasus: Fakultas Kedokteran dan Ilmu Kesehatan, dan Fakultas Ilmu Sosial dan Ilmu Politik). Semesta Teknika, 21(1), 60–64.

Chasanah, T. T. (2017). PENENTUAN STRATEGI PROMOSI PENERIMAAN MAHASISWA BARU DENGAN ALGORITMA CLUSTERING K-MEANS. IC-Tech, XII(1), 6.

Kemenristekdikti. (2018, October 22). Siaran Pers No : 198/SP/HM/BKKP/X/2018. Retrieved September 18, 2019, from Kementerian Riset, Teknologi, Dan Pendidikan Tinggi Republik Indonesia website: https://ristekdikti.go.id/kabar/skema-baru-seleksi-masuk-ptn-2019/

Python Tutorial. (2017, July 10). kmeans elbow method | Python Tutorial. Retrieved September 19, 2019, from Python Tutorial website: https://pythonprogramminglanguage.com/kmeans-elbow-method/

Rohma, F. F., Ismail, I. E., & Waluyo, Y. S. (2018). Implementation Of Kmeans Clustering On SIPP-KLING Dashboard Applications. MULTINETICS, 4(2), 38–42. https://doi.org/10.32722/multinetics.Vol4.No.2.2018.pp.38-42

STMM. (2015). Sekolah Tinggi Multi Media “MMTC” Yogyakarta. Retrieved September 19, 2019, from Sekolah Tinggi Multi Media website: https://mmtc.ac.id/index.php/menu/Menu/index/625/Sekilas%20STMM

Wahyudi, E. N., & Jananto, A. (2013). Final Report Penilaian Kinerja Dosen oleh Mahasiswa pada Satu Periode Tahun Akademik menggunakan Teknik Klustering (Studi Kasus : Universitas Stikubank Semarang). Dinamik, 18(2). Retrieved from https://www.unisbank.ac.id/ojs/index.php/fti1/article/view/1698

Yunita, F. (2018). PENERAPAN DATA MINING MENGGUNKAN ALGORITMA K-MEANS CLUSTRING PADA PENERIMAAN MAHASISWA BARU. SISTEMASI, 7, 238. https://doi.org/10.32520/stmsi.v7i3.388




DOI: http://dx.doi.org/10.30738/science%20tech.v5i2.5829

Article Metrics

Sari view : 82 times
PDF - 44 times

Refbacks

  • Saat ini tidak ada refbacks.


_____________________________________________

Science Tech: Jurnal Ilmu Pengetahuan dan Teknologi

ISSN 2460-6286 (Print)

ISSN 2579-3624 (online)

 

 Lisensi Creative Commons
Ciptaan disebarluaskan di bawah Lisensi Creative Commons Atribusi-BerbagiSerupa 4.0 Internasional.

View My Stats