KLASTERISASI DATA MAHASISWA UNDIKSHA MENGGUNAKAN ALGORITMA K-MEANS DAN DBSCAN SERTA ANALISIS PELUANG KELULUSAN MAHASISWA PADA SUATU CLUSTER

Sari, Gusti Ayu Gita Mulya (2023) KLASTERISASI DATA MAHASISWA UNDIKSHA MENGGUNAKAN ALGORITMA K-MEANS DAN DBSCAN SERTA ANALISIS PELUANG KELULUSAN MAHASISWA PADA SUATU CLUSTER. Undergraduate thesis, Universitas Pendidikan Ganesha.

[img] Text (COVER)
1915101011-COVER.pdf

Download (862kB)
[img] Text (ABSTRAK)
1915101011-ABSTRAK.pdf

Download (34kB)
[img] Text (BAB 1 PENDAHULUAN)
1915101011-BAB 1 PENDAHULUAN.pdf

Download (123kB)
[img] Text (BAB 2 KAJIAN TEORI)
1915101011-BAB 2 KAJIAN TEORI.pdf
Restricted to Repository staff only

Download (482kB) | Request a copy
[img] Text (BAB 3 METODELOGI PENELITIAN)
1915101011-BAB 3 METODELOGI PENELITIAN.pdf
Restricted to Repository staff only

Download (269kB) | Request a copy
[img] Text (BAB 4 HASIL DAN PEMBAHASAN)
1915101011-BAB 4 HASIL DAN PEMBAHASAN.pdf
Restricted to Repository staff only

Download (1MB) | Request a copy
[img] Text (BAB 5 PENUTUP)
1915101011-BAB 5 PENUTUP.pdf
Restricted to Repository staff only

Download (37kB) | Request a copy
[img] Text (DAFTAR PUSTAKA)
1915101011-DAFTAR PUSTAKA.pdf

Download (164kB)
[img] Text (LAMPIRAN)
1915101011-LAMPIRAN.pdf

Download (138kB)

Abstract

Penilaian dan evaluasi kualitas perguruan tinggi atau program studi melibatkan persentase kelulusan tepat waktu sebagai salah satu indikator penting. Namun, dalam kenyataannya, masih banyak mahasiswa yang gagal menyelesaikan studi dalam waktu yang tepat. Upaya awal untuk mengatasi situasi ini adalah dengan melakukan clustering untuk mengelompokkan data mahasiswa Undiksha ke dalam beberapa cluster, lalu menganalisis peluang kelulusan, serta untuk mengetahui algoritma terbaik untuk klasterisasi. Pada penelitian ini algoritma clustering yang digunakan adalah K-Means dan DBSCAN. Penelitian ini mengkombinasikan metode PCA dengan K-Means dan DBSCAN. Metode PCA digunakan untuk mereduksi dimensi dataset sebelum data diklasterisasi. k=3 merupakan jumlah cluster optimal untuk K-Means berdasarkan metode Elbow. Nilai parameter MinPts=4 dan Eps=0.02 merupakan nilai yang paling optimal untuk DBSCAN berdasarkan metode KNN 4-dist plot. Setelah cluster terbentuk maka dilakukan interpretasi cluster dengan melihat nilai centroid atau rata-rata anggota cluster dan dilanjutkan dengan melakukan analisis probabilitas dengan menggunakan metode perhitungan peluang sederhana dan Softmax. Untuk mengukur validitas cluster digunakan metode pengukuran Silhouette Coefficient. Dimana didapatkan nilai Silhouette Coefficient untuk metode K-Means saat k=3 sebesar 0.769, sedangkan nilai Silhouette Coefficient DBSCAN saat nilai Eps=0.02, MinPts=4 yaitu sebesar 0.926. Sehubungan dengan perbandingan nilai Silhouette Coefficient, DBSCAN menghasilkan kualitas cluster yang lebih unggul jika dibandingkan dengan K-Means.

Item Type: Thesis (Undergraduate)
Uncontrolled Keywords: clustering, K-Means, DBSCAN, PCA, silhouette coefficient,
Subjects: Q Science > QA Mathematics > QA75 Electronic computers. Computer science
T Technology > T Technology (General)
Divisions: Fakultas Teknik dan Kejuruan > Jurusan Teknik Informatika > Program Studi Ilmu Komputer (S1)
Depositing User: Gusti Ayu Gita Mulya Sari
Date Deposited: 24 Oct 2023 12:02
Last Modified: 24 Oct 2023 12:35
URI: http://repo.undiksha.ac.id/id/eprint/17741

Actions (login required)

View Item View Item