CLUSTERING SEBARAN ALUMNI PROGRAM STUDI SISTEM INFORMASI POLITEKNIK NEGERI NUSA UTARA

ALUMNUS CLUSTERING SPRED of INFORMATION SYSTEM STUDY PROGRAM POLYTECHINC STATE of NUSA UTARA

  • Noldy Sinsu Politeknik Negeri Nusa Utara
  • Oktavianus Lumasuge Politeknik Negeri Nusa Utara
  • Steve Arthur Sehang Politeknik Negeri Nusa Utara
Keywords: Clustering, K-Means, Sebaran, Alumni

Abstract

Teknologi database saat ini memungkinkan untuk menyimpan sejumlah data dalam jumlah yang sangat besar dan terakumulasi namun disinilah awal timbulnya persoalan dengan semakin banyaknya data, seperti pada Program Studi Sistem Informasi Politeknik Negeri Nusa Utara. Oleh sebab itu sangat penting untuk mengetahui sebaran mahasiswa dengan menggunakan tracer alumni, sehingga data yang ada dapat dipakai guna mengelompokkan sebaran mahasiswa berdasarkan kesamaan ciri dari data menggunakan metode k-means clustering. Penelitian ini bertujuan untuk memudahkan menganalisis pengelompokan sebaran mahasiswa. Data tracer tersebut diperoleh data alumni yang ada pada Program Studi Sistem Informasi, berdasarkan data alumni yang ada informasi yang tersembuyi dapat diketahui dengan cara melakukan pengolahan terhadap data tersebut sehingga berguna bagi pihak Program Studi Sistem Informasi. Penelitian ini mengenalisis Tracer Alumni Program Studi Sistem Informasi dari angkatan 2006 sampai dengan angkatan 2015 dengan menggunakan algoritma k-means clustering menggunakan microsoft excel. Attribut yang digunakan adalah domisili, waktu masuk, waktu wisuda dan waktu tunggu kerja. Cluster yang terbentuk adalah dua cluster. Hasil dari penelitian ini digunakan sebagai salah satu dasar pengambilan keputusan untuk menentukan strategi promosi berdasarkan cluster yang terbentuk oleh pihak Program Studi Sistem Informasi Politeknik Negeri Nusa Utara.

 

In this era database technology makes it possible to store a large amount of data and accumulates, but this is where the beginning of the problem arises with the increasing number of data, such as in Polytechnic State of Nusa Information System Study Program. That’s way it I was very important to know the distribution of students use alumni tracers, so the available data can be used to classify student distribution based on the similarity of features of the data using the K-means Clustering Method. This study aims make easy analyze distribution of student distribution. Tracer data is obtained alumni data in the Information Systems Study Program, based on existing alumnus, and the hidden data about information can be known by processing it so it is useful for the Information Systems Study Program. This research introduces Information Systems Study Program Alumni Tracer from class of 2006 to the class of 2015 used the K-Means Clustering Algorithm by used Microsoft Excel. The attributes were used domicile, time of entry, graduation time and waiting time for work. Clusters were formed two clusters. The results of this study were used as a basic to made decision to determine promotion strategies based on clusters formed by the Polytechic State of Nusa Utara in Information System Study Program.

Downloads

Download data is not yet available.

Author Biography

Noldy Sinsu, Politeknik Negeri Nusa Utara

Sistem Informasi

References

Brian S. Everitt, et al. 2011. Cluster Analysis 5th Edition. King’s College London, UK.

Giyanto, dan Heribertus., 2008. Penerapan algoritma Clustering K-Means, K-Medoid, Gath Geva. Tesis Tidak Terpublikasi. Yogyakarta: Universitas Gajah Mada.

Santosa, B. (2007). Data Mining: Teknik Pemanfaatan Data untuk Keperluan Bisni Yogyakarta: Graha Ilmu.

Jain, A. K., Murthy, M. N. & Flynn, P. J. 1999. Data Clustering: A Review. ACM Computing Surveys, Vol. 31, No. 3.

Giyanto, dan Heribertus., 2008. Penerapan algoritma Clustering K-Means, K-Medoid, Gath Geva. Tesis Tidak Terpublikasi. Yogyakarta: Universitas Gajah Mada.Darmawan Erristhya. 2013. Comparison Of Method Supervised And Unsupervised Through Google Satellite Image Analysis Procedure For Land Use.

Zhang, L dan Huang Yu., (2014). Optimal Job Selection of University Graduates Based on Grey Clustering.

P. Shen , C. Li , (2014). Distributed information theoretic clustering, IEEE Trans. Signal Process. 62 3442–3453.

Han, J., Pei, J., and Yin, Y. (2000). Mining frequent patterns without candidate generation. In SIGMOD '00.

Han, J., dan Kamber, M., 2001. Data Mining Concepts and Techniques Second Edition. San Francisco: Morgan Kauffman.

Mehmed, Kantardzic. 2011. Data Mining Concepts, Models, Methods, And Algorithms Second Edition, Published by John Wiley & Sons, Inc., Hoboken, New Jersey.

Prasetyo, Eko. (2014). Data Mining Mengolah Data Menjadi Informasi Menggunakan Matlab, Yogyakarta : ANDI.

Peraturan Menteri Riset, Teknologi, Dan Pendidikan Tinggi Republik Indonesia Nomor 15 Tahun 2018.

Published
2020-03-03