Optimalisasi K-MEDOID dalam Pengklasteran Mahasiswa Pelamar Beasiswa dengan CUBIC CLUSTERING CRITERION

Sofi Defiyanti, Mohamad Jajuli, Nurul Rohmawati



Abstrak


Beasiswa merupakan salah satu bantuan belajar yang diberikan kepada mahasiswa. Salah satu beasiswa yang ada adalah beasiswa yang diberikan oleh negara dengan nama Bantuan Belajar Mahasiswa (BBM). Pengelompokan data mahasiswa penerima beasiswa berguna untuk menentukan mahasiswa yang berhak, dipertimbangkan atau tidak berhak. Dengan pengelompokan mahasiswa penerima beasiswa ini dapat memudahkan pihak tata usaha dalam menentukan penerima beasiswa khususnya beasiswa BBM. Pengelompokan tersebut dalam dilakukan dengan menggunakan teknik klustering berbasis partisi yaitu dengan algoritma K-Medoids.  Data-data yang didapat untuk dilakukan pengelompokan terdiri dari atribut SKS, IPK, Tanggungan orang tua dan jumlah penghasilan orang tua. Dari data-data yang didapat memiliki nilai yang beragam dan memiliki rentang satu dengan yang lainnya berjauhan. Maka dilakukan tiga buah skenario, yaitu 1: semua data yang didapat dilakukan pengelompokan dengan K-Medoids, 2 : sebagian data yang didapat dilakukan kodefikasi, 3 : semua data yang ada dilakukan kodefikasi. Dari ketiga skenario yang dilakukan didapat nilai Cubic Clustering Criterion (CCC). Dataset kodifikasi keseluruhan menunjukkan nilai CCC berada diantara 2 sampai 3 ini menunjukkan bahwa dataset kodifikasi keseluruhan mempunyai keseragaman yang baik. Hal ini dikarenakan semua nilai pada setiap atribut memiliki nilai yang hampir sama.

 


Kata Kunci


beasiswa, clustering, data mining, K-Medoids, Cubic Clustering Criterion (CCC)


Teks Lengkap:

PDF


Referensi


K. P. Nasional, D. Jenderal, P. Tinggi, and D. Kelembagaan, “Beasiswa peningkatan prestasi akademik (ppa) dan bantuan belajar mahasiswa (bbm),” 2010.

P. Beynon-Davies, Database Systems. Palgrave Macmillan, 2004.

B. Santoso, Data Mining Teknik Pemanfaatan Data untuk Keperluan Bisnis. 2007.

J. Han, J. Pei, and M. Kamber, Data Mining: Concepts and Techniques. Elsevier Science, 2011.

I. H. Witten, E. Frank, and M. A. Hall, Data Mining: Practical Machine Learning Tools and Techniques. Elsevier Science, 2011.

E. T. Kusrini and Luthfi, algoritma data mining. Penerbit Andi.

D. N. Nango, “Penerapan Algoritma K-Means untuk Clustering Data Anggaran Pendapatan Belanja Daerah Di Kabupaten XYZ,” 2012.

A. Yusuf and H. Tjandrasa, “Prediksi Nilai Dengan Metode Spectral Clustering Dan Clusterwise Regression,” vol. VIII, no. 1, pp. 39–45, 2013.

H. Park et al., “A K-means-like Algorithm for K-medoids Clustering and Its Performance,” System, no. C, pp. 2005–2008, 2008.

D. Velmurugan, “Efficiency of k-Means and K-Medoids Algorithms for Clustering Arbitrary Data Points,” Int. J. Comput. Technol. …, vol. 3, no. 5, pp. 1758–1764, 2012.

L. a. Kurgan and P. Musilek, “A survey of Knowledge Discovery and Data Mining process models,” Knowl. Eng. Rev., vol. 21, no. 1, p. 1, 2006.

R. Wirth, “CRISP-DM : Towards a Standard Process Model for Data Mining,” Proc. Fourth Int. Conf. Pract. Appl. Knowl. Discov. Data Min., no. 24959, pp. 29–39, 2000.

G. Mariscal, Ó. Marbán, and C. Fernández, “A survey of data mining and knowledge discovery process models and methodologies,” Knowl. Eng. Rev., vol. 25, no. 2, pp. 137–166, 2010.

A. A. Romdhoni, Wiharto, and E. Suryani, “Peramalan Nilai Tukar Mata Uang Dollar AS terhadap Rupiah Menggunakan Neural Network Ensemble Bagging,” J. ITSMART, vol. 2, no. 2, pp. 42–47, 2013.

L. S. Mandani, E. Sumarminingsih, W. H. Nugroho, J. Matematika, F. Mipa, and U. Brawijaya, “Study Tentang Metode Complete Case , Last Observation Carried Forward , Dan Unconditional Mean Imputation Untuk Mengatasi Data Hilang Dengan Pola Monoton Dan Non Monoton Pada Data Longitudinal,” J. Mhs. Stat., vol. 1, no. 2, p. 129, 2013.

B. Setiyono and I. Mukhlash, “Kajian Algoritma GDBScan , Clarans dan Cure untuk Spatial Clustering,” limits, vol. 2, no. 2, pp. 117–128, 2005.

T. Wuryandari, A. Rusgiyono, and E. Setyowati, “Pengelompokan Kabupaten/Kota Berdasarkan Komoditas Pertanian Menggunakan Metode K Medoids,” Media Stat., vol. 9, no. 1, pp. 41–49, 2016.

W. A. Triyanto, “Algoritma K-Medoids Untuk Penentuan Strategi Pemasaran,” Simetris, vol. 6, no. 1, pp. 183–188, 2015.

C. Bian, C. Yuan, W. Kuang, and D. Wu, “Evaluation, Classification, and Influential Factors Analysis of Traffic Congestion in Chinese Cities Using the Online Map Data,” Math. Probl. Eng., vol. 2016, 2016.

S. K. A. Fahad and M. Alam, “A Modified K-Means Algorithm for Big Data Clustering,” vol. 6, no. 4, pp. 129–132, 2016.

R. J. Broderick, K. Munoz-Ramos, and M. J. Reno, “Accuracy of clustering as a method to group distribution feeders by PV hosting capacity,” Proc. IEEE Power Eng. Soc. Transm. Distrib. Conf., vol. 2016–July, no. Ccc, 2016.

Ahmad Nur Rohman, “Pengelompokan wilayah di indonesia dengan analisis gerombol dan analisis input output dalam bidang teknologi komunikasi ahmad nur rohman,” 2015.


Artikel Statistik

Abstrak telah dilihat : 299 kali
PDF telah dilihat : 80 kali

Creative Commons License
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.

 

Alamat Redaksi :
Jurusan Sistem Informasi, Fakultas Teknologi Informasi
Universitas Andalas
Kampus Limau Manis, Padang 25163, Sumatera Barat

email: teknosi@fti.unand.ac.id

  Jumlah Pengunjung :

 

Creative Commons License
This work by si.fti.unand.ac.id is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.