ANALISIS DATA NILAI MAHASISWA MENGGUNAKAN K-MEANS CLUSTERING UNTUK MEREKOMENDASIKAN MATA KULIAH PILIHAN

Abstrak

Pemilihan matakuliah pilihan sering kali menjadi tantangan bagi mahasiswa karena kurangnya acuan atau rekomendasi yang sesuai dengan kemampuan akademik mereka. Untuk mengatasi masalah tersebut, penelitian ini bertujuan untuk merancang dan mengembangkan sistem rekomendasi mata kuliah pilihan dengan menggunakan algoritma K-Means clustering. Sistem ini memanfaatkan data nilai mahasiswa sebagai dasar pengelompokan, sehingga mampu memberikan rekomendasi yang lebih tepat sesuai dengan hasil pengelompokan data nilai mahasiswa sebagai dasar pengelompokan. Metode pengembangan perangkat lunak yang digunakan adalah System Development Life Cycle (SDLC), dengan tahapan yang terdiri dari enam bagian, yaitu perencanaan, analisis, perancangan, implementasi, pengujian, dan pemeliharaan. Dalam tahap implementasi, sistem ini dikembangkan menggunakan bahasa pemrograman PHP untuk algoritma K-Means dan framework Laravel berbasis web sebagai antarmuka pengguna. Pengujian dilakukan dengan metode black box untuk memastikan seluruh fungsi sistem berjalan dengan baik. Hasil penelitian menunjukkan bahwa algoritma K-Means mampu mengelompokkan mahasiswa ke dalam beberapa klaster berdasarkan pola nilai yang serupa. Kesimpulan penelitian ini adalah sistem yang dibuat berhasil memberikan rekomendasi mata kuliah pilihan berdasarkan hasil clustering dan diharapkan dapat membantu mahasiswa dalam memilih mata kuliah yang lebih sesuai dengan kompetensinya. Saran untuk pengembangan selanjutnya adalah memperbaiki sistem agar dapat diakses mahasiswa kapan saja dan di mana saja dengan lebih mudah.

The selection of elective courses is often a challenge for students due to the lack of references or recommendations that align with their academic abilities. To address this issue, this study aims to design and develop an elective course recommendation system using the K-Means clustering algorithm. The system utilizes student grade data as the basis for clustering, thereby providing more accurate recommendations based on the grouping results of students with similar academic performance. The software development method employed is the System Development Life Cycle (SDLC), which consists of six stages: planning, analysis, design, implementation, testing, and maintenance. During the implementation stage, the system is developed using the PHP programming language to execute the K-Means algorithm and the Laravel web-based framework as the user interface. Testing is conducted using the black box method to ensure that all system functionalities operate correctly. The results of the study indicate that the K-Means algorithm is effective in clustering students into several groups based on similar grade patterns. The conclusion of this research is that the developed system successfully provides elective course recommendations based on the clustering results and is expected to assist students in selecting courses that better match their competencies. A recommendation for future development is to enhance the system so that it can be accessed by students anytime and anywhere with greater ease.