Implementasi Algoritma K-Means untuk Pengelompokan Risiko Drop out Mahasiswa

Muhammad Raikhan Al Fatah; Aang Alim  Murtopo; Erni Unggul Sedya  Utami

doi:10.31004/riggs.v4i3.2374

Authors

Muhammad Raikhan Al Fatah STMIK YMI Tegal
Aang Alim Murtopo STMIK YMI Tegal
Erni Unggul Sedya Utami STMIK YMI Tegal

DOI:

https://doi.org/10.31004/riggs.v4i3.2374

Keywords:

Clustering, Data Mining, Drop out, K-Means, Risiko Mahasiswa

Abstract

Fenomena mahasiswa putus studi (drop out) menjadi tantangan serius bagi perguruan tinggi karena berdampak pada citra institusi, efektivitas pembelajaran, dan efisiensi sumber daya. Penelitian ini bertujuan mengelompokkan risiko drop out mahasiswa penerima Kartu Indonesia Pintar (KIP) semester 6 di STMIK YMI Tegal untuk mendukung deteksi dini dan intervensi akademik yang lebih tepat sasaran. Metode penelitian menggunakan algoritma K-Means Clustering dengan data Indeks Prestasi Kumulatif (IPK) dan kehadiran mahasiswa, melalui tahapan pra-pemrosesan data, penentuan jumlah klaster optimal menggunakan metode Elbow, implementasi K-Means, serta evaluasi hasil menggunakan silhouette score. Hasil penelitian menunjukkan terbentuknya tiga klaster risiko yaitu rendah, sedang, dan tinggi, dengan nilai silhouette score 0,4101 yang mengindikasikan kualitas pemisahan klaster cukup baik; mahasiswa dengan IPK dan kehadiran tinggi tergolong berisiko rendah, sedangkan mahasiswa dengan IPK dan kehadiran rendah tergolong berisiko tinggi. Implikasi penelitian ini adalah model yang dihasilkan dapat digunakan sebagai alat bantu pihak kampus dalam mengidentifikasi mahasiswa berisiko sejak dini, merumuskan kebijakan pendampingan akademik yang lebih efektif, serta menjadi dasar pengembangan sistem pemantauan akademik berbasis data mining yang dapat diperluas dengan algoritma lain dan variabel tambahan untuk meningkatkan akurasi dan generalisasi model

Downloads

Download data is not yet available.

References

Humiati and D. Budiarti, “Peran Perguruan Tinggi Dalam Meningkatkan Sumber Daya Manusia,” JMM ( Jurnal Masyarakat Merdeka ), vol. 3, no. 1, 2020, doi: 10.51213/jmm.v3i1.46.

A. Nurdiana, “Peran Kepemimpinan dalam Pengelolaan Sumber Daya Manusia untuk Meningkatkan Kualitas Pendidikan di STAI Siliwangi Garut,” Jurnal Ekonomi Utama, vol. 2, no. 3, pp. 278–286, Nov. 2023, doi: 10.55903/juria.v2i3.127.

R. M. Tillah and Firman, “Peran dukungan sosial orangtua terhadap subjective well-being mahasiswa yang terancam drop out: Studi Korelasional,” JURNAL ILMIAH NUSANTARA, vol. 2, no. 5, pp. 308–320, Jun. 2025, doi: 10.61722/jinu.v2i5.5454.

T. A. Marzuqi, E. Kristiani, and Marcel, “Prediksi Mahasiswa Drop-Out Di Universitas XYZ,” Jurnal Teknologi Informasi dan Ilmu Komputer, vol. 11, no. 6, pp. 1345–1350, Dec. 2024, doi: 10.25126/jtiik.2024118689.

I. Syahputra, “ANALISIS ALGORITMA BACKPROPAGATION UNTUK MENGIDENTIFIKASI MAHASISWA YANG DROP OUT DARI KAMPUS,” Deli Sains Informatika, vol. 1, no. 1, pp. 1–8, 2021.

D. W. Puteri, P. W. Buana, and I. M. Sukarsa, “Komparasi Metode Decision Tree dan Deep Learning dalam Meramalkan Jumlah Mahasiswa Drop Out Berdasarkan Nilai Akademik,” Journal of Internet and Software Engineering, vol. 1, no. 2, p. 12, Mar. 2024, doi: 10.47134/pjise.v1i2.2327.

A. Fatkhudin, A. Khambali, F. A. Artanto, N. A. Putra Zade, and U. Muhammadiyah Pekajangan Pekalongan, “Implementasi Algoritma Clustering K-Means Dalam Pengelompokan Mahasiswa Studi Kasus (Prodi Manajemen Informatika),” Jurnal Minfo Polgan, vol. 12, no. 2, 2023, doi: 10.33395/jmp.v12i2.12494.

A. S. Lomi, A. A. Pekuwali, and R. T. Abineno, “PENGELOMPOKAN MAHASISWA BERPOTENSI DROP OUT PADA PROGRAM STUDI TEKNIK INFROMATIKA MENGGUNAKAN METODE K-MEANS CLUSTERING Clustering Students With Potential To Drop Out In The Informatics Engineering Study Program Using The K-Means Clustering Method,” Prosiding Semnas SATI, vol. 3, no. 1, p. 340, 2024.

C. Lika Mestika Sandy, “Implementasi Metode K-Means Dalam Menentukan Mahasiswa Potensial Drop Out,” Jurnal Elektronika dan Teknologi Informasi, vol. 3, no. 2, pp. 23–28, 2022.

S. Bahri and D. M. Midyanti, “Penerapan Metode K-Medoids untuk Pengelompokan Mahasiswa Berpotensi Drop Out,” Jurnal Teknologi Informasi dan Ilmu Komputer, vol. 10, no. 1, pp. 165–172, Feb. 2023, doi: 10.25126/jtiik.2023106643.

L. Awaliyah, N. Rahaningsih, and R. D. Dana, “Implementasi Algoritma K-Means Dalam Analisis Cluster Korban Kekerasan Di Provinsi Jawa Barat,” JATI (Jurnal Mahasiswa Teknik Informatika), vol. 8, no. 1, pp. 188–195, 2024, doi: 10.36040/jati.v8i1.8332.

P. Palinggik Allorerung, A. Erna, M. Bagussahrir, and S. Alam, “Analisis Performa Normalisasi Data untuk Klasifikasi K-Nearest Neighbor pada Dataset Penyakit,” Jurnal Informatika Sunan Kalijaga), vol. 9, no. 3, pp. 178–191, Sep. 2024, doi: 10.14421/jiska.2024.9.3.178-191.

A. Putri Riani, A. Voutama, and T. Ridwan, “Penerapan K-Means Clustering Dalam Pengelompokan Hasil Belajar Peserta Didik Dengan Metode Elbow,” Jurnal Teknologi Sistem Informasi dan Sistem Komputer TGD, vol. 6, no. 1, 2023, doi: 10.53513/jsk.v6i1.7351.

N. Hendrastuty, “Penerapan Data Mining Menggunakan Algoritma K-Means Clustering Dalam Evaluasi Hasil Pembelajaran Siswa,” Jurnal Ilmiah Informatika dan Ilmu Komputer (JIMA-ILKOM), vol. 3, no. 1, pp. 46–56, Mar. 2024, doi: 10.58602/jima-ilkom.v3i1.26.

F. Kurnia Rahman, S. Sanjaya, L. Handayani, and F. Insani, “Penerapan Algoritma K-Means Clustering pada Kinerja Mesin Screw press,” Bulletin of Information Technology (BIT), vol. 6, no. 2, pp. 59–70, 2025, doi: 10.47065/bit.v5i2.1783.