PEMANFAATAN DATA MINING DALAM MENENTUKAN POLA PEMILIHAN MATA KULIAH MAHASISWA
Abstract
Pemilihan mata kuliah oleh mahasiswa merupakan aspek krusial dalam proses pembelajaran yang sangat memengaruhi keberhasilan akademik dan perencanaan studi. Namun, banyak mahasiswa yang mengalami kesulitan dalam menentukan mata kuliah yang sesuai dengan minat, kemampuan, dan kebutuhan kurikulum. Dalam konteks tersebut, teknologi data mining menjadi alat yang efektif untuk menganalisis data historis pemilihan mata kuliah guna menemukan pola-pola tersembunyi yang tidak mudah terlihat secara manual. Penelitian ini mengaplikasikan teknik data mining, terutama algoritma clustering dan association rules, untuk mengidentifikasi kelompok mahasiswa berdasarkan pola pemilihan mata kuliah serta mengungkap hubungan antar mata kuliah yang sering dipilih secara bersamaan. Data yang digunakan berasal dari rekaman pemilihan mata kuliah selama beberapa semester di sebuah perguruan tinggi. Dengan menerapkan metode K-Means clustering, penelitian ini berhasil mengelompokkan mahasiswa ke dalam beberapa segmen dengan karakteristik pemilihan mata kuliah yang berbeda, seperti kecenderungan memilih mata kuliah teori, praktikum, atau campuran. Selain itu, algoritma Apriori menghasilkan aturan asosiasi yang berguna untuk rekomendasi mata kuliah, membantu mahasiswa dalam pengambilan keputusan yang lebih informasional. Hasil penelitian menunjukkan bahwa data mining dapat meningkatkan pemahaman institusi terhadap perilaku akademik mahasiswa serta mendukung penyusunan strategi pembimbingan akademik yang lebih tepat sasaran dan personal.
References
[2] M. Jamaris, H. Asnal, and Y. Saputra Wijaya, “Penerapan Algorithma Apriori Untuk Menemukan Pola Pemilihan Konsentrasi Studi Mahasiswa,” May 2020.
[3] Prastyadi Wibawa Rahayu et al., “Buku Ajar Data Mining,” Bandung, Jan. 2024. [Online]. Available: https://www.researchgate.net/publication/377415198
[4] Oon Wira Yuda, Darmawan Tuti, Lim Sheih Yee, and Susanti, “Penerapan Penerapan Data Mining Untuk Klasifikasi Kelulusan Mahasiswa Tepat Waktu Menggunakan Metode Random Forest,” SATIN: Sains dan Teknologi Informasi, vol. 8, no. 2, pp. 122–131, Dec. 2022, doi: 10.33372/stn.v8i2.885.
[5] A. Mulyana, Y. Hermawan, and N. J. Saputri, “Penerapan Data Mining Menggunakan Algoritma K-Means Clustering Untuk Rekomendasi Pilihan Program Studi Pada Mahasiswa Baru (Studi Kasus di Institut Bisnis dan Informatika Kesatuan),” KERNEL: Jurnal Riset Inovasi Bidang Informatika dan Pendidikan Informatika, vol. 5, no. 1, pp. 60–72, Jul. 2024, doi: 10.31284/j.kernel.2024.v5i1.7624.
[6] V. E. Putri and H. D. Purnomo, “Intergrasi Algoritma Apriori dan K-Means dalam Analisis Pola Pembelian Untuk Meningkatkan Strategi Pemasaran,” JIPI (Jurnal Ilmiah Penelitian dan Pembelajaran Informatika), vol. 10, no. 1, pp. 409–423, Jan. 2025, doi: 10.29100/jipi.v10i1.5768.
[7] E. Ilmiyah and A. Bahtiar, “Penerapan Algoritma K-Means Clustering Untuk Mengelompokkan Data Mahasiswa Baru,” Apr. 2024.
[8] A. Gustirani, “Penerapan Data Mining Untuk Rekomendasi Bidang Studi Menggunakan Algoritma K-Medoids Pada SMA N 9 Kota Jambi,” Jurnal Informatika Dan Rekayasa Komputer (JAKAKOM), vol. 4, no. 2, 2024, doi: 10.33998/jakakom.v4i2.
[9] M. P. A. Ariawan, I. B. A. Peling, and G. B. Subiksa, “Prediksi Nilai Akhir Matakuliah Mahasiswa Menggunakan Metode K-Means Clustering (Studi Kasus : Matakuliah Pemrograman Dasar),” Jurnal Nasional Teknologi dan Sistem Informasi, vol. 9, no. 2, pp. 122–131, Aug. 2023, doi: 10.25077/teknosi.v9i2.2023.122-131.
[10] M. Dafa, “Penerapan Data Mining dalam Mendukung Sistem Penunjang Keputusan Penerima Beasiswa di Universitas: Literature Review,” Jurnal Ilmu Komputer dan Informatika (JIKI), vol. 4, no. 2, pp. 149–156, 2024, doi: 10.54082/jiki.214.