Ilham Sauly, - (2022) IMPLEMENTASI DATA MINING K-MEANS CLUSTERING UNTUK MENGELOMPOKAN KELULUSAN MAHASISWA (STUDI KASUS: UIN SUSKA RIAU JURUSAN TEKNIK INFORMATIKA). Skripsi thesis, Universitas Islam Negeri Sultan Syarif Kasim Riau.

Preview	Text file lengkap kecuali bab hasil (non bab IV).pdf Download (36MB) | Preview
	Text (BAB IV) file hasil penelitian (bab IV).pdf - Published Version Restricted to Repository staff only Download (5MB)

Abstract

Setiap universitas mempunyai standar kelulusan mahasiswa sedikit berbeda, sesuai dengan kebijakan serta standarisasi dari pihak universitas itu sendiri. Pada saat ini Univeristas Islam Negri Sultan Syarif Kasim Riau tidak luput jugak pada permasalahan keterlambatan kelulusan mahasiswa terkhusus jurusan Teknik Informatika dengan rata-rata jumlah tingkat keterlambatan kelulusan mahasiwa yang sangat tinggi. Banyak faktor dalam masalah keterlambatan kelulusan mahasiswa salah satu mahasiswa mengulang mata kuliah. Untuk mengatasi permasalahan ini dilakukan sebuah penelitian untuk mengelompokan kelulusan mahasiswa. Sehingga mengetahui tingkat akurasi dalam mengelompokan kelulusan mahasiswa menggunakan algoritma k-means clustering. Penelitian ini menggunakan algoritma clustering k-means. Data yang digunakan pada penelitian ini adalah data kelulusan mahasiswa Teknik Informatika Uin Suska Riau tahun 2016-2019. Atribut yang digunakan yaitu nim dan nilai mata kuliah dari semester 1 sampai semetser 5 yaitu yang berhubungan dengan matematika, pemograman, dan mata kuliah lanjutan. Hasil dari penilitian ini menghasilkan 3 cluster, cluster 0 nilai mata kuliah rata-rata 4.0 hingga 3.3, cluster 1 nilai mata kuliah 3.3 hingga 2.7, cluster 2 nilai mata kuliah 27 hingga 0 serta adapun mata kuliah yang nilai rata-ratanya sering bermasalah pada mahasiswa yaitu mata kuliah metnum, sisdig, sisop. Pengujian akurasi menggunakan davies bouldin index pada rapid miner menghasilkan nilai akurasi paling rendah yaitu 2 cluster sebesar 1.677. Kata Kunci: Kelulusan Mahasiswa, Clustering, K-means

Actions (login required)

View Item