Recommendation of Student Admission Priorities Using K-Means Clustering

Abstract

This study aims to investigate student's characteristics based on three variables, namely grade point average (GPA), period of study, and administrative obedience in order to draw a recommendation for student admission priorities at Mulawarman University. This recommendation will be used as one of reference variable on new student recruitment. The 8.741 records of student data sourced from the university data warehouse were mined using K-Means clustering. This mining process produced three clusters, cluster-1 includes 1,758 students with centroid {0.158,0.694,0.663}, while cluster-2 embraces 4,928 students with centroid {0.970,0.700,0.675}, and cluster-3 with centroid {0.953,0554,0.386} covers 2.055 students. This result shows that cluster-2 has the best combination of centroid values, implied that new students from schools where students in cluster-2 graduated from are recommended as the high priority students to be admitted at

Rekomendasi Strategi Sosialisasi Program Studi Melalui Jalur Undangan Menggunakan Algoritma ID3 dan K-Means

“…Data lama yang direkam ini tumbuh dan menjadi data besar universitas. Data besar ini dapat dianalisis dan digali untuk memperoleh informasi penting atau untuk proses lain untuk mendukung manajemen dalam menjaga kualitas universitas [1]. Data mining adalah proses mencari pola atau informasi menarik dalam data terpilih dengan menggunakan teknik atau metode tertentu.…”

“…Algoritma K-Means merupakan satu algoritma yang melakukan pengelompokan data dengan mengambil parameter sejumlah kemudian mempartisi data kedalam klaster tersebut, dengan berpatokan pada kemiripan antar data dalam satu klaster dengan klaster lainnya. Nilai yang digunakan dalam perhitungan kemiripan dari seluruh data yang ada dengan menggunakan nilai entropy yang di peroleh menggunakan persamaan (1). Data tersebut dikelompokkan menjadi 3 cluster, dan kemudian dipilih cluster yang paling berpengaruh.…”

Penerapan Data Mining Pada Penerimaan Mahasiswa Baru Dengan Algoritma K-Means Clustering

“…Beberapa penelitian membahas proses penerimaan mahasiswa baru menggunakan metode Analytical Hierarchy Process (AHP) [4], [5] dimana metode AHP sangat bergantung dari input berupa persepsi pakar [6], [7]. Sementara Penelitian [8], [9], [10], [11] menggunakan data mining sebagai alat bantu dalam mengelompokan (Clustering) sesuai atribut pada data penerimaan mahasiswa baru untuk mendapatkan informasi tertentu yang mana metode ini mampu menangani data numerik dan kategorikal juga dapat menangani dataset besar [12], [13].…”