SEGMENTASI MAHASISWA DENGAN ALGORITMA UNSUPERVISED LEARNING DATA UNTUK PREDIKSI PENERIMAAN MAHASISWA BARU DI UNIVERSITAS NAROTAMA

ARIF ABRIYANTO, 04315038 (2019) SEGMENTASI MAHASISWA DENGAN ALGORITMA UNSUPERVISED LEARNING DATA UNTUK PREDIKSI PENERIMAAN MAHASISWA BARU DI UNIVERSITAS NAROTAMA. Undergraduate thesis, Universitas Narotama.

	Text (HALAMAN JUDUL) HALAMAN JUDUL.pdf Download (4MB)
	Text (BAB I) BAB 1.pdf Download (1MB)
	Text (BAB II) BAB 2.pdf Download (5MB)
	Text (BAB III) BAB 3.pdf Download (3MB)
	Text (BAB IV) BAB 4.pdf Restricted to Repository staff only Download (6MB)
	Text (BAB V) BAB 5.pdf Download (677kB)
	Text (DAFTAR PUSTAKA DAN LAMPIRAN) DAFTAR PUSTAKA DAN LAMPIRAN.pdf Download (1MB)

Abstract

Semakin bertambahnya tahun teknologi informasi akan lebih muda untuk berkembang dengan cepat dan hampir mencangkup disegala bidang kehidupan. Kemajuan ini dapat menghasilkan tersedianya data yang sangat besar dan banyak mulai dari bidang industri, ekonomi, dan pendidikan serta berbagai bidang kehidupan lainnya. Penerapan teknologi informasi dalam dunia pendidikan juga dapat menghasilkan banyak data yang berlimpah dari siswa yang mengikutI prosesi pendidikan dan kegiatan belajar mengajar. Proses pendaftaran peserta didik baru atau mahasiswa baru Universitas Narotama menghasilkan data mahasiswa yang sangat berlimpah berupa data profil mahasiswa dan data kegiatan belajar mengajar. Hal ini pasti akan dilakukan berulang ulang sehingga menimbulkan penumpukan data mahasiswa, dan dapat mempengaruhi pencarian informasi terhadap data tersebut. Penelitian ini bertujuan untuk melakukan pengelompokan terhadap data mahasiswa Universitas Narotama dengan memanfaatkan proses data mining dengan menggunakan teknik Clustering. Metode yang digunkanan umtuk penelitian kali ini menggunakan Kmeans Clustering. K-Means merupakan salah satu metode data non-hierarchical clustering yang dapat mengelompokkan data mahasiswa ke dalam beberapa cluster berdasarkan kemiripan dari data tersebut, sehingga data mahasiswa yang memiliki karakteristik yang sama. Implementasi menggunakan digunakan untuk membantu menemukan nilai yang akurat. Atribut yang digunakan adalah wilayah asal pendaftar, program studi dan umur mahasiswa. Cluster mahasiswa yang terbentuk adalah tiga cluster, dengan cluster pertama 1112 mahasiswa, cluster kedua 825 mahasiswa dan cluster ketiga sejumlah 744 mahasiswa. Hasil dari penelitian ini digunakan sebagai salah satu refrensi mengenai persebaran pendaftar yang mempunyai propek yang baik bagi Universitas dan sebagai acuan pihak mareting untuk menetukaan strategi yang tepat. Kata kunci: wilayah asal, program studi, umur, k-means clustering, Mahasiswa baru, strategi promosi

Item Type:	Thesis (Undergraduate)
Subjects:	A General Works > AI Indexes (General) T Technology > T Technology (General)
Divisions:	Fakultas Ilmu Komputer > Teknik Informatika
Depositing User:	Repository Administrator
Date Deposited:	24 Feb 2022 03:24
Last Modified:	24 Feb 2022 03:24
URI:	http://repository.narotama.ac.id/id/eprint/1060

Actions (login required)

View Item

["lib/irstats2:embedded:summary_page:eprint:downloads" not defined]