Penerapan metode clustering untuk pengelompokan mahasiswa drop out menggunakan algoritma K-Means

Pengelolaan data yang akurat, mencakup aspek akademik, administrasi, dan keuangan, sangat penting untuk meningkatkan efisiensi operasional perguruan tinggi dan mendukung pengambilan keputusan strategis. Namun, tantangan seperti volume data besar, kualitas data tidak konsisten, dan tingginya angka mahasiswa drop out (DO) menjadi isu serius yang dapat mempengaruhi reputasi perguruan tinggi. Penelitian ini bertujuan untuk mengidentifikasi mahasiswa berpotensi drop out di Universitas Islam Negeri Sunan Ampel Surabaya menggunakan teknik clustering K-Means pada data sekunder dari sistem informasi akademik yang mencakup 750 mahasiswa dengan atribut SKS, IPK, IPS, UKT, dan penghasilan orang tua. Penelitian ini juga bertujuan untuk mengembangkan model analisis yang efektif dalam mengidentifikasi mahasiswa yang berisiko drop out, dengan fokus pada faktor-faktor akademik dan non-akademik. Model clustering terbaik diperoleh dengan tiga variabel (SKS, IPK, dan IPS) dan 2 cluster. Evaluasi menggunakan Silhouette Coefficient menunjukkan nilai tertinggi pada K = 2 (0,650). Hasil clustering mengelompokkan mahasiswa menjadi dua kategori: aktif sebesar 85,33% dan drop out sebesar 14,67%. Temuan ini dapat membantu universitas mendeteksi mahasiswa berisiko DO dan merumuskan strategi intervensi untuk meningkatkan retensi mahasiswa dan mengurangi angka drop out.