Penerapan Metode Crisp-DM Dengan Algoritma K-Means Clustering Untuk Segmentasi Mahasiswa Berdasarkan Kualitas Akademik

Abstract

Segmentasi adalah usaha untuk membagi suatu populasi menjadi kelompok-kelompok yang dapat dibedakan satu sama lain, segmentasi juga dapat digunakan untuk mendapatkan informasi yang berguna mengenai karakteristik mahasiswa dan dapat dijadikan bahan masukan untuk menyusun program-program akademik yang lebih baik. Permasalahan yang ada saat ini adalah banyak mahasiswa yang lulus tidak tepat waktu. Penyebab kegagalan mahasiswa dalam kelulusan diantaranya indeks presentasi yang rendah, kurangnya interaksi mahasiswa dengan dosen di kelas saat mata kuliah berlangsung, absensi ataupun dari faktor lain. Menggunakan metode CRISP-DM (Cross-Industry Standard Process Model for Data Mining) dengan algoritma K-Means clustering untuk menghasilkan clustering mahasiswa berdasarkan kemampuan akademik. Data yang diolah merupakan data mahasiswa dari tahun 1992 – 2019 dengan total data mencapai 253.886 data. Hasil pemodelan menghasilkan sistem dashboard yang menampilkan hasil clustering mahasiswa berdasarkan program studi, persentase nilai mahasiswa berdasarkan cluster, perolehan nilai mahasiswa berdasarkan jenis kelamin pada masing-masing cluster dan informasi IPK Mahasiswa berdasarkan cluster pada periode tahun 2009 -2018. Hasil penelitian diharapkan dapat digunakan untuk oleh manajemen ITBS untuk mendukung pengambilan keputusan strategi khususnya di bidang akademik.