Penerapan Metode K-Medoids untuk Pengelompokan Mahasiswa Berpotensi Drop Out

Abstract

Drop out merupakan penghentian atau pemutusan hubungan studi mahasiswa di perguruan tinggi, hal ini disebabkan oleh beberapa hal yang telah ditentukan oleh universitas. Perguruan tinggi dapat membuat kebijakan guna meminimalkan jumlah mahasiswa drop out dengan mengidentifikasi mahasiswa yang berisiko di tahap awal pendidikan. Mahasiswa drop out dapat diprediksi melalui beberapa proses memperoleh pola atau pengetahuan dari kumpulan data yang disebut data mining. Data mining melakukan analisis data yang telah ada dalam basis data guna penyelesaian masalah. Analisis yang dilakukan salah satunya dengan metode clustering. Cara kerja clustering dengan mengelompokkan data atau objek ke dalam cluster (kelompok). Penelitian ini menerapkan K-Medoids untuk melakukan pengelompokan kategori mahasiswa berpotensi drop out. K-Medoids merupakan salah satu metode data mining yang dapat menyelesaikan permasalahan clustering. Pada algoritma ini representasi sebuah cluster menggunakan objek pada sekumpulan objek. Pengukuran hasil K-Medoids menggunakan Silhouette Coefficient yang berfungsi untuk mengevaluasi jarak kedekatan antar data dalam satu cluster. Setelah dilakukan clustering menggunakan algoritma K-Medoids didapatkan hasil evaluasi Silhouette Coefficient terbaik sebesar 0.39415227406014575 dengan jumlah cluster 2. Hasil cluster dari 389 data, didapat 3 atribut yang memiliki rentang nilai yang berbeda antar cluster yaitu IPK, IP Semester 1, dan Status Beasiswa, ketiga atribut ini menjadi penciri yang membedakan antar cluster. AbstractDropout is the termination of student studies in college, this is caused by several things that have been determined by the university. Universities can make policies to minimize the number of students dropping out by identifying students at risk in the early stages of education. Dropout students can be predicted through several processes of obtaining patterns or knowledge from data sets called data mining. Data mining analyzes data that already exists in the database to solve problems. One of the analyzes carried out is the clustering method. How clustering works by grouping data or objects into clusters (groups). This study applies K-Medoids to classify categories of students who have the potential to drop out. K-Medoids is a data mining method that can solve clustering problems. In this algorithm, the representation of a cluster uses objects in a set of objects. Measurement of the results of K-Medoids using the Silhouette Coefficient which serves to evaluate the proximity between data in one cluster. After clustering using the K-Medoids algorithm, the best Silhouette Coefficient evaluation results are 0.39415227406014575 with the number of clusters 2. The cluster results from 389 data, obtained 3 attributes that have different value ranges between clusters, namely GPA, IP Semester 1, and Scholarship Status, all three attributes are distinguishing feature between clusters.