Article Per Year (5 Year)
p-Index From 2021 - 2026
2.22
P-Index
This Author published in this journals
All Journal EKSAKTA : Jurnal Penelitian dan Pembelajaran MIPA REMIK : Riset dan E-Jurnal Manajemen Informatika Komputer Jurnal Komtekinfo Jurnal Pengabdian Masyarakat Bhinneka Engineering and Technology International Journal (EATIJ) Indonesian Research Journal on Education
Rezti Deawinda Parinduri
Universitas Muhammadiyah Tapanuli Selatan
Religion Aerospace Engineering Agriculture, Biological Sciences & Forestry Arts Humanities Automotive Engineering Chemical Engineering, Chemistry & Bioengineering Chemistry Civil Engineering, Building, Construction & Architecture Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Economics, Econometrics & Finance Education Electrical & Electronics Engineering Energy Engineering Environmental Science Industrial & Manufacturing Engineering Languange, Linguistic, Communication & Media Law, Crime, Criminology & Criminal Justice Library & Information Science Materials Science & Nanotechnology Mathematics Mechanical Engineering Physics Public Health Social Sciences Other

Published : 10 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 1 Documents
Search
Journal : Engineering and Technology International Journal (EATIJ)

 1 
Penerapan K-Means Clustering pada Absensi Mahasiswa Semester Ganjil untuk Mengelompokkan Kehadiran Mahasiswa Rezti Deawinda Parinduri
Engineering and Technology International Journal Vol 7 No 02 (2025): Engineering and Technology International Journal (EATIJ)
Publisher : YCMM

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.55642/eatij.v7i01.1004

Abstract

Kedisiplinan mahasiswa dalam hal kehadiran menjadi indikator penting dalam menjamin mutu pembelajaran di perguruan tinggi. Penelitian ini bertujuan untuk menganalisis pola kehadiran mahasiswa pada mata kuliah semester ganjil dengan menerapkan algoritma K-Means Clustering sebagai bagian dari proses Knowledge Discovery in Database (KDD). Hipotesis penelitian menyatakan bahwa mahasiswa dapat dikelompokkan ke dalam kategori tingkat kehadiran yang berbeda secara signifikan. Data yang digunakan berupa absensi 35 mahasiswa selama 16 pertemuan. Proses penelitian mencakup tahapan KDD: pengumpulan data, pra-pemrosesan, penerapan algoritma K-Means, visualisasi dengan PCA, serta evaluasi menggunakan Silhouette Score. Hasil menunjukkan terbentuknya tiga cluster: kehadiran tinggi (90%), sedang (70%), dan rendah (50%), dengan skor siluet rata-rata sebesar 0.72 yang menunjukkan pemisahan cluster yang cukup baik. Kesimpulannya, algoritma K-Means efektif dalam mengelompokkan pola kehadiran mahasiswa secara objektif. Saran diberikan agar pihak universitas menggunakan hasil ini sebagai dasar perumusan kebijakan peningkatan kedisiplinan. Penelitian ini penting sebagai langkah awal dalam memahami perilaku mahasiswa berbasis data dan dapat dikembangkan lebih lanjut dengan menambahkan variabel serta mengeksplorasi algoritma lain.
Co-Authors Alfiansyah Halomoan Siregar Dewi Purnamasari, Editha Dongoran, Awaluddin Gunadi Widi Nurcahyo Hamid Marpaung, Paisal Harahap, Ramadhan Lukman Hakim Maulana, Irfahany Nurhalimah, Msy Nursahara, Nursahara Rahmadani, Seri Riri Okra Sarjon Defit Silitonga, Yusnita Wahyuni Supriadi Supriadi Thofik Hidayat Zakir, Supratman