Penerapan metode clustering untuk pengelompokan mahasiswa potensial drop out menggunakan algoritma k-means++

Pentingnya mengetahui sejak dini mahasiswa yang berpotensial drop out agar dapat meminimalisir mahasiswa yang terkena drop out yang tidak hanya berdampak pada mahasiswa saja tetapi juga berpengaruh dalam akreditasi universitas. Penelitian ini mengelompokkan mahasiswa potensial drop out di UIN Sunan Ampel Surabaya menggunakan K-Means++. K-Means++ merupakan pengembangan dari algoritma K-means. Perbedaan dari algoritma K-means yaitu pada pemilihan nilai awal. K-Means++ digunakan untuk meminimalisir dampak buruk dari algoritma K-means yang bergantung dari nilai awal. Proses pembentukan cluster dilakukan dengan 4 percobaan yaitu 2 cluster, 3 cluster, 4 cluster dan 5 cluster. Nilai terbesar yaitu tiga cluster dengan metode evaluasi silhouette coefficient memperoleh nilai 0,815 dan purity memperoleh nilai 1. Performa tersebut termasuk sangat baik karena nilai silhouette coefficient dan purity yang mendekati 1.