<![CDATA[Pengelompokan mahasiswa berdasarkan kinerja akademik diperlukan untuk mendukung pengambilan keputusan dalam program bimbingan akademik yang lebih targeted. Penelitian ini mengimplementasikan algoritma K-Means Clustering untuk mengelompokkan mahasiswa berdasarkan nilai akademik dan tingkat kehadiran. Dataset terdiri dari 50 sampel mahasiswa dengan atribut nilai dan persentase kehadiran dalam rentang 0-100. Penentuan jumlah cluster optimal menggunakan Elbow Method dan Silhouette Score dengan variasi nilai K dari 2 hingga 6. Hasil eksperimen menunjukkan K=3 menghasilkan pemisahan optimal dengan Silhouette Score tertinggi 0.72 dan WCSS 8,230. Tiga cluster yang terbentuk merepresentasikan mahasiswa berprestasi tinggi (30%), berkinerja sedang (40%), dan memerlukan perhatian khusus (30%). Algoritma konvergen dalam rata-rata 8-12 iterasi dengan konsistensi 90% pada multiple runs. Analisis korelasi menunjukkan hubungan sangat kuat antara nilai dan kehadiran (r=0.89). Sistem visualisasi interaktif dikembangkan menggunakan React.js dan Recharts untuk memudahkan interpretasi hasil. Penelitian ini memberikan kontribusi praktis berupa framework clustering untuk identifikasi early warning mahasiswa berisiko dan rekomendasi program intervensi akademik.]]>
Copyrights © 2025
