Fazira, Ira (2025) OPTIMASI JUMLAH CLUSTER PADA K-MEANS CLUSTERING MENGGUNAKAN PARTICLE SWARM OPTIMIZATION UNTUK PENGELOMPOKAN UKT MAHASISWA. S1 thesis, Universitas Malikussaleh.

	Text Cover Skripsi.pdf Download (142kB)
	Text Abstrak.pdf Download (10MB)
	Text Bab 1.pdf Download (10MB)
	Text Daftar Pustaka.pdf Download (10MB)
	Text Full-Text.pdf Restricted to Registered users only Download (11MB)

Abstract

Penetapan golongan Uang Kuliah Tunggal (UKT) di perguruan tinggi menghadapi tantangan dalam hal keadilan distribusi akibat pengelompokan kondisi sosial ekonomi mahasiswa yang kurang tepat. Algoritma K-Means, meskipun efektif dalam menangani data berskala besar dengan kecepatan komputasi yang baik, memiliki kelemahan dalam penentuan jumlah cluster optimal secara otomatis. Penelitian ini bertujuan untuk mengimplementasikan integrasi Particle Swarm Optimization (PSO) dengan K-Means Clustering dalam pengelompokan data UKT mahasiswa dan mengevaluasi peningkatan kualitas clustering yang dihasilkan dibandingkan metode konvensional. Penelitian menggunakan dataset 437 mahasiswa baru Fakultas Teknik tahun 2024 dari Universitas Malikussaleh dengan 8 atribut yang menggambarkan kondisi sosial ekonomi keluarga. Tahapan penelitian meliputi pra-pemrosesan data, penentuan jumlah cluster optimal menggunakan PSO, implementasi K-Means clustering dengan K optimal, evaluasi model menggunakan Silhouette Coefficient dan Davies-Bouldin Index, dan perbandingan model menggunakan metode elbow. Hasil penelitian menunjukkan bahwa PSO berhasil menentukan jumlah cluster yang optimal sebanyak 3 cluster. Implementasi K-Means dengan K=3 menghasilkan sebaran klaster: cluster 0 (40 siswa/9,2%), cluster 1 (93 siswa/21,3%), dan cluster 2 (304 siswa/69,6%). Evaluasi kualitas clustering menghasilkan Silhouette Coefficient 0,278062 dan Indeks Davies-Bouldin 1,430505 yang menunjukkan pembentukan cluster yang memadai dengan kohesi internal yang cukup baik dan pemisahan yang wajar antar cluster. Perbandingan dengan metode K-Means konvensional menggunakan Metode Elbow menunjukkan keunggulan PSO-K-Means dengan Silhouette Coefficient yang lebih tinggi (0,278062 vs 0,250300) dan Davies-Bouldin Index yang kompetitif (1,430505 vs 1,315400). Penelitian ini membuktikan bahwa kombinasi PSO dan K-Means dapat memberikan solusi yang lebih optimal dalam pengelompokan UKT mahasiswa untuk mendukung penentuan biaya kuliah yang lebih adil berdasarkan kemampuan ekonomi keluarga. Kata Kunci: Optimasi, K-Means Clustering, Particle Swarm Optimization, Silhouette Coefficient, Davies-Bouldin Index.

Item Type:	Thesis (S1)
Subjects:	A General Works > AI Indexes (General)
Divisions:	Fakultas Teknik > 55201 - Jurusan Teknik Informatika
Depositing User:	IF Ira Fazira
Date Deposited:	19 Jan 2026 08:36
Last Modified:	19 Jan 2026 08:36
URI:	https://rama.unimal.ac.id/id/eprint/17728

Actions (login required)

View Item