Penerapan K-Means Clustering pada Absensi Mahasiswa Semester Ganjil untuk Mengelompokkan Kehadiran Mahasiswa

Rezti Deawinda Parinduri — Fri, 04 Jul 2025 00:00:00 +0000

Kedisiplinan mahasiswa dalam hal kehadiran menjadi indikator penting dalam menjamin mutu pembelajaran di perguruan tinggi. Penelitian ini bertujuan untuk menganalisis pola kehadiran mahasiswa pada mata kuliah semester ganjil dengan menerapkan algoritma K-Means Clustering sebagai bagian dari proses Knowledge Discovery in Database (KDD). Hipotesis penelitian menyatakan bahwa mahasiswa dapat dikelompokkan ke dalam kategori tingkat kehadiran yang berbeda secara signifikan. Data yang digunakan berupa absensi 35 mahasiswa selama 16 pertemuan. Proses penelitian mencakup tahapan KDD: pengumpulan data, pra-pemrosesan, penerapan algoritma K-Means, visualisasi dengan PCA, serta evaluasi menggunakan Silhouette Score. Hasil menunjukkan terbentuknya tiga cluster: kehadiran tinggi (90%), sedang (70%), dan rendah (50%), dengan skor siluet rata-rata sebesar 0.72 yang menunjukkan pemisahan cluster yang cukup baik. Kesimpulannya, algoritma K-Means efektif dalam mengelompokkan pola kehadiran mahasiswa secara objektif. Saran diberikan agar pihak universitas menggunakan hasil ini sebagai dasar perumusan kebijakan peningkatan kedisiplinan. Penelitian ini penting sebagai langkah awal dalam memahami perilaku mahasiswa berbasis data dan dapat dikembangkan lebih lanjut dengan menambahkan variabel serta mengeksplorasi algoritma lain.

Engineering and Technology International Journal

Penerapan K-Means Clustering pada Absensi Mahasiswa Semester Ganjil untuk Mengelompokkan Kehadiran Mahasiswa