KLASTERISASI PROFIL MAHASISWA BARU MENGGUNAKAN ALGORITME K-MEANS PADA FAKULTAS TEKNOLOGI INFORMASI UNIVERSITAS BUDI LUHUR

Penulis

  • Vanessa Melati Al Aqsa Sistem Informasi, Fakultas Teknologi Informasi, Universitas Budi Luhur, Indonesia
  • Deni Mahdiana Sistem Informasi, Fakultas Teknologi Informasi, Universitas Budi Luhur, Indonesia
  • Rusdah Rusdah Sistem Informasi, Fakultas Teknologi Informasi, Universitas Budi Luhur, Indonesia
  • Dian Anubhakti Sistem Informasi, Fakultas Teknologi Informasi, Universitas Budi Luhur, Indonesia

Kata Kunci:

Klasterisasi, K-Means, Profil Mahasiswa Baru, Mahasiswa Universitas Budi Luhur

Abstrak

Fakultas Teknologi Informasi di Universitas Budi Luhur yang terdiri dari program studi yaitu Teknik Informatika, Sistem Informasi, dan Sistem Komputer. Universitas Budi Luhur ialah salah satu perguruan tinggi swasta di DKI Jakarta yang menjadi bagian dalam persaingan untuk mendapatkan mahasiswa baru setiap tahunnya. Permasalahan penelitian ini yaitu data penerimaan mahasiswa baru dalam 3 tahun terakhir yang melakukan daftar ulang calon mahasiswa baru mengalami penurunan, dikarenakan belum diketahuinya karakteristik atau profil calon mahasiswa baru yang masuk atau yang mendaftar di FTI UBL (Fakultas Teknologi Informasi Universitas Budi Luhur). Untuk menyelesaikan masalah tersebut pada penelitian ini diusulkan metode klasterisasi menggunakan Algoritma K-Means untuk mendapatkan karakteristik atau profil calon mahasiswa baru yang akan mendaftar FTI UBL sehingga dapat menjadi rekomendasi untuk tim penerimaan mahasiswa baru dalam menyusun strategi promosi.  Penelitian ini menghasilkan 3 buah cluster yang terdiri dari cluster satu adalah cluster Teknik Informatika, asal sekolah SMK, dengan kota asal Kecamatan Larangan, Karang Tengah, Kebayoran Lama, dan Kembangan  dengan jumlah 240 items, cluster dua cluster Teknik Informatika, asal sekolah SMK, dengan kota asal Kecamatan Pesanggrahan dan Pondok Aren adalah dengan jumlah 242 items, dan cluster tiga adalah cluster Teknik Informatika, asal sekolah SMK, dengan kota asal Ciledug dengan jumlah 205 items, dengan nilai Davies-Bouldin (DB) sebesar 0,470.

Referensi

Y. Arie Wijaya, “Clustering Data Calon Siswa Baru Menggunakan Metode K-Means Di Sekolah Menengah Kejuruan Wahidin Kota Cirebon,” J. Mhs. Tek. Inform., vol. 6, no. 2, hal. 552–559, 2022, [Daring]. Tersedia pada: https://www.smkwahidincrb.sch.id/.

Y. Mayona, R. Buaton, dan M. Simanjutak, “Data Mining Clustering Tingkat Kejahatan Dengan Metode Algoritma K-Means (Studi Kasus: Kejaksaan Negeri Binjai),” J. Inform. Kaputama, vol. 6, no. 3, hal. 2548–9739, 2022.

M. R. Alhapizi, M. Nasir, dan I. Effendy, “Penerapan Data Mining Menggunakan Algoritma K-Means Clustering Untuk Menentukan Strategi Promosi Mahasiswa Baru Universitas Bina Darma Palembang,” J. Softw. Eng. Ampera, vol. 1, no. 1, hal. 1–14, 2020, doi: 10.51519/journalsea.v1i1.10.

T. Hartati, O. Nurdiawan, dan E. Wiyandi, “Analisis Dan Penerapan Algoritma K-Means Dalam Strategi Promosi Kampus Akademi Maritim Suaka Bahari,” J. Sains Teknol. Transp. Marit., vol. 3, no. 1, hal. 1–7, 2021, doi: 10.51578/j.sitektransmar.v3i1.30.

N. Damanik dan M. Sigiro, “Penerapan Data Mining Menggunakan Algoritma K-Means Clustering Pada Penerimaan Mahasiswa Baru Sebagai Metode Promosi,” J. Tek. Inform. Komput. Univers., vol. 4, no. 2, hal. 158, 2021, doi: 10.37600/tekinkom.v4i2.367.

Y. N. S. Abdul Malik, Yessy Diah Rosita, “Aplikasi Clustering Data Mahasiswa Universitas Islam Majapahit dengan Metode Fuzzy C-Means,” Submit, vol. 2, no. 2, hal. 75–81, 2022.

E. Rahmah, E. Haerani, A. Nazir, dan S. Ramadhani, “Penerapan Algoritma K-Medoids Clustering Untuk Menentukan Srategi Promosi Pada Data Mahasiswa ( Studi Kasus : Stikes Perintis Padang ),” vol. 5, no. 3, hal. 556–564, 2022.

F. N. Dhewayani, D. Amelia, D. N. Alifah, B. N. Sari, dan M. Jajuli, “Implementasi K-Means Clustering untuk Pengelompokkan Daerah Rawan Bencana Kebakaran Menggunakan Model CRISP-DM,” J. Teknol. dan Inf., vol. 12, no. 1, hal. 64–77, 2022, doi: 10.34010/jati.v12i1.6674.

A. A. Hussein, “Improve The Performance of K-means by using Genetic Algorithm for Classification Heart Attack,” Int. J. Electr. Comput. Eng., vol. 8, no. 2, hal. 1256, 2018, doi: 10.11591/ijece.v8i2.pp1256-1261.

R. K. Dinata, H. Novriando, N. Hasdyna, dan S. Retno, “Reduksi Atribut Menggunakan Information Gain untuk Optimasi Cluster Algoritma K-Means,” J. Edukasi dan Penelit. Inform., vol. 6, no. 1, hal. 48, 2020, doi: 10.26418/jp.v6i1.37606.

Unduhan

Diterbitkan

30-04-2023

Cara Mengutip

Aqsa, V. M. A., Mahdiana, D., Rusdah, R., & Anubhakti, D. (2023). KLASTERISASI PROFIL MAHASISWA BARU MENGGUNAKAN ALGORITME K-MEANS PADA FAKULTAS TEKNOLOGI INFORMASI UNIVERSITAS BUDI LUHUR. Prosiding Seminar Nasional Mahasiswa Fakultas Teknologi Informasi (SENAFTI), 2(1), 309–315. Diambil dari https://senafti.budiluhur.ac.id/index.php/senafti/article/view/519

Terbitan

Vol 2 No 1 (2023): Prosiding SENAFTI Ke-2 April 2023

Bagian

Artificial Intelligence

Lisensi

Hak Cipta (c) 2023 Prosiding Seminar Nasional Mahasiswa Fakultas Teknologi Informasi (SENAFTI)

Creative Commons License

Artikel ini berlisensiCreative Commons Attribution-ShareAlike 4.0 International License.

Artikel paling banyak dibaca berdasarkan penulis yang sama

1 2 3 4 5 > >>