Rekomendasi Grup Pada Website Alumni Teknik Informatika Universitas Muhammadiyah Malang

Abstract

AbstrakBelakangan ini hampir seluruh universitas yang ada di indonesia memiliki sistem informasi alumninya sendiri-sendiri. Sistem informasi alumni mampu memberikan informasi tentang kondisi alumninya setelah menyelesaikan masa perkuliahannya. Alumni merupakan aktor yang berperan penting dalam pendidikan. Saat ini jurusan Informatika Fakultas Teknik Universitas Muhammadiyah Malang telah memiliki website alumni. Permasalahannya belum adanya sistem yang memberikan alumni rekomendasi grup pada sistem, sehingga para alumni mampu saling bertukar informasi didalamnya. Dengan adanya data alumni dan juga di dukung dengan adanya tracer study, dapat di bentuk suatu rekomendasi grup dari data tracer study. K-medoid adalah metode pengelompokan data ke dalam sejumlah cluster tanpa adanya struktur hirarki antara satu dengan yang lainnya. Algoritma k-medoid memiliki nilai coefficient yang lebih tinggi di bandingkan dengan k-means dalam penelitian ini. Yang mana k-medoid mendapatkan nilai rata-rata Silhouette Score 0.7325888099 dalam pengujian dengan jumlah cluster 5 dan perulangan sebanyak 10 kali. Jika dibandingkan dengan k-means yang hanya memiliki nilai rata-rata Silhouette Score 0.6872873866.AbstractLately, Almost all universities in Indonesia have their own alumni information systems. The alumni information system is able to provide information about the condition of its alumni after collage graduation. Alumni are actors who play important role in education. Currently, the Department of Informatics, Faculty of Engineering, University of Muhammadiyah Malang has an alumni website. The problem is the absence of system that gives alumni group recommendation on the system, so that alumni are able to exchange information in this website. With the alumni data and also supported by the existence of a tracer study, it can be formed as group recommendation from the data tracer study. Clustering is one of tools in data mining that aims to group object into clusters. K-medoid is a method of grouping data into a number of clusters without hierarchical structure from one another. The k-medoid algorithm has higher coefficient value compared to k-means in this study. This K-medoid gets an average value of Silhouette Score 0.7325888099 in testing with the number of clusters 5 and repetitions 10 times. When compared with k-means which only has an average value of Silhouette Score 0.6872873866.