<![CDATA[Keterlambatan penyelesaian studi mahasiswa merupakan salah satu permasalahan yang dapat memengaruhi kualitas lulusan dan efektivitas penyelenggaraan pendidikan tinggi. Data akademik mahasiswa Program Studi Pendidikan Teknologi Informasi dan Sistem Informasi Universitas Negeri Gorontalo menunjukkan masih terdapat mahasiswa yang belum menyelesaikan studi sesuai waktu yang ditetapkan. Oleh karena itu, diperlukan analisis data akademik untuk mengidentifikasi kelompok mahasiswa yang berisiko mengalami keterlambatan penyelesaian studi. Penelitian ini bertujuan mengelompokkan mahasiswa berdasarkan tingkat risiko keterlambatan penyelesaian studi menggunakan algoritma K-Means Clustering. Metode penelitian menggunakan pendekatan data mining dengan kerangka kerja Cross Industry Standard Process for Data Mining (CRISP-DM). Data yang digunakan merupakan data akademik sebanyak 1.012 mahasiswa yang diperoleh dari Sistem Informasi Akademik Terpadu (SIAT) Universitas Negeri Gorontalo dengan variabel Indeks Prestasi Kumulatif (IPK), Indeks Prestasi Semester (IPS), dan Lama Studi (Jumlah Semester yang ditempuh). Proses clustering dilakukan menggunakan algoritma K-Means dengan pengujian jumlah cluster k=2, k=3, dan k=4, kemudian dievaluasi menggunakan Davies-Bouldin Index (DBI). Hasil penelitian menunjukkan bahwa jumlah cluster optimal diperoleh pada k=3 dengan nilai DBI sebesar 0,713. Hasil clustering menghasilkan tiga kelompok mahasiswa, yaitu Cluster 1 sebanyak 477 mahasiswa (47,1%) dengan kategori risiko rendah, Cluster 2 sebanyak 362 mahasiswa (35,8%) dengan kategori risiko sedang, dan Cluster 0 sebanyak 173 mahasiswa (17,1%) dengan kategori risiko tinggi. Penelitian ini menunjukkan bahwa algoritma K-Means mampu mengidentifikasi pola akademik mahasiswa berdasarkan IPK, IPS, dan Lama Studi sehingga dapat dimanfaatkan sebagai dasar monitoring akademik dan pendampingan bagi mahasiswa yang berisiko mengalami keterlambatan penyelesaian studi.]]>
Copyrights © 2026
