Implementasi K-Means untuk Mengelompokkan Mahasiswa Berdasarkan Risiko Dropout dan Prestasi Akademik
Keywords:
K-Means Clustering, Risiko Dropout, Prestasi AkademikAbstract
Penelitian ini bertujuan untuk mengidentifikasi profil risiko akademik mahasiswa guna mencegah tingkat dropout melalui pendekatan Educational Data Mining (EDM). Masalah utama yang dihadapi institusi pendidikan adalah sulitnya memetakan mahasiswa yang membutuhkan intervensi segera di tengah besarnya volume data akademik. Metode yang digunakan dalam penelitian ini adalah algoritma K-Means Clustering dengan kerangka kerja Knowledge Discovery in Databases (KDD). Dataset terdiri dari 4.424 observasi mahasiswa dengan atribut utama meliputi Rata-rata Nilai, Unit Gagal, dan Status Debitur. Optimasi jumlah klaster dilakukan menggunakan metode Elbow dan metrik Davies-Bouldin Index (DBI). Hasil penelitian menunjukkan bahwa K=3 merupakan jumlah klaster paling optimal secara semantik untuk kebijakan institusi dengan nilai DBI -0,962. Klaster 1 (40,0%) dikategorikan sebagai Risiko Rendah (mahasiswa berprestasi), Klaster 2 (35,0%) sebagai Risiko Sedang (kelompok borderline), dan Klaster 3 (25,0%) sebagai Risiko Tinggi (potensi dropout). Temuan signifikan menunjukkan adanya korelasi kuat antara kendala finansial (status debitur tinggi) dengan kegagalan akademik pada Klaster 3. Hasil ini berimplikasi pada perlunya kebijakan Sistem Peringatan Dini (Early Warning System) yang mengintegrasikan bantuan finansial dan remedi akademik secara simultan
References
Hilman, M., Martanto, Dikananda, A. R., & Rifai, A. (2025). K-Means Algorithm for Clustering High-Achieving Student at Madrasah Tsanawiyah Yami Waled. Journal of Artificial Intelligence and Engineering Applications, 4(3), 320-328.
Muharmi, Y. (2016). Pengelompokan Siswa Berdasarkan Faktor-Faktor Yang Mempengaruhi Keberhasilan Siswa Dalam Belajar Menggunakan Metode Clustering K-Means. Jurnal Teknologi Informasi & Pendidikan, 9(1), 88-101.
Mukhsyi, S. A., Purnamaari, A. I., Bahtiar, A., & Kaslani. (2025). Improving Student Achievement Clustering Model Using K-Means Algorithm in Pasundan Majalaya Vocational School. Journal of Artificial Intelligence and Engineering Applications, 4(2), 210-218.
Nabilatulrahmah, R., Triana, A., Ispahan, T., Adeliani, Fitriani, S., Amelia, Tania, K. D., & Rifai, A. (2025). Analisis Risiko Akademik Siswa Dengan Metode K-Means (Studi Kasus: SMPN 10 Palembang). JATI (Jurnal Mahasiswa Teknik Informatika), 9(4), 180-189.
Permana, A. W., Saragih, R., & Prahmana, I. G. (2025). Implementasi Clustering Data Nilai Siswa Menggunakan Algoritma K-Means: Sebuah Studi Kasus Di SMK Nasional Namoterasi. Global Research and Innovation Journal (GREAT), 1(3), 524-530.
Priyo, A., & Heikal, J. (2025). Implementation Of K-Means Clustering Algorithm For Segmentation Of Prospective Students For Corporate Academy Scholarship. Jurnal Media Akademik (JMA), 3(6), 22-30.
Qusyairi, M., Hidayatullah, Z., & Sandi, A. (2024). Penerapan K-Means Clustering Dalam Pengelompokan Prestasi Siswa Dengan Optimasi Metode Elbow. Infotek: Jurnal Informatika Dan Teknologi, 7(2), 500-510.
Rahmah, S., Jamil, M., Aslindah, A., Fawait, A. B., & Saputra, Y. F. (2025). Pengelompokan Hasil Pembelajaran Mahasiswa dengan Algoritma K-Means Clustering. Jurnal Pengabdian Masyarakat dan Riset Pendidikan, 3(4), 4215-4221.
Ramadani, S., Irwansyah, B., Azhari, D. T., Sari, D. P., Sury, D. A., Nabila, Nurdiani, & Marpaung, A. F. (2025). Pengelompokkan Nilai Siswa di Sekolah MIN 3 Kabupaten Asahan Tahun 2025 Menggunakan Data Mining Metode K-Means. Jurnal Pengabdian Masyarakat dan Riset Pendidikan, 4(2), 10585-10591.
Suarna, N., Rahaningsih, N., & Suarna, A. A. (2025). Optimalisasi Prestasi Akademik Siswa Melalui Pengelompokan Indeks Prestasi Dengan K-Means Clustering. Jurnal Kecerdasan Buatan dan Teknologi Informasi, 4(2), 198-207.
Downloads
Published
Issue
Section
License
Copyright (c) 2025 Erza Rifa Nihayah, Hasbi Firmansyah, Wahyu Asriyani, Ria Indah Fitria
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.
