<![CDATA[Fenomena mahasiswa putus studi (drop out) menjadi tantangan serius bagi perguruan tinggi karena berdampak pada citra institusi, efektivitas pembelajaran, dan efisiensi sumber daya. Penelitian ini bertujuan mengelompokkan risiko drop out mahasiswa penerima Kartu Indonesia Pintar (KIP) semester 6 di STMIK YMI Tegal untuk mendukung deteksi dini dan intervensi akademik yang lebih tepat sasaran. Metode penelitian menggunakan algoritma K-Means Clustering dengan data Indeks Prestasi Kumulatif (IPK) dan kehadiran mahasiswa, melalui tahapan pra-pemrosesan data, penentuan jumlah klaster optimal menggunakan metode Elbow, implementasi K-Means, serta evaluasi hasil menggunakan silhouette score. Hasil penelitian menunjukkan terbentuknya tiga klaster risiko yaitu rendah, sedang, dan tinggi, dengan nilai silhouette score 0,4101 yang mengindikasikan kualitas pemisahan klaster cukup baik; mahasiswa dengan IPK dan kehadiran tinggi tergolong berisiko rendah, sedangkan mahasiswa dengan IPK dan kehadiran rendah tergolong berisiko tinggi. Implikasi penelitian ini adalah model yang dihasilkan dapat digunakan sebagai alat bantu pihak kampus dalam mengidentifikasi mahasiswa berisiko sejak dini, merumuskan kebijakan pendampingan akademik yang lebih efektif, serta menjadi dasar pengembangan sistem pemantauan akademik berbasis data mining yang dapat diperluas dengan algoritma lain dan variabel tambahan untuk meningkatkan akurasi dan generalisasi model]]>
Copyrights © 2025
