Implementasi Algoritma K-Means Clustering pada Studi Kasus Seleksi Mahasiswa Berprestasi menggunakan Visual Basic

Authors

  • Luthfiana Erlistya Universitas Airlangga
  • Patricia Saroha Sumarna Universitas Airlangga
  • Ferfigha Alsaka Universitas Airlangga

DOI:

https://doi.org/10.21831/pspmm.v4i2.171

Keywords:

Matematika, Matematika terapan

Abstract

Abstrak— Predikat mahasiswa berprestasi merupakan predikat yang diunggul-unggulkan pada jenjang bangku perkuliahan. Hal ini yang dirasakan oleh pihak Fakultas Sains dan Teknologi Universitas Airlangga dengan kondisi mahasiswanya yang sangat antusias untuk berlomba-lomba meningkatkan kualitas individu masing-masing agar mampu mendapatkan predikat tersebut. Namun, terjadinya pandemi Covid-19 yang sudah menghancurkan segala aspek kehidupan pada setiap negara termasuk negara Indonesia, menjadikan kegiatan pada proses pendidikan mengalami perubahan dan permasalahan yang cukup drastis. Pada paper kali ini kami bertujuan untuk membantu permasalahan proses seleksi mahasiswa berpretasi menggunakan cabang ilmu Data Mining dengan Algoritma K-Means clustering agar mempermudah serta mengelompokkan pengambilan keputusan, kemudian data tersebut disimpan pada Microsoft Access sebagai database dan menampilkannya dengan Visual Basic untuk mempercepat proses seleksi, diharapkan juga proses seleksi ini bersifat transparan dengan adanya bantuan dari program tersebut. Sumber data diambil dari nilai Indek Prestasi Kumulatif (IPK) dan nilai TOEFL pada beberapa mahasiswa Fakultas Sains dan Teknologi Universitas Airlangga yang telah mengisi g-form atau kuesioner. Hasil akhir pada program ini akan membantu pihak kampus dalam menganalisa para calon peserta seleksi mahasiswa berprestasi sesuai syarat dan kriteria yang telah tersedia. Kata kunci: Data Mining, K-Means Clustering, Visual Basic, Microsoft Access

References

Hastuti, N. F., Saptono, R., & Suryani, E. (2012). Pemanfaatan Metode K-Means Clustering Dalam Penentuan Penerima Beasiswa. Jurnal Informatika.

Nisbet, R., Elder IV, J., & Liner, G. (2009). Handbook of Statictical Analysis and Data Mining Applications. Elsevier Inc.

Velmurugan, T. (2012). Efficiency of k-Means and K-Medoids Algorithms for Clustering Arbitrary Data Points. Int.J. Computer Technology & Applications , 1759.

Oyelade, Oladipupo, Obagbuwa, “ Application of K-Menas clustering algorithm for prediction of students acaddemic performance”, International Journal of Computer Science and Information Security, Volume 7, 2010.

Jiawei Han and Micheline Kamber, Data mining concepts and techniques second edition, San Francisco: Morgan Kauffman, 2001.

Tan, Pang-Ning, et al. Introduction to data mining. Boston: Pearson Addison Wesley, 2006.

Published

2021-07-29