APLIKASI PREDIKSI WAKTU KELULUSAN MAHASISWA MENGGUNAKAN ALGORITMA K-MEANS CLUSTERING
Kata Kunci:
Aplikasi prediksi, Algoritma K-MeansAbstrak
Aplikasi prediksi waktu kelulusan mahasiswa ini bertujuan memberikan sarana untuk melihat perkiraan waktu lulus mahasiswa dengan melihat mahasiswa-mahasiswa mana saja yang masuk kedalam suatu cluster tertentu berdasarkan parameter IPK dan kehadiran. Aplikasi ini menerapkan algoritma k-Means.
Algoritma K-Means merupakan model cendroid. Model cendroid adalah model yang menggunakan cendroid untuk membuat cluster. K-Means merupakan salah satu metode clustering non hirarki yang berusaha mempartisi data yang ada ke dalam bentuk satu atau lebih cluster. Metode ini mempartisi data ke dalam cluster sehingga data yang memiliki karakteristik yang sama dikelompokkan ke dalam satu cluster yang sama dan data yang mempunyai karateristik yang berbeda di kelompokan ke dalam cluster yang lain.
Aplikasi ini diharapkan dapat membantu pihak kampus maupun mahsiswa untuk memprediksi tingkat kelulusan tepat waktu dan untuk meningkatkan reputasi bagi pihak kampus itu sendiri dan kelulusan tepat waktu bagi mahasiswa supaya kelulusan mereka tidak terlambat, selain itu pihak kampus bisa melakukan hal-hal yang perlu dilakukan apabila mereka di prediksi lulus tidak tepat waktu seperti dengan melakukan bimbingan dan hal lainnya.
Referensi
[1] Al Fatta, Hanif. 2007. Analisis & Perancangan Sistem Informasi Untuk Keunggulan Bersaing Perusahaan & Organisasi Modern. Andi: Yogyakarta.
[2] Herjanto, Eddy. Manajemen Operasi. Edisi Ketiga. Gramedia Widiasarana Indonesia. Jakarta [3] Jogiyanto. 2002. Analisis dan Desain Sistem Informasi. ANDI: Yogyakarta.[4] Larose, Daniel T. 2005. Discovering Knowledge in Data: An Introduction to Data Mining.
[5] Mcleod, Raymond. 2008. Sistem Informasi Manajemen. Edisi 10. Salemba Empat: Jakarta
[6] Nursal. 2006. Buku Panduan Visual Basic 1. Dinamika Ilmu: Jakarta.
[7] Pressman, Roger S. 2001. Software Engineering A Practitioner’s Approach. McGraw – Hill: New York.
[8] Santosa, Budi. 2007. Data Mining Teknik Pemanfaatan Data untuk
Keperluan Bisnis. Graha Ilmu: Yogyakarta.
[9] Widianti, Sri. 2009. Pengantar Basis Data. Lentera Ilmu Cendikia: Jakarta.
[10] Wu, Xindong. 2009. Algorithm In Data Mining. Crc Pers: Francis.
[11] Jain. 2009. Data clustering: 50 years beyond K-means
[12] Refaat, M. 2007. Data Preparation For Data Mining Using Sas. Diane D Cerra. San Francisco.
[13] Rismawan, Tedy dan Kusumadewi, Sri. 2008, Aplikasi K-Means Untuk Pengelompokan Mahasiswa Berdasarkan Nilai Body Mass Index (BMI) dan Ukuran Kerangka: Yogyakarta.
[14] Syafrianto, Andri. Perancangan Aplikasi K-Means Untuk Pengelompokan Mahasiswa Stmik Elrahma Yogyakarta Berdasarkan Frekuensi Kunjungan Ke Perpustakaan Dan Ipk: Yogyakarta.
[15] Velmurugan. 2010. Performance Evaluation of K-means and Fuzzy CMeans Clustering Algorithms for Statistical Distributions of Input Data Points
