Implementasi Data Mining Menggunakan Algoritma K-Means Untuk Segmentasi Mahasiswa Baru

Wijaya, Ilham (2024) Implementasi Data Mining Menggunakan Algoritma K-Means Untuk Segmentasi Mahasiswa Baru. Other thesis, Universitas Komputer Indonesia.

	Text UNIKOM_Ilham Wijaya_Cover.pdf - Published Version Download (18kB)
	Text UNIKOM_Ilham Wijaya_Lembar Pengesahan.pdf - Published Version Download (440kB)
	Text UNIKOM_Ilham Wijaya_Surat Keterangan Persetujuan Publikasi.pdf - Published Version Download (322kB)
	Text UNIKOM_Ilham Wijaya_Surat Pernyataan Keaslian.pdf - Published Version Download (512kB)
	Text UNIKOM_Ilham Wijaya_Kata Pengantar.pdf - Published Version Download (9kB)
	Text UNIKOM_Ilham Wijaya_Daftar Isi.pdf - Published Version Download (98kB)
	Text UNIKOM_Ilham WIjaya_BAB I.pdf - Published Version Download (224kB)
	Text UNIKOM_Ilham Wijaya_BAB II.pdf - Published Version Download (443kB)
	Text UNIKOM_Ilham Wijaya_BAB III.pdf - Published Version Restricted to Repository staff only Download (1MB) | Request a copy
	Text UNIKOM_Ilham Wijaya_BAB IV.pdf - Published Version Restricted to Repository staff only Download (1MB) | Request a copy
	Text UNIKOM_Ilham Wijaya_BAB V.pdf - Published Version Download (16kB)
	Text UNIKOM_Ilham Wijaya_Daftar Pustaka.pdf - Published Version Download (85kB)
	Text UNIKOM_Ilham Wijaya_Kontak Penulis dan Kontributor Penelitian.pdf - Published Version Download (98kB)

Abstract

Pada era yang dipenuhi dengan informasi dan data yang tersebar luas, sayang rasanya jika tidak digunakan dengan baik. Universitas tentu saja menjadi salah satu tempat banyaknya data yang tersedia. Memahami hal tersembunyi di dalam data yang tersimpan dapat memberikan manfaat yang besar. Seperti memahami bagaimana mahasiswa baru memilih Universitas Komputer Indonesia menjadi tempat untuk melanjutkan pendidikan. Hal ini akan membuat pihak kampus bisa mengetahui kekurangan dan kelebihan yang dimiliki. Melakukan segmentasi terhadap mahasiswa baru dan pendapat mereka mengenai kampus akan mengabarkan situasi kampus saat itu. Proses segmentasi ini akan jauh lebih mudah dilakukan dengan melibatkan data mining dalam prosesnya. K-means digunakan untuk memudahkan proses segmentasi akan sangat membantu dalam proses ini. Untuk penguji validitas klaster digunakan dari nilai Davies-Bouldin Index dan Silhoutte Score. Hasil penelitian ini adalah terciptanya 3 klaster dari mahasiswa baru. Terdapat 7 kolom yang menjadi hal utama dalam prosesnya. Yaitu kolom yang berasal dari hasil kuesioner mahasiswa. Dalam prosesnya dipilih 12 kolom yang akan diproses sepanjang proses data mining. Proses pembersihan data menggunakan teknik handling missing value, outliers, dan duplicate rows. Selanjutnya, dilakukan transformasi dan scaling data. Proses data mining menggunakan algoritma K-Means untuk membuat klaster yang diinginkan. Evaluasi model menggunakan nilai Davies-Bouldin Indeks yang bernilai 1.6645786314264834 yang mengungkapkan bahwa klaster yang dibuat sudah cukup baik. Hasilnya, implementasi model berbasis web menggunakan framework berhasil membuat klaster yang diinginkan oleh user dan membantu pengambilan keputusan di Universitas Komputer Indonesia.

Item Type:	Thesis (Other)
Uncontrolled Keywords:	Data Mining, K-Means, Davies-Bouldin Index, Segmentasi
Subjects:	000_COMPUTER SCIENCE, INFORMATION & GENERAL WORKS. > 004_Data Processing & Computer Science Q Science > QA Mathematics > QA76 Computer software
Divisions:	S1_SKRIPSI > FTIK_Sistem Informasi (05)
Depositing User:	Mia Mia Hayati Kosasih
Date Deposited:	17 Jul 2025 03:37
Last Modified:	17 Jul 2025 03:37
URI:	http://elibrary.unikom.ac.id/id/eprint/10606

Actions (login required)

View Item