Bilah Samping Artikel

Telah diserahkan
5 August 2021
Diterima
28 November 2021
Diterbitkan
30 November 2021
Unduh
PDF
Statistik
Baca Penghitung : 125 Unduh : 270

Isi Artikel Utama

Abstrak

Ketepatan waktu kelulusan merupakan permasalahan umum bagi pihak akademik maupun mahasiswa, karena kedua pihak tersebut sama-sama tidak dapat mengetahui ketepatan waktu kelulusan mahasiswa. Dengan adanya masalah ini perlu menciptakan suatu sistem yang dapat mengetahui ketepatan waktu kelulusan mahasiswa. Teknik clustering dapat memecahkan masalah ini dengan menggunakan metode algoritma K-Means. Metode algoritma K-Means merupakan metode yang mempartisipasi data ke dalam cluster sehingga data yang memiliki karakteristik yang sama  dikelompokkan ke dalam cluster yang sama dan data yang mempunyai karateistik yang berbeda dikelompokkan ke dalam cluster yang lain dalam penelitian ini membagi menjadi dua kelompok cluster yaitu lulus tepat waktu dan tidak tepat waktu. Hasil dari proses pengelompokkan cluster ditampilkan dalam bentuk website dengan metode pengembangan sistem yag digunakan adalah waterfall dengan bahasa pemogramman PHP yang menggunakan Frame work Code Ignitor.

Kata Kunci : Kelulusan, Clustering, Algoritma K-Means

Kata Kunci

K-Means

Rincian Artikel

Biografi Penulis

Viryandra Virtusena, Universitas Bengkulu

Informatika, Fakultas Teknik

Asahar Johar, Universitas Bengkulu

Sistem Informasi, Fakultas Teknik

Andang Wijanarko, Universitas Bengkulu

Sistem Informasi, Fakultas Teknik
Cara Mengutip
Virtusena, V., Johar, A., & Wijanarko, A. (2021). Pengelompokan Potensi Kelulusan Mahasiswa Fakultas Teknik Unib Menggunakan Algoritme K-Means (Studi Kasus: Fakultas Teknik Universitas Bengkulu). Rekursif: Jurnal Informatika, 9(2), 206–225. https://doi.org/10.33369/rekursif.v9i2.17073
Unduh Sitasi
Endnote/Zotero/Mendeley (RIS)
BibTeX

Referensi

  1. Ediyanto, Mara, M. N., & Satyahadewi, N. (2013). Pengklasifikasian Karakteristik Dengan Metode K-Means Cluster Analysis. Buletin Ilmiah Mat. Stat. dan Terapannya (Bimaster), 133-136.
  2. He, H., & Tan, Y. (2012). A Two-Stage Genetic Algorithm for Automatic Clustering. Neurocomputing, 81, 49-59.
  3. Mustaffa, Z., & Yusuf, Y. (2011). A Comparison of Normalization Techiques in Predicting Dengue Outbreak. International Conference on Business and Economics Reasearch, 01, 345-349.
  4. Prasetyo, E. (2012). Data Mining Konsep dan Aplikasi Menggunakan Matlab. Yogyakarta: Andy.
  5. Pressman, R. S. (2012). Rekayasa Perangkat Lunak : Pendekatan Praktisi Edisi 7. Yogyakarta: Penerbit Andi.
  6. Priati, A. F. (2017). Data Minning Dengan Teknik Culustering Menggunakan Algoritma K-Means Pada Data Transaksi Superstore. Seminar Nasional Informatika dan Aplkasinya (SNIA), 15-19.
  7. Priyatman, H., Sajid, F., & Haldivany, D. (2019). Klasterisasi Menggunakan Algoritma K-Means Clustering Untuk Memprediksi Waktu Kelulusan Mahasiswa. Jurnal Edukasi dan Penelitian Informatika, 5, 62-66.
  8. Shofiani, N. (2017). Segmentasi Supplier Menggunakan Metode K-Means Clustering (Studi Kasus: PTPN X PG Merritjan). Surabaya: Institut Teknologi Sepuluh Nopember.
  9. Suntoro, J. (2019). Data Mining Algoritma dan Implementasi Dengan Pemrograman PHP. Jakarta: Elex Media Computindo.
  10. Wardhani, A. K. (2016). Implementasi Algoritma K-Means Untuk Pengelompokkan Pasien Pada Puskesmas Kajen Pekalongan. Jurnal Transformatika, 14, 30-36.
  11. Xiang, W. L., Zhu, N., Mha, S. F., Meng, X. L., & An, M. Q. (2015). A Dynamic Shuffled Differential Evolution Algorithm For Data Clustering. Neurocomputing, 158, 144-154.
  12. Zhang, C., Ouyang, D., & Ning, J. (2010). An Artificial bee Colony approach For Clustering. Expert Systems with Applications, 37(7), 4761-4767.