Algoritma K-Medoids Untuk Menentukan Calon Mahasiswa Yang Layak Mendapatkan Beasiswa Bidikmisi di Universitas Budi Darma

Abstract

Bidikmisi scholarship is a government program to help prospective new students who are academically capable and economically incapable. The Bidikmisi scholarship is a form of tuition assistance and living expenses. Starting in 2018 Budi Darma University began accepting new students through the bidikmisi scholarship path, admission of new students through the bidikmisi path must meet the requirements set by the government. Determination of whether or not a prospective new student is a recipient of bidikmisi based on report cards, school performance, results of selection tests and interviews. During this time the organizers and managers of bidikmisi at Budi Darma University have had difficulty determining prospective students who are truly eligible to receive bidikmisi scholarships in addition to the very limited quota and the large number of prospective students receiving bidikmisi scholarships as well as the value of each criteria for prospective students receiving bidikmisi which is almost the same or similar to one another. To make it easier to determine prospective students receiving the Bidikmisi scholarship, the K-Medoids algorithm is used. K-Medoids algorithm is one of the algorithms in data mining to group data based on the closest criteria value

Pemetaan Karakteristik Mahasiswa Penerima Kartu Indonesia Pintar Kuliah (KIP-K) menggunakan Algoritma K-Means++

“…Satu tahun selanjutnya, pengelompokan mahasiswa penerima beasiswa KIP-K telah dilakukan menggunakan teknik clustering dengan tiga cluster, yaitu kategori berhak menerima, dengan pertimbangan, dan tidak berhak menerima, dilihat dari kriteria ekonomi dan prestasi mahasiswa di kampus [6]. Penelitian serupa mengenai pengelompokan penerima beasiswa dengan atribut nilai raport, prestasi disekolah, hasil test dan juga tingkat ekonomi keluarga [7]. Disamping itu, telah dilakukan pula pemetaan karakter mahasiswa untuk analisis pola masa studi dengan menggunakan data akademik dan biodata mahasiswa [8].…”

Penerapan Algoritma K-Medoids Clustering Dalam Pembentukan Zona Cluster Vaksin Boster

“…Hal tersebut dikarenakan data mining merupakan teknik untuk melakukan pengolahan data yang besar untuk mengetahui dan mengenali pola-pola yang terdapat dan tersimpan pada data yang besar tersebut untuk mendapatkan sebuah informasi yang dapat dimanfaatkan [7], [8]. Data mining juga memiliki beberapa teknik didalamnya, pada proses pembentukan kelompok/cluster maka dipergunakan teknik clustering data mining dengan proses penyelesaian dengan menggunakan Algoritma K-Medoids [9], [10].…”

Perbandingan Algoritma K-Means Dengan K-Medoids Pada Pengelompokan Armada Kendaraan Truk Berdasarkan Produktivitas

“…Proses perhitungan menggunakan algoritma ke dua yaitu K-Medoids clustering adapun tahapan dan hasil pengolahan data dengan K-Medoids proses perhitungan secara sederhananya adalah sebagai berikut [21]: 1) Inisialisasi medoid awal dengan cara memilih secara acak sesuai dengan jumlah cluster yang akan dibentuk yaitu 3 klaster medoid awal yang dipilih adalah data ke-64,data 65,dan data ke 66 2) Kemudian Hitung pula matriks jarak menggunakan euclidean distance antara medoids dengan setiap objek data, sama hal nya seperti perhitungan mencari nilai jarak terdekat pada K-Means 3) Tentukan nilai jarak terendah atau terkecil diantara ke tiga nilai jarak yang diperoleh 4) Kemudian hitunglah total cost jarak terdekat keseluruhan jarak objek data ke medoids . Adapun total cost jarak terdekat iterasi pertama dan hasil klasterisasi yang terbentuk seperti pada tabel 8.…”