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

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.