Beasiswa merupakan salah satu bantuan belajar yang diberikan kepada mahasiswa. Salah satu beasiswa yang ada adalah beasiswa yang diberikan oleh negara dengan nama Bantuan Belajar Mahasiswa (BBM). Pengelompokan data mahasiswa penerima beasiswa berguna untuk menentukan mahasiswa yang berhak, dipertimbangkan atau tidak berhak. Dengan pengelompokan mahasiswa penerima beasiswa ini dapat memudahkan pihak tata usaha dalam menentukan penerima beasiswa khususnya beasiswa BBM. Pengelompokan tersebut dalam dilakukan dengan menggunakan teknik klustering berbasis partisi yaitu dengan algoritma K-Medoids.  Data-data yang didapat untuk dilakukan pengelompokan terdiri dari atribut SKS, IPK, Tanggungan orang tua dan jumlah penghasilan orang tua. Dari data-data yang didapat memiliki nilai yang beragam dan memiliki rentang satu dengan yang lainnya berjauhan. Maka dilakukan tiga buah skenario, yaitu 1: semua data yang didapat dilakukan pengelompokan dengan K-Medoids, 2 : sebagian data yang didapat dilakukan kodefikasi, 3 : semua data yang ada dilakukan kodefikasi. Dari ketiga skenario yang dilakukan didapat nilai Cubic Clustering Criterion (CCC). Dataset kodifikasi keseluruhan menunjukkan nilai CCC berada diantara 2 sampai 3 ini menunjukkan bahwa dataset kodifikasi keseluruhan mempunyai keseragaman yang baik. Hal ini dikarenakan semua nilai pada setiap atribut memiliki nilai yang hampir sama.

No abstract

Data Grouping scholarship applicants Bantuan Belajar Mahasiswa (BBM) grouped into 3 categories entitled of students who are eligible to receive, be considered, and not eligible to receive scholarship. Grouping into 3 groups is useful to make it easier to determine the scholarship recipients fuel. K-Medoids algorithm is an algorithm of clustering techniques based partitions. This technique can group data is student scholarship applicants. The purpose of this study was to measure the performance of the algorithm, this measurement in view of the results of the cluster by calculating the value of purity (purity measure) of each cluster is generated. The data used in this research is data of students who apply for scholarships as many as 36 students. Data will be converted into three datasets with different formats, namely the partial codification attribute data, attributes and attribute the overall codification of the original data. Value purity on the whole dataset of data codification greatest value is 91.67%, it can be concluded that the K-Medoids algorithm is more suitable for use in a dataset with attributes encoded format overall.

Stunting merupakan masalah pada pertumbuhan balita yang ditandai dengan tinggi badan balita yang terlalu pendek dibanding balita seusianya. Stunting menjadi salah satu permasalahan gizi yang paling diperhatikan dunia dan permasalahan gizi yang utama di Indonesia. Indonesia termasuk dalam urutan ke-34 dari 50 negara dengan kasus balita stunting tertinggi di dunia, dan termasuk dalam urutan ke-6 di Asia Tenggara. Hasil integrasi Susenas Maret 2019 dengan Studi Status Gizi Balita Indonesia (SSGBI) tahun 2019 menunjukkan bahwa kasus balita stunting di Indonesia adalah sebesar 27.7%, angka tersebut masih belum mencapai standar yang ditetapkan WHO yaitu sebesar 20%. Oleh karena itu, diperlukan suatu metode untuk mengelompokkan Kabupaten/Kota di Indonesia berdasarkan faktor penyebab stunting pada balita, yaitu menggunakan metode clustering dengan algoritma K-Means. Tujuannya adalah untuk membantu pemerintah dalam mengambil kebijakan yang sesuai terkait penurunan prevalensi stunting pada balita berdasarkan karakteristik dan permasalahan masing-masing cluster. Hasil penelitian menunjukan bahwa dengan bantuan metode elbow menghasilkan 2 cluster sebagai cluster terbaik dengan nilai selisih Sum of Square Error (SSE) sebesar 1401.5156, dimana cluster 1 merupakan cluster dengan faktor penyebab stunting tinggi yang terdiri dari 324 kabupaten/kota, dan cluster 2 merupakan cluster dengan faktor penyebab stunting rendah yang terdiri dari 49 kabupaten/kota.

Abstrak - Prestasi belajar merupakan salah satu aspek yang paling penting dalam bidang pendidikan. Prestasi belajar yang tinggi selalu menjadi harapan semua pihak. Bagi pihak perguruan tinggi prestasi belajar mahasiswanya merupakan salah satu indikator efektif proses belajar mengajar, yang sekaligus dapat digunakan untuk meningkatkan citra perguruan tinggi tersebut. Di perguruan tinggi prestasi belajar yang dicapainya oleh mahasiswa menggunakan Indeks Prestasi Kumulatif (IPK). Beberapa teknik data mining diantaranya adalah decision tree, naïve bayes, dan artificial neural network dapat digunakan untuk menganalisa kinerja mahasiswa. Penelitian yang sudah dilakukan didapat bahwa pengujian dan validasi dengan menggunakan 10 cross falidation dengan mengukur tingkat accuracy dan ROC curve didapat bahwa dengan menggunakan data dua semester sebelumnya untuk memprediksi kinerja mahasiswa memiliki akurasi yang paling tinggi adalah metode decision tree sebesar 67,63% dengan nilai  ROC curve masuk kedalam good classification. Kata Kunci: Data Mining, Prestasi Belajar, Kinerja MahasiswaÂ