PIPI

JOISIE (Journal Of Information Systems And Informatics Engineering)JOISIE (Journal Of Information Systems And Informatics Engineering)

Fakultas Ilmu Komputer Universitas Sriwijaya menyediakan berbagai mata kuliah peminatan yang dirancang untuk membantu mahasiswa mempersiapkan karir masa depan. Namun, banyak mahasiswa kesulitan memilih mata kuliah yang selaras dengan tujuan karir mereka. Upaya ini dilakukan guna menganalisis keterkaitan antara mata kuliah peminatan dan karir alumni guna memberikan rekomendasi pemilihan mata kuliah yang relevan, dengan menerapkan metode K-Means Clustering. Berdasarkan data tracer study alumni program sarjana (S1) sebelum tahun 2020, proses klasterisasi dilakukan menggunakan Google Colab dan RapidMiner, dengan jumlah klaster disesuaikan sebanyak 18 kategori karir. Evaluasi menggunakan Silhouette Score menunjukkan hasil terbaik pada K = 3, namun tetap digunakan K = 18 untuk mempertahankan kedetailan kategori karir. Visualisasi heatmap digunakan untuk mengidentifikasi dominasi mata kuliah di tiap klaster. Hasil penelitian menunjukkan bahwa akurasi klastering tergolong rendah, dengan nilai Cluster Purity sebesar 21,34%, yang mencerminkan ketidaksesuaian mayoritas data terhadap label karir aktual. Meskipun performa algoritma K-Means belum optimal, pendekatan ini memperkenalkan alternatif baru dalam sistem rekomendasi akademik berbasis data karir alumni, dan dapat digunakan sebagai referensi awal bagi mahasiswa dalam menentukan mata kuliah peminatan yang relevan dengan karir yang diinginkan.

Penelitian ini mengimplementasikan algoritma K-Means Clustering untuk memberikan rekomendasi mata kuliah peminatan berdasarkan kesesuaian dengan karir alumni.Hasil klasterisasi menunjukkan nilai Cluster Purity sebesar 21,34%, yang mencerminkan bahwa hanya sebagian kecil data alumni yang berhasil terkelompokkan secara akurat sesuai dengan label karir yang aktual.Rendahnya nilai Cluster Purity ini mengindikasikan bahwa kualitas klaster yang dihasilkan sangat dipengaruhi oleh pemilihan fitur yang digunakan serta proses pra pemrosesan data yang belum optimal.Untuk meningkatkan performa sistem rekomendasi di masa depan, disarankan untuk melakukan seleksi fitur yang lebih cermat dan relevan, serta menerapkan teknik reduksi dimensi seperti Principal Component Analysis (PCA) atau t-Distributed Stochastic Neighbor Embedding (t-SNE).

1. Penelitian lanjutan dapat mengembangkan metode pengklasteran yang lebih akurat dengan menggabungkan algoritma K-Means dengan teknik deep learning untuk meningkatkan akurasi rekomendasi mata kuliah berdasarkan data karir alumni. 2. Studi ini dapat dikembangkan dengan memasukkan data non-akademik seperti pengalaman magang atau preferensi pribadi mahasiswa untuk memperkaya analisis pola karir. 3. Penelitian lebih lanjut diperlukan untuk menguji efektivitas sistem rekomendasi berbasis data karir alumni pada institusi pendidikan lain dengan variasi kurikulum dan pasar kerja yang berbeda, sehingga hasilnya dapat disesuaikan dengan konteks lokal.

  1. Sistem Informasi Geografis Fasilitas Kesehatan di Tuntungan Berbasis Android | Bulletin of Computer Science... doi.org/10.47065/bulletincsr.v3i3.244Sistem Informasi Geografis Fasilitas Kesehatan di Tuntungan Berbasis Android Bulletin of Computer Science doi 10 47065 bulletincsr v3i3 244
  2. ANALISIS CLUSTERING REKOMENDASI MATA KULIAH PEMINATAN BERDASARKAN KARIR ALUMI MENGGUNAKAN MACHINE LEARNING... doi.org/10.35145/joisie.v9i1.4954ANALISIS CLUSTERING REKOMENDASI MATA KULIAH PEMINATAN BERDASARKAN KARIR ALUMI MENGGUNAKAN MACHINE LEARNING doi 10 35145 joisie v9i1 4954
  3. 0. pdf obj endobj tbody lbody li tr thead table td pg figure span type objr textbox footnote note endnote... doi.org/10.5120/ijca20239227520 pdf obj endobj tbody lbody li tr thead table td pg figure span type objr textbox footnote note endnote doi 10 5120 ijca2023922752
  4. Survey on Feature Transformation Techniques for Data Streams | IJCAI. survey feature techniques data... ijcai.org/proceedings/2020/668Survey on Feature Transformation Techniques for Data Streams IJCAI survey feature techniques data ijcai proceedings 2020 668
Read online
File size752.85 KB
Pages14
DMCAReport

Related /

ads-block-test