<![CDATA[Penelitian ini bertujuan untuk mengidentifikasi profil risiko akademik mahasiswa guna mencegah tingkat dropout melalui pendekatan Educational Data Mining (EDM). Masalah utama yang dihadapi institusi pendidikan adalah sulitnya memetakan mahasiswa yang membutuhkan intervensi segera di tengah besarnya volume data akademik. Metode yang digunakan dalam penelitian ini adalah algoritma K-Means Clustering dengan kerangka kerja Knowledge Discovery in Databases (KDD). Dataset terdiri dari 4.424 observasi mahasiswa dengan atribut utama meliputi Rata-rata Nilai, Unit Gagal, dan Status Debitur. Optimasi jumlah klaster dilakukan menggunakan metode Elbow dan metrik Davies-Bouldin Index (DBI). Hasil penelitian menunjukkan bahwa K=3 merupakan jumlah klaster paling optimal secara semantik untuk kebijakan institusi dengan nilai DBI -0,962. Klaster 1 (40,0%) dikategorikan sebagai Risiko Rendah (mahasiswa berprestasi), Klaster 2 (35,0%) sebagai Risiko Sedang (kelompok borderline), dan Klaster 3 (25,0%) sebagai Risiko Tinggi (potensi dropout). Temuan signifikan menunjukkan adanya korelasi kuat antara kendala finansial (status debitur tinggi) dengan kegagalan akademik pada Klaster 3. Hasil ini berimplikasi pada perlunya kebijakan Sistem Peringatan Dini (Early Warning System) yang mengintegrasikan bantuan finansial dan remedi akademik secara simultan]]>
Copyrights © 2025
