Pengelompokan Peminatan Outline Tugas Akhir Dengan Menggunakan Algoritma K-Means Pada AMIK MI BSI Jakarta
Abstract
ABSTRAK - Sebelum membuat tugas akhir, mahasiswa memilih outline untuk menentukan minat dan tujuan dari pembuatan tugas akhir tersebut. Pada AMIK MI BSI Jakarta mempunyai banyak cabang dan banyak peminatan outline. Salah satu masalah dalam pemilihan outline tugas akhir di AMIK MI BSI Jakarta adalah terlalu banyaknya data peminatan outline dan cabang. Tujuan dari penelitian ini untuk mengetahui dan mengelompokan outline pendaftaran tugas akhir yang paling banyak diminati dan yang paling sedikit diminati untuk nantinya akan diperbaharui lagi peminatan outline tugas akhir di AMIK MI BSI Jakarta. Algoritma yang digunakan untuk mengelompokan data tersebut menggunakan algoritma k-means K-Means adalah suatu metode penganalisaan data. Metode k-means berusaha mengelompokkan data yang ada ke dalam beberapa kelompok, dimana data dalam satu kelompok mempunyai karakteristik yang sama satu sama lainnya dan mempunyai karakteristik yang berbeda dengan data yang ada di dalam kelompok yang lain. Atribut yang digunakan dalam pengelompokan peminatan outline tugas akhir adalah jenis outline pendaftaran tugas akhir, cabang AMIK MI BSI Jakarta, nilai tugas akhir mahasiswa. Cluster yang terbentuk ada 3 cluster, cluster pertama mempunyai 9 anggota data mahasiswa, cluster kedua mempunyai 8 anggota data mahasiswa, cluster ketiga mempunyai anggota data mahasiswa
Kata Kunci: Tugas Akhir,K-Means, Peminatan Outline
ABSTRAK - Sebelum membuat tugas akhir, mahasiswa memilih outline untuk menentukan minat dan tujuan dari pembuatan tugas akhir tersebut. Pada AMIK MI BSI Jakarta mempunyai banyak cabang dan banyak peminatan outline. Salah satu masalah dalam pemilihan outline tugas akhir di AMIK MI BSI Jakarta adalah terlalu banyaknya data peminatan outline dan cabang. Tujuan dari penelitian ini untuk mengetahui dan mengelompokan outline pendaftaran tugas akhir yang paling banyak diminati dan yang paling sedikit diminati untuk nantinya akan diperbaharui lagi peminatan outline tugas akhir di AMIK MI BSI Jakarta. Algoritma yang digunakan untuk mengelompokan data tersebut menggunakan algoritma k-means K-Means adalah suatu metode penganalisaan data. Metode k-means berusaha mengelompokkan data yang ada ke dalam beberapa kelompok, dimana data dalam satu kelompok mempunyai karakteristik yang sama satu sama lainnya dan mempunyai karakteristik yang berbeda dengan data yang ada di dalam kelompok yang lain. Atribut yang digunakan dalam pengelompokan peminatan outline tugas akhir adalah jenis outline pendaftaran tugas akhir, cabang AMIK MI BSI Jakarta, nilai tugas akhir mahasiswa. Cluster yang terbentuk ada 3 cluster, cluster pertama mempunyai 9 anggota data mahasiswa, cluster kedua mempunyai 8 anggota data mahasiswa, cluster ketiga mempunyai anggota data mahasiswa
Kata Kunci: Tugas Akhir,K-Means, Peminatan Outline
Full Text:
PDFReferences
Candra Nugraha, Deka Dwinavinta., dkk. 2014. Klasterisasi Judul Buku dengan Menggunakan Metode K-Means.Jurnal SNATI,Juni 2014
Kusrini dan Lutfi, E.T. 2009. Alogoritma Data Mining. Yogyakarta: Andi Offset.
Santosa, Budi. 2007. Data Mining Teknik Pemanfaatan Data untuk Keperluan Bisnis. Yogyakarta: Graha Ilmu.
Zaki, Mohammed J., and Wagner Meira Jr. Data mining and analysis: fundamental concepts and algorithms. Cambridge University Press, 2014.
Kusumadewi dan Purnomo. 2010. Aplikasi Logika Fuzzy untuk mendukung keputusan. Yogyakarta: Graha Ilmu.
Andayani, Sri., 2007, Pembentukan Cluster dalam Knowledge Discovery in database dengan Algoritma K-Means, Semnas Matematika dan Pendidikan Matematika.
Ong, Johan Oscar, 2013. Implementasi Algoritma K-Means Clustering Untuk Menentukan Strategi Marketing President University. JITI Vol.12, No.1.
DOI: https://doi.org/10.31294/bi.v5i2.2966
DOI (PDF): https://doi.org/10.31294/bi.v5i2.2966.g1889
ISSN: 2338-9761
