Pemilihan parameter terbaik menggunakan metode ID3 untuk penentuan cluster terbaik pada metode k-means clustering: Studi kasus penentuan golongan uang kuliah tunggal Universitas Islam Negeri Maulana Malik Ibrahim

INDONESIA:

Uang Kuliah Tunggal (UKT) merupakan sebuah kebijakan baru dari pemerintah mengenai pembiayaan pendidikan di Perguruan Tinggi Negeri. Melalui sistem pembayaran ini, calon mahasiswa baru akan dikelompokkan menjadi beberapa cluster dengan didasarkan pada parameter-parameter tertentu. Pemberlakuan UKT bertujuan untuk memberikan rasa keadilan, efesiensi, serta kepastian besaran biaya pendidikan. Maka dari itu, digunakanlah metode K-Means Clustering dalam pengklasteran terhadap mahasiswa baru Universitas Islam Negeri Malang tahun 2015. Dari 944 data dan 28 kali iterasi yang dilakukan, terdapat kesamaan sebesar 24,7% dengan pengelompokkan UKT awal yang dilakukan menggunakan pembobotan oleh pihak kampus.

Selain itu, tidak hanya pengklasteran menggunakan K-Means Clustering saja yang dilakukan pada penelitian ini. Evaluasi pada seluruh parameter juga dilakukan menggunakan pohon keputusan Iterative Dichotomiser 3 (ID3) untuk mendapatkan prioritas parameter guna pengelompokkan UKT yang lebih baik. Dari kesembilan parameter yang ada, didapat enam parameter diantaranya merupakan parameter-parameter dengan pengaruh paling tinggi pada pengklasteran. Keenam parameter ini memberikan nilai paling optimal pada pengklasteran UKT.

ENGLISH:

Uang Kuliah Tungal (UKT) is a new policy from the government regarding the financing of education in State Universities. Through this payment system, prospective new students will be grouped into several clusters based on certain parameters. The application of UKT aims to provide a sense of justice, efficiency, and certainty of the amount of education costs. Therefore, the K-Means Clustering method was used in the clustering of new students of Malang State Islamic University in 2015. From the 944 data and 28 iterations carried out, there was a similarity of 24.7% with the initial grouping of UKT conducted using weighting by the university.

In addition, not only clustering using the K-Means Clustering was carried out in this study. Evaluation of all parameters was also carried out using decision tree of Iterative Dichotomiser 3 (ID3) to get priority parameters for better grouping of UKT. From the nine existing parameters, six parameters are obtained, which are the parameters with the highest influence on clustering. These six parameters provide the most optimal value for UKT clustering.