Optimasi Cacah Klaster pada Klasterisasi dengan Algoritma KMeans Menggunakan Silhouette Coeficient dan Elbow Method
Abstract
Mahasiswa drop out (DO) atau undur diri merupakan masalah yang perlu ditangani sedini mungkin. Banyaknya mahasiswa drop out (DO) akan menjadikan kualitas kinerja suatu perguruan tinggi akan menurun, disamping itu juga sebisa mungkin untuk dikurangi kasus mahasiswa drop out tersebut karena akan berdampak pada apresiasi masyarakat terhadap sistim pendidikan di perguruan tinggi.
Untuk mengetahui terjadinya mahasiswa DO diperlukan klasterisasi, yang dalam hal ini proses klasterisasi tersebut digunakan Algoritma K-Means. Klaster yang baik adalah yang memiliki tingkat separasi yang tinggi.
Untuk menentukan cacah klaster yang paling baik (optimal) digunakan 2 metode yakni Elbow Method dan Silhoutte Coefficient penggunaan 2 metode ini sekalgus untuk menguji sejauhmana kesamaan hasil penentuan cacah klasternya. Data training yang akan dibuat klas/label berjenis unsupervised learning dengan atribut: NIM, jumlah semester tidak aktif, jumlah sks, IPK, angkatan dan jumlah record (mahasiswa) 836 mahasiswa.
Berdasarkan data training tersebut kemudian menggunakan Elbow Method dan Silhuette dihasilkan penentuan cacah klaster optimal yang sama yakni k=2. Berdasarkan nilai k ini kemudian dilakukan proses klasterisasi menggunakan algoritma K-Means dan menghasilkan klas Cluster_0 dan Cluster_1. Dari sisi jumlah klaster untuk Cluster_0 terdapat 755 mahasiswa dan Cluster_1 terdapat 85 mahasiswa. Cluster_0 ini didominasi mahasiswa DO karena IPK<2,00, jumlah sks yang diambil <90 sks, dan tidak-aktif-kuliah (cuti) > 4 semester.
Full Text:
PDFReferences
R. M. R. A. Farissa, “Perbandingan algoritma k-means dan k-medoids untuk pengelompokkan data obat
dengan silhouette coefficien,” JTKSI, vol. 5, no. 2, pp. 1091–116, 2021.
S. S. I. Vhallah, “Pengelompokan mahasiswa potensial drop out menggunakan metode clustering k-
means,” RESTI (Rekayasa Sist. dan Teknol. Informasi.
S. Akakom, Peraturan Akademik STMIK Akakom.
STMIK AKAKOM, 2019.
K. S. AKAKOM, SK Ketua STMIK AKAKOM tentang Penguduran Diri Mahasiswa.
-2019.
STMIK AKAKOM,
H. N. Mario Anggara, Herry Sujiani, “Pemilihan distance measure pada k-means clustering untuk penge-
leompokan member di alvari fitnes,” JUSTIN, p. 8, 2016.
A. W. Miftachur Robani.
G. A. Anita Fitria Febrianti, Antonio Hornay Cabral, “K-means clustering dengan metode elbow untuk
pengelompokan kabupaten dan kota di jawa timur berdasarkan indikator kemiskinan,” SNHRP-1, p. 866,
R. Aulia Tegar, Wiranto, “Coal trade data clusterung using k-means,” ITSMART, p. 25, 2017.
Febriani, “K-means clustering dengan metode elbow untuk pengelompokan kabupaten dan kota di jawa
timur,” Semin. Nas. Has. Ris. dan Pengabdi. -SNHRP, pp. 863–921, 2018.
W. R. Aulia Tegar, “Coal trade data clusterung using k-means,” ITSMART, vol. 6, no. 1, p. 25, 2017.
[Online]. Available: https://jurnal.uns.ac.id/itsmart/article/view/11296
N. T. Hartanti, “Metode elbow dan k-means guna mengukur kesiapan siswa smk dalam ujian,” Jurnal
Nasional Teknologi dan Sistem Informasi, vol. 6, no. 2, p. 83, 2020.
DOI: http://dx.doi.org/10.26798/juti.v2i1.944
Article Metrics
Abstract view : 702 timesPDF - 546 times
Refbacks
- There are currently no refbacks.
Copyright (c) 2023 Mohammad Guntara, Nafisatul Lutfi