IMPLEMENTASI METODE K-MEDOIDS CLUSTERING UNTUK MENGETAHUI POLA PEMILIHAN PROGRAM STUDI MAHASIWA BARU TAHUN 2018 DI UNIVERSITAS KANJURUHAN MALANG
Abstract
Setiap tahun Universitas Kanjuruhan Malang menerima hampir 2.000 mahasiswa yang tersebar diberbagai program studi. Oleh karenanya data yang telah ditampung pastinya banyak sekali, dari data tersebut dapat dilihat pola - pola pemilihan program studi berdasarkan nilai tes, asal sekolah, dan program studi. Penelitian ini menggunakan metode K-Medoids agar dapat diketahui pola pemilihan program studi bagi mahasiswa baru. K-Medoids merupakan metode partisional clustering dimana bertujuan untuk menemukan satu set k-cluster di antara data yang paling mencirikan objek dalam kumpulan suatu data. Hasil penelitian pengelompokan mahasiswa baru menunjukkan bahwa mahasiswa baru yang berasal dari SMA/SMK dengan nilai ujian diatas 70 mengambil jurusan TI, sedangkan mahasiswa baru yang berasal dari SMK dengan nilai ujian dibawah 70 dan SMA dengan nilai ujian dibawah 50 mengambil jurusan SI, dan sisanya mengambil jurusan NON TI/SI. Kualiatas cluster yang dihasilkan berdasarkan proses pengujian yang dilakukan didapatkan hasil nilai Silhouette Coefficient terbaik yaitu 0.690754 dengan jumlah cluster sebanyak tiga dan jumlah data sebanyak 15.
References
Arno Nomadeni Fitroh & Ahsan Moh, 2015, "Clustering Data Mahasiswa Menggunakan Metode Self Organizing Maps untuk Menentukan Strategi Promosi Universitas Kanjuruhan Malang". Jurnal Bimasakti Vol .1 No .5 2015
Chrisnanto, Yulison H. & Abdillah, G. 2015. Penerapan Algoritma Partitioning Around Medoids (PAM) Clustering Untuk Melihat Gambaran Umum Kemampuan Akademik Mahasiswa. Seminar Nasional Teknologi Informasi dan Komunikasi, (Online), 15 (1): 444-448, (https://fti.uajy.ac.id/sentika/publikasi/makalah/2015/56.pdf), diakses 21 Maret 2018.
Defiyanti, Sofi., Jajuli, Mohamad, & Nurul R. W. 2017. Optimalisasi K-Medoid Dalam Pengklasteran Pelamar Beasiswa Dengan Cubic Clustering Criterion, Teknosi, (Online), 17(01): 211-218, (http://teknosi.fti.unand.ac.id/index.php/teknosi/article/view/222), diakses 30 Januari 2019.
Han, J., Pei, J., and Kamber, M. 2011. Data Mining: Concepts and Techniques. Third Edition, Morgan Kaufman.
Irwansyah, E., and Faisal M. 2015. Advanced Clustering Teori dan Aplikasi. Yogyakarta: DeePublish.
Irwansyah, Edy, S.T., M.SI. 2017. Clustering, (Online), (http://socs.binus.ac.id/2017/03/09/clustering/), diakses pada 7 Februari 2019.
Kadir, Abdul. 2017. Dasar Logika Pemrograman Komputer. Jakarta: Elex Media Komputindo
Kaur, Noor K., Kaur, Usvir. & Singh, Dr. Dheerendra. 2014. K-Medoid Clustering Algorithm- A Review, International Journal of Computer Application and Technology, (Online), 14 (1): 42-45, (https://www.academia.edu/8446443/K-Medoid_Clustering_Algorithm-A_Review?auto=download), diakses 22 Maret 2018.
Kusrini, and Luthfi E.T. 2009. Algoritma Data Mining. Yogyakarta: Andi.
Larose, Daniel, T. and Larose, Chantal D. 2015. Data Mining and Predictive Analytics. Second Edition, John Wiley & Sons.
Pramesti, Dyang F., Furqon M. Tanzil, & Dewi, C. 2017. Implementasi Metode K-Medoids Clustering Untuk Pengelompokan Data Potensi Kebakaran Hutan/Lahan Berdasarkan Persebaran Titik Panas (Hotspot), Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer, (Online), 17 (9): 723-732, (http://j-ptiik.ub.ac.id/index.php/j-ptiik/article/download/204/101/), diakses 23 Februari 2018.
Solichin, Ahmad. 2016. Pemrograman Web dengan PHP dan MySQL. Jakarta: Universitas Budi Luhur.
Authors
Rainstek: Jurnal Terapan Sains dan Teknologi allows readers to read, download, copy, distribute, print, search, or link to the full texts of its articles and allow readers to use them for any other lawful purpose.
This work is licensed under a Creative Commons Attribution 4.0 International License. The Authors submitting a manuscript do so with the understanding that if accepted for publication, copyright of the article shall be assigned to Rainstek: Jurnal Terapan Sains dan Teknologi