IMPLEMENTASI FUZZY C-MEANS UNTUK PREDIKSI PERILAKU MAHASISWA BERDASARKAN JUMLAH KETIDAKHADIRAN

Penulis

  • Ridwan Rismanto
  • Imam Fahrur Rozi
  • Arief Prasetyo

DOI:

https://doi.org/10.21067/smartics.v3i2.1965

Kata Kunci:

Klasifikasi, Data Mining, Clustering, Fuzzy C-Means

Abstrak

Dalam kegiatan belajar mengajar di perguruan tinggi, mahasiswa dituntut tertib dalam melaksanakan perkuliahan. Sebagai syarat agar mahasiswa dapat melanjutkan ke semester berikutnya adalah jumlah kehadiran dan indeks prestasi. Dalam pelaksanaannya, selalu ada mahasiswa bermasalah yang melakukan pelanggaran yaitu jumlah ketidakhadiran yang melebihi batas sehingga harus diterbitkan Surat Peringatan, atau bahkan putus studi. Tujuan surat peringatan ini adalah agar mahasiswa mengetahui status akademiknya sekaligus memunculkan efek jera agar kesalahan yang serupa tidak diulangai lagi. Namun pada prakteknya, masih ada saja mahasiswa yang melanggar meskipun sudah pernah mendapatkan surat peringatan. Kecenderungan yang terjadi adalah mahasiswa yang memiliki jumlah ketidakhadiran cukup banyak selama beberapa semester, pada semester berikutnya jumlah ketidakhadirannya pun akan banyak lagi. Hal ini juga berdampak pada indeks prestasi semesternya. Dalam penelitian ini akan dibuat sebuah sistem yang dapat mengklasifikasikan mahasiswa berdasarkan jumlah ketidakhadiran mahasiswa selama dua semester. Metode klasifikasi yang digunakan adalah clustering dengan Fuzzy C-Means. Hasil klasifikasi digunakan untuk memprediksi perilaku mahasiswa di semester berikutnya. Diharapkan penelitian ini akan bermanfaat untuk proses pembinaan mahasiswa dalam menempuh kegiatan belajar mengajar di perguruan tinggi.

Referensi

1] H. Nawawi, Organisasi Sekolah dan Pengelolaan Kelas Sebagai Lembaga Pendidikan. Jakarta: Gunung Agung, 1982.
[2] R. Munir, Matematika Diskrit. Bandung: Informatika, 2005.
[3] S. Kusumadewi, Analisis dan Desain Sistem Fuzzy Menggunakan Tool Box Matlab. Yogyakarta: Graha Ilmu, 2003.
[4] J. C. Dunn, “A Fuzzy Relative of the ISODATA Process and Its Use in Detecting Compact, Well Separated Clusters,” J. Cybern., vol. 3, no. 3, pp. 32–57, 1973.
[5] J. C. Bezdek, Pattern Recognition with Fuzzy Objective Function Algoritms. New York: Plenum Press, 1981.
[6] P. Valarmathie, M. Srinath, T. Ravichandran, and K. Dinakaran, “Hybrid Fuzzy C‑Means Clustering Technique for Gene Expression Data,” Int. J. Res. Rev. Appl. Sci., vol. 1, no. 1, pp. 33–37, 2009.
[7] Polinema, Pedoman Akademik Tahun 2016. Malang: Politeknik Negeri Malang, Jurusan Teknologi Informasi, 2016.
[8] B. S. Duran and P. L. Odell, Cluster Analysis : A Survey. New York: Springer-Verlag, 1974.
[9] Y. Agusta, “K-Means–Penerapan, Permasalahan dan Metode Terkait,” J. Sist. dan Inform., vol. 3, no. 1, pp. 47–60, 2007.
[10] R. Sharma, M. A. Alam, and A. Rani, “K-Means Clustering in Spatial Data Mining using Weka Interface,” in IJCA Proceedings on International Conference on Advances in Communication and Computing Technologies 2012, 2012, pp. 26–30.

Diterbitkan

2017-12-29

Cara Mengutip

[1]
R. Rismanto, I. Fahrur Rozi, dan A. Prasetyo, “IMPLEMENTASI FUZZY C-MEANS UNTUK PREDIKSI PERILAKU MAHASISWA BERDASARKAN JUMLAH KETIDAKHADIRAN”, SMARTICS, vol. 3, no. 2, hlm. 39–45, Des 2017.