Implementasi Data Mining Dalam Penerapan Clustering Algoritma K-Medoid Sebaran Mahasiwa Baru Pada STIE-SAK
Hamsiah Hamsiah
Sari
Abstrak: Sekolah Tinggi Ilmu Ekonomi Sakti Alam Kerinci (STIE-SAK) merupakan salah satu perguruan tinggi yang berada di Kota Sungai Penuh, Provinsi Jambi, dimana setiap tahunnya menerima mahasiswa baru dari berbagai sekolah yang ada di Kabupaten kerinci, Kota Sungai Penuh, dan daerah lainnya. Pada penelitian ini peneliti menerapkan konsep data mining dengan menggunakan teknik clustering algoritma K-Medoid untuk mengetahui sebaran mahasiswa baru berasal dari daerah mana dan berasal dari sekolah mana yang melanjutkan pendidikan di STIE-SAK. Adapun dari data yang diperoleh bisa digunakan pihak kampus untuk melihat potensi terbesar sekolah yang menyumbang mahasiswa baru terbanyak. Data yang digunakan dalam penelitian ini yaitu data mahasiswa tahun 2024 dengan atribut yang Nama, Jenis Kelamin, Asal Sekolah, dan Alamat. Hasil penelitian ini yaitu terbentuknya 3 cluster dengan klaster Cluster 0 adalah mahasiswa baru terbanyak berasal dari daerah Kerinci, Asal sekolah terbanyak yang menyumbang mahasiswa baru adalah SMAN 1 SUNGAI PENUH, Cluster 1 adalah mahasiswa baru yang berasal dari daerah sungai penuh dengan sumbangan mahasiswa sedang yaitu diantaranya adalah SMAN 5 SUNGAI PENUH, sedangkan Cluster 2 adalah mahasiswa baru yang berasal dari luar daerah adalah yang paling sedikit mendaftar menjadi mahasiswa baru di STIE-SAK.
Kata kunci: K-Medoids, Clustering, Data Mining, RapidMiner
Abstract:The Sakti Alam Kerinci College of Economics (STIE-SAK) is one of the tertiary institutions located in Sungai Banyak City, Jambi Province, where every year it accepts new students from various schools in Kerinci Regency, Sungai Full City, and other areas. In this study, researchers applied the concept of data mining using the K-Medoid algorithm clustering technique to find out the distribution of new students from which areas and from which schools who continued their education at STIE-SAK. The data obtained can be used by campuses to see the greatest potential of schools that contribute the most new students. The data used in this research is student data in 2024 with the attributes Name, Gender, School of Origin and Address. The results of this research are the formation of 3 clusters with Cluster 0 being the largest number of new students coming from the Kerinci area, the school that contributed the most new students is SMAN 1 SUNGAI PENUH, Cluster 1 is new students coming from the Sungai Full area with moderate student contributions, namely: is SMAN 5 SUNGAI PENUH, while Cluster 2 is new students who come from outside the area who are the least likely to register as new students at STIE-SAK.
Keywords: K-Medoids, Clustering, Data Mining, RapidMiner