K-MEANS CLUSTERING DALAM PENGELOMPOKAN RELEVANSI PEKERJAAN S1 INFORMATIKA (STUDI KASUS JURUSAN TEKNIK INFORMATKA UMM MALANG)

Dikky Cahyo Hariyanto
Sri Harini
Totok Chamidy


DOI: https://doi.org/10.29100/jipi.v9i2.5507

Abstract


Perguruan tinggi merupakan salah satu tingkatan dalam menuntut ilmu diharapkan untuk menciptakan lulusan yang mampu dan berkompeten sesuai dengan bidang ilmu yang diambil. Banyaknya jumlah lulusan dari perguruan tinggi dengan jumlah lapangan pekerjaan yang aa menyebabkan banyaknya lulusan bekerja tidak sesuai dengan jurunnya, sehingga perlu adanya evaluasi akan tingkat keberhasilan capaian pembelajaran lulusan yang ada di perguruan tinggi. Tujuan dari penelitian ini adalah untuk menganalisa data relevansi pekerjaan para lulusan S1 Teknik Informatika dengan apa yang mereka pelajari sesuai dengan capaian pembelajaran yang ada di program studi Teknik Informatika Universitas Muhammadiyah Malang menggunakan K-Means clustering. Menggunakan data hasil kuisioner pengukuran capaian pembelajaran para lulusan dan pengukuran kesesuaian perkerjaan sebanyak 137 responden yang telah diuji validitas, reabilitas dan multikolinieritas, hasil penelitian ini menunjukkan dta dibentuk menjadi tiga cluster dengan analisa bahwa 29.92% lulusan Teknik Informatika UMM mampu memenuhi capaian pembelajaran lulusan dan mendapatkan pekerjaan yang relevan denga apa yang mereka pelajari, 49.63% lulusan lainnya juga mendapat pekerjaan yang relevan dengan jurusannya walaupun kurang menguasai keterampilan khusus yang diukur pada capaian pembelajara lulusan, dan 20.45% lulusan lainnya mendapatkan pekerjaan yang kurang relevan dengan bidang teknik Informatika.

Keywords


K-Means, Clustering, Data mining, Relevansi

Full Text:

PDF

Article Metrics :

References


M. Ahmed, R. Seraj, and S. M. S. Islam, “The k-means Algorithm: A Comprehensive Survey and Performance Evaluation,” Electronics 2020, Vol. 9, Page 1295, vol. 9, no. 8, p. 1295, Aug. 2020, doi: 10.3390/ELECTRONICS9081295.

A. Maghawry, Y. Omar, and A. Badr, “Self-organizing map vs initial centroid selection optimization to enhance k-means with genetic algorithm to cluster transcribed broadcast news documents,” International Arab Journal of Information Technology, vol. 17, no. 3, pp. 316–324, May 2020, doi: 10.34028/iajit/17/3/5.

X. Wu et al., “Top 10 algorithms in data mining,” Knowl Inf Syst, vol. 14, no. 1, pp. 1–37, Dec. 2008, doi: 10.1007/S10115-007-0114-2/METRICS.

N. Wang, G. Guo, B. Wang, and C. Wang, “Traffic Clustering Algorithm of Urban Data Brain Based on a Hybrid-Augmented Architecture of Quantum Annealing and Brain-Inspired Cognitive Computing,” Tsinghua Sci Technol, vol. 25, no. 6, pp. 813–825, Dec. 2020, doi: 10.26599/TST.2020.9010007.

L. ChaoYing, W. X. Da, and Z. E. Hui, “Research on modeling of government debt risk comprehensive evaluation based on multidimensional data mining,” Soft comput, vol. 26, no. 16, pp. 7493–7500, Aug. 2022, doi: 10.1007/S00500-021-06478-7/METRICS.

Z. Wang, “Higher Education Management and Student Achievement Assessment Method Based on Clustering Algorithm,” Comput Intell Neuro-sci, vol. 2022, 2022, doi: 10.1155/2022/4703975.

L. Sun, “Research on Mining Balanced Competition Strategy in Financial Market Based on Computer Data Mining Method,” Mobile Information Systems, vol. 2022, 2022, doi: 10.1155/2022/6202890.

M. Andryan, W. Saputra, and S. Harini, “Java Island Health Profile Clustering using K-Means Data Mining,” International Journal on Information and Communication Technology (IJoICT), vol. 8, no. 1, pp. 1–9, Jul. 2022, doi: 10.21108/IJOICT.V8I1.606.

D. Gultom et al., “Penerapan Algoritma K-Means Untuk Mengetahui Tingkat Tindak Kejahatan Daerah Pematangsiantar,” (JurTI) Jurnal Teknologi Informasi, vol. 4, no. 1, pp. 146–151, Jun. 2020, doi: 10.36294/JURTI.V4I1.1263.

Z. Zhang and A. Kusiak, “Monitoring wind turbine vibration based on SCADA data,” Journal of Solar Energy Engineering, Transactions of the ASME, vol. 134, no. 2, May 2012, doi: 10.1115/1.4005753/455682.

D. Kumalasari, A. Bramanto, W. Putra, A. Fanany, and O. Gaffar, “Speech classification using combination virtual center of gravity and k-means clustering based on audio feature extraction,” Jurnal Informatika, vol. 14, no. 2, pp. 85–94, May 2020, doi: 10.26555/JIFO.V14I2.A17390.

A. Triayudi, Iksal, and R. Haerani, “Data Mining K-Means Algorithm for Performance Analysis,” J Phys Conf Ser, vol. 2394, no. 1, p. 012031, Dec. 2022, doi: 10.1088/1742-6596/2394/1/012031.

R. Asih, D. Alonzo, and T. Loughland, “The critical role of sources of efficacy information in a mandatory teacher professional development pro-gram: Evidence from Indonesia’s underprivileged region,” Teach Teach Educ, vol. 118, p. 103824, Oct. 2022, doi: 10.1016/J.TATE.2022.103824.

C. A. W. Heryanto, C. S. F. Korangbuku, M. I. A. Djeen, and A. Widayati, “Pengembangan dan Validasi Kuesioner untuk Mengukur Penggunaan Internet dan Media Sosial dalam Pelayanan Kefarmasian,” Indonesian Journal of Clinical Pharmacy, vol. 8, no. 3, pp. 175–187, Sep. 2019, doi: 10.15416/IJCP.2019.8.3.175.