J-Icon : Jurnal Komputer dan Informatika Vol.
11 No.
Oktober 2023, pp.
DOI: 10.
35508/jicon.
KLASTERISASI DATA HASIL STUDI PELACAKAN TENTANG KARIR DAN
PEKERJAAN LULUSAN PERGURUAN TINGGI MENGGUNAKAN
ALGORITMA K-MEANS
1,2,3
Joko Sutrisno1.
Arief Wibowo2.
Bayu Satria Pratama3 Universitas Budi Luhur.
Jl.
Ciledug Raya Petukangan Utara.
Jakarta Selatan.
Indonesia 12260 Email: arief.
wibowo@budiluhur.
ABSTRAK
Perguruan tinggi memiliki tanggung jawab untuk menghasilkan lulusan yang berkualitas.
Salah satu indikator kualitas lulusan adalah status mendapatkan pekerjaan, kondisi kesesuaian bidang pekerjaan dengan program pendidikan yang ditempuh dan kondisi masa tunggu mendapatkan pekerjaan tersebut.
Hal yang dilakukan untuk mengetahui kondisi-kondisi tersebut adalah dengan melakukan studi pelacakan .
racking stud.
bagi lulusan.
Penelitian ini menganalisis data hasil studi pelacakan lulusan perguruan tinggi tentang karir dan pekerjaan menggunakan algoritma klasterisasi data mining yaitu K-Means.
Hasil penelitian menunjukkan bahwa analisis data studi pelacakan mampu membentuk beberapa klaster lulusan dengan nilai evaluasi Davies-Bouldin Index (DBI) mencapai 0,287 pada uji coba pertama dan 0,291 pada uji coba kedua.
Klaster-klaster yang terbentuk terdiri dari kelompok lulusan dengan status belum bekerja, atau sedang bekerja.
Profil lulusan setiap klaster dapat diketahui berupa masa tunggu yang relati f singkat kurang dari enam bulan untuk mendapatkan pekerjaan pertama, atau masa tunggu yang relatif lambat di atas satu tahun.
Spesifikasi klaster lain yang terbentuk adalah tentang profil lulusan dengan tingkat kesesuaian antara pendidikan yang ditempuh dengan bidang pekerjaan yang dilakukan.
Hasil penelitian ini menjadi umpan balik bagi pengelola program studi untuk mengukur kualitas lulusan serta perbaikan proses pendidikan yang perlu dilakukan.
Kata kunci: klasterisasi, studi pelacakan, kesesuaian kerja, masa tunggu bekerja ABSTRACT Higher education has a responsibility to produce quality graduates.
One indicator of the quality of graduates is the status of getting a job, the condition of the suitability of the field of work with the educational program pursued, and the waiting period to get the job.
What is being done to find out these conditions is to conduct a tracer study for graduates.
This study analyzes data from a college graduate tracking study about careers and jobs using a data mining clustering algorithm, namely K-Means.
The results showed that the analysis of the tracking study data formed several graduate clusters with an evaluation value of the Davies-Bouldin Index (DBI) reaching 0.
287 in the first trial and 0.
291 in the second trial.
The clusters formed consist of groups of graduates with status still needing to be working or currently working.
The profile of graduates from each cluster can be identified in the form of a relatively short waiting period of less than six months to get a first job or a relatively slow waiting period of more than one year.
Another cluster specification that is formed is about the profile of graduates with the level of compatibility between the education attained and the field of work carried out.
The results of this study serve as feedback for study program managers to measure the quality of graduates and the improvements in the educational process that need to be made.
Keywords: clustering, tracking studies, work suitability, job waiting periods PENDAHULUAN Perguruan tinggi merupakan tempat dilaksanakannya pendidikan tinggi atau jenjang pendidikan yang disediakan bagi lulusan Sekolah Lanjutan Tingkat Atas.
Perguruan tinggi mengelola programprogram studi yang ditawarkan kepada masyarakat.
Salah satu indikator peminatan dari masyarakat terhadap sebuah program studi adalah kualitas lulusan.
Lulusan perguruan tinggi yang diharapkan para orang tua atau mahasiswa adalah keadaan cepat mendapatkan kerja, jenis pekerjaan yang memiliki kesesuaian dengan bidang ilmu serta waktu tunggu yang relatif cepat dalam mendapatkan pekerjaan pertama kali.
ISSN: 2337-7631 .
ISSN: 2654-4091 (Onlin.
J-Icon : Jurnal Komputer dan Informatika Vol.
11 No.
Oktober 2023, pp.
DOI: 10.
35508/jicon.
Program Studi merupakan satuan pengelola pendidikan yang memiliki kewenangan memberikan pengajaran, ujian dan menyatakan kelulusan bagi mahasiswa.
Salah satu kebutuhan informasi bagi program studi adalah mengetahui hasil studi pelacakan .
racer stud.
berupa profil karir atau pekerjaan Umumnya ada beberapa indikator yang ditanyakan dalam kegiatan studi pelacakan lulusan, meliputi berapa lama waktu tunggu untuk mendapatkan pekerjaan pertama, kesesuaian bidang kerja dengan program pendidikan yang ditempuh, serta penilaian dari pengguna lulusan di dunia kerja.
Telah banyak dilakukan berbagai penelitian yang menganalisis data lulusan atau perguruan tinggi dengan metode data mining klasterisasi.
Peneliti terdahulu melakukan analisis data akademik menggunakan algoritma K-Means yang hasilnya berupa model klasterisasi kelompok mahasiswa yang berprestasi, berpotensi prestasi, berpotensi masalah, dan kelompok mahasiswa yang bermasalah .
Peneliti lain melakukan klasterisasi dengan algoritma yang sama, untuk menentukan predikat kelulusan mahasiswa sebagai data menganalisis kualitas lulusan .
Peneliti lainnya melakukan pengelompokan tingkat kepuasan pengguna lulusan perguruan tinggi berupa pengelompokkan nilai kepuasan sangat puas, puas dan cukup puas.
Pemodelan diselesaikan dengan berbantukan aplikasi WEKA menggunakan algoritma K-Means .
Penelitian tentang data institusi pendidikan juga dilakukan peneliti lain yang melakukan klasterisasi sekolah dalam rangka pendampingan oleh dinas terkait, menggunakan algoritma K-Means berdasarkan fasilitas, pendidik, dan tenaga pendidik.
Studi tersebut menggunakan Davies-Bouldin Index untuk mengevaluasi model klaster yang dihasilkan .
Penelitian yang menggunakan algoritma klasterisasi juga dilakukan untuk memprediksi waktu tunggu lulusan mahasiswa .
atau mengklasterisasi tingkat pendidikan masyarakat di wilayah tertentu .
Penelitian ini bertujuan untuk membentuk model klasterisasi data lulusan berbasis hasil studi pelacakan tentang karir dan pekerjaan.
Dengan tujuan tersebut maka akan diketahui model klasterisasi lulusan berbasis data hasil studi pelacakan.
Studi ini memberikan pengetahuan dari hasil penambangan data .
ata minin.
tentang profil klaster lulusan perguruan tinggi, berdasarkan analisis terhadap data lulusan menggunakan algoritma K-Means.
Hasil dari penelitian ini adalah pengelompokkan atau klasterisasi lulusan berdasarkan profil kondisi karir dan pekerjaan dari hasil studi pelacakan.
Klaster yang terbentuk akan dideskripsikan sesuai dengan kondisi raw data yang membentuknya.
Hasil pemodelan klasterisasi dievaluasi menggunakan Davies-Bouldin Index, agar diketahui bentuk pembagian klaster terbaik dari berbagai ujicoba klasterisasi yang dilakukan.
Hasil penelitian dapat digunakan untuk mengevaluasi mutu lulusan dari suatu program studi atau fakultas.
MATERI DAN METODE
Studi yang dilakukan saat ini menggunakan pendekatan Cross Industry Standard Process for Data Mining (CRISP-DM), yaitu suatu model dalam proses penambangan data .
, dengan tahap-tahap sebagai Pemahaman Bisnis Merupakan tahap menjelaskan proses bisnis yang terjadi bahwa data diperoleh dari rangkaian kegiatan bisnis sehingga memiliki dampak berupa terciptanya data pada setiap tahap bisnis yang ada.
Pemahaman Data Merupakan tahap yang menjelaskan ketersediaan data, periode data, dan bentuk data yang akan digunakan dalam proses penambangan.
Penyiapan Data Merupakan tahap yang berisi rangkaian pekerjaan yang dilakukan agar data yang tersedia menjadi siap untuk dianalisis dalam proses pemodelan.
Pemodelan Merupakan tahap pemilihan algoritma data mining yang sesuai dengan tujuan yang ingin dicapai.
Evaluasi Merupakan tahap mengukur kinerja atau model yang terbentuk, sehingga pengetahuan yang ada dari model menjadi valid untuk digunakan.
Penyebaran Merupakan tahap penyampaian pengetahuan .
yang berasal dari hasil penambangan data secara keseluruhan.
Untuk menyelesaikan rumusan masalah penelitian, maka studi ini dibagi menjadi beberapa tahap seperti terlihat pada Gambar 1.
ISSN: 2337-7631 .
ISSN: 2654-4091 (Onlin.
J-Icon : Jurnal Komputer dan Informatika Vol.
11 No.
Oktober 2023, pp.
DOI: 10.
35508/jicon.
Identifikasi Masalah Tinjauan Studi Akuisi Data Penambangan Data Interpretasi Luaran Penarikan Kesimpulan Gambar 1.
Tahap Penelitian Terlihat pada Gambar 1 bahwa tahap penelitian saat ini dimulai dari proses mengidentifikasi masalah yang bersumber dari wawancara kepada pihak pengelola program studi, dilanjutkan dengan tahap tinjauan studi untuk mengetahui alternatif solusi yang bisa digunakan termasuk algoritma data mining yang sesuai.
Tahap selanjutnya adalah akuisisi dan penyiapan data, untuk selanjutnya dilakukan pemodelan berupa penerapan algoritma K-Means dalam proses klasterisasi yang dirancang disertai evaluasi menggunakan Davies-Bouldin Index (DBI).
Tahap berikutnya adalah interpretasi hasil atau luaran dan penarikan kesimpulan yang akan digunakan sebagai umpan balik pemilik data maupun Metode K-Means dipilih untuk memecahkan rumusan masalah pada studi ini berdasarkan studi literatur yang direferensi.
Algoritma K-Means adalah algoritma yang sederhana namun memiliki metode kerja yang baik.
Metode dasar analisis algoritma K-Means .
, .
adalah sebagai berikut:
Tentukan jumlah klaster .
, tetapkan pusat klaster secara acak.
Hitung jarak setiap data ke pusat klaster dengan Eucledian Distance Kelompokan data ke dalam klaster dengan jarak yang paling pendek.
Hitung pusat centroid atau klaster baru.
Ulangi langkah 2 .
sampai 4 .
hingga sudah tidak ada lagi data yang berpindah ke klaster yang lain.
Proses klasterisasi dimulai dengan mengidentifikasi data yang akan diklaster, ycUycnyc .
cn = 1.
A , ycu.
yc = 1.
A , yc.
dengan n adalah jumlah data yang akan diklaster dan m adalah jumlah variabel.
Pada awal iterasi, pusat setiap klaster ditetapkan secara acak.
Tahap selanjutnya adalah menghitung jarak setiap data ke pusat klaster dengan Eucledian Distance.
Euclidean Distance adalah metrika yang paling sering digunakan untuk menghitung kesamaan dua vektor.
Rumus Euclidean Distance adalah akar dari kuadrat perbedaan 2 vektor seperti terlihat pada Persamaan 1.
yccycu,yc = ocycuycn=1.
cuyc Oe ycuyc )2 .
Keterangan:
ycc = jarak antara x dan y ycu = data pusat klaster yc = data pada atribut ycn = setiap data ycu = jumlah data ycuyc= data pada pusat klaster ke-i ycuyc = nilai pada setiap data ke-i Untuk menghitung centroid baru, dapat menggunakan Persamaan 2.
ya= Ocyco ycu ISSN: 2337-7631 .
ISSN: 2654-4091 (Onlin.
J-Icon : Jurnal Komputer dan Informatika Vol.
11 No.
Oktober 2023, pp.
DOI: 10.
35508/jicon.
Keterangan:
ya = centroid data yco = anggota data yang termasuk ke dalam centroid tertentu ycu = jumlah data yang menjadi anggota centroid tertentu Pengukuran validitas dengan Davies-Bouldin Index menghitung rata-rata nilai setiap titik pada himpunan data.
Perhitungan nilai setiap titik adalah jumlah nilai compactness yang dibagi dengan jarak antara kedua titik pusat klaster sebagai separation .
Pendekatan ini adalah untuk memaksimalkan jarak inter klaster dan meminimalkan jarak intra klaster yang dapat dihitung dengan Persamaan 3.
ycIycn = .
ca | OcycuOOycaycn{.
cu Oe ycycn |} .
ycn dimana ycaycn sebagai banyaknya titik yang masuk ke dalam klaster i, x adalah data, dan ycycn centroid dari klaster i.
Sedangkan jarak antara klaster didefinisikan pada Persamaan 4.
yccycnyc = .
cycn Oe ycyc | .
dimana ycycn centroid dari klaster i dan ycyc centroid dari klaster j.
Perhitungan jarak yccycnyc dapat mengunakan euclidean.
Selanjutnya akan mendefinisikan ycIycn,ycyc untuk klaster ycaycn pada Persamaan 5.
ycIyc,yc ycoycaycu ycn,yc ycIycn,ycyc = yc,ycOycn { ycc ycnyc,yc Selanjutnya Davies-Bouldin Index didefinisikan pada Persamaan 6.
yayaA = yco Ocycoycn=1 ycIycn, ycyc Dari persamaan tersebut, k merupakan jumlah klaster yang digunakan.
Semakin kecil nilai DBI yang diperoleh .
on-negatif >= .
, maka semakin baik klaster yang diperoleh dari pengelompokan Kmeans yang digunakan .
HASIL DAN PEMBAHASAN
Berdasarkan pendekatan CRISP-DM maka, dapat diketahui dengan jelas fase-fase atau tahap penelitian ini terdiri dari enam tahap, sebagai berikut:
Pemahaman Bisnis Pada tahap pemahaman bisnis dihasilkan suatu deskripsi proses bisnis yang berjalan, bahwa kegiatan studi pelacakan .
racer stud.
merupakan kegiatan rutin yang dilakukan pengelola program studi terhadap lulusannya.
Kegiatan studi pelacakan dilakukan secara sistematis, terstruktur dengan metode dan pedoman serta petunjuk teknis .
yang dipahami oleh Ketua Program Studi.
Kegiatan studi pelacakan ini dilakukan berdasarkan data wisudawan atau lulusan dari sebuah program studi.
Kegiatan studi pelacakan menghasilkan data profil lulusan meliputi, status bekerja, belum bekerja, atau berwirausaha.
Selain itu juga diketahui masa tunggu lulusan perguruan tinggi sewaktu mendapatkan pekerjaan pertama setelah diwisuda, dan kondisi kesesuaian antara bidang pekerjaan dengan program pendidikan yang telah ditempuh.
Studi pelacakan ini dilakukan secara periodik biasanya pada saat menjelang wisuda, dan paling cepat enam bulan sejak diwisuda atau paling lambat satu tahun dari pelaksanaan wisuda.
Pada studi kali ini, data diperoleh dari hasil studi pelacakan yang dilakukan pada masa pandemi COVID-19, terbagi dalam empat periode waktu wisuda, diambil dari data lulusan yang diwisuda selama tahun 2020 hingga 2022.
Studi ini menggunakan metode purposive sampling karena ingin mengetahui model klasterisasi untuk mengetahui profil lulusan yang diwisuda pada masa pandemi COVID-19 dan untuk mengetahui profil lulusan yang bekerja pada masa pandemi tersebut.
Pemahaman Data Pada fase ini, diketahui bahwa data untuk kegiatan penelitian didapatkan dari pihak pengelola yaitu Ketua Program Studi (KPS) dan Direktorat Kemahasiswaan.
Karir Dan Alumni.
Data yang bersumber dari Ketua Program Studi meliputi data lulusan yang terdiri dari waktu wisuda, meliputi NIM.
Nama.
IPK per semester.
Data yang diperoleh dari Direktorat Kemahasiswaan diperoleh data berupa hasil studi pelacakan yang terdiri dari atribut NIM, nama, status saat ini yang terbagi menjadi lima .
ISSN: 2337-7631 .
ISSN: 2654-4091 (Onlin.
J-Icon : Jurnal Komputer dan Informatika Vol.
11 No.
Oktober 2023, pp.
DOI: 10.
35508/jicon.
belum memungkinkan bekerja, wirausaha, melanjutkan pendidikan, sedang tidak bekerj.
, kesesuaian bidang kerja dengan lima nilai .
angat erat, erat, cukup erat, kurang erat dan tidak sama sekal.
dan juga data waktu tunggu untuk mendapatkan pekerjaan.
Penyiapan Data Pada tahap ini dilakukan pengintegrasian data yang diperoleh dari Program Studi maupun data dari Direktorat Kemahasiswaan, sehingga menjadi data yang siap diolah pada proses pemodelan.
Selain itu, pada dataset juga dilakukan kegiatan pra-pemrosesan berupa pembersihan .
pada hasil studi pelacakan lulusan, yaitu pada data yang tidak lengkap, invalid, atau duplikat.
Dari tahap pemahaman data sebelumnya diketahui bahwa jumlah lulusan yang diwisuda di masa pandemi dari perguruan tinggi yang menjadi obyek penelitian .
, ada sebanyak 3.
098 orang.
Dari jumlah lulusan tersebut dilakukan studi pelacakan sebanyak dua kali pada masa pandemi, dengan perolehan berupa 705 data atau 22,75% dari jumlah populasi yang menjadi dataset untuk pemodelan.
Komposisi dataset terdiri dari lulusan Fakultas Teknologi Informasi (FTI) sebanyak 230 orang .
,6%).
Fakultas Teknik (FT) sebanyak 18 orang .
,5%).
Fakultas Ilmu Komunikasi dan Desain Kreatif (FKDK) sebanyak 182 orang .
,8%).
Fakultas Ilmu Sosial dan Studi Global (FISSIG) sebanyak 47 orang .
,6%) serta Fakultas Ekonomi dan Bisnis (FEB) sebanyak 227 orang .
,2%).
Pada tahap penyiapan data, studi ini menggunakan empat atribut yang dilibatkan dalam proses pemodelan klasterisasi, yaitu data nim/nama, status pekerjaan yang berisi lima jenis data value yaitu nilai satu untuk lulusan bekerja, nilai dua untuk lulusan yang belum memungkinkan bekerja, nilai tiga lulusan yang berwirausaha, nilai empat untuk lulusan yang sedang melanjutkan pendidikan, dan nilai lima bagi yang sedang mencari kerja.
Selain itu juga dilakukan transformasi pada atribut Kesesuaian Bidang Pekerjaan, dari semula lima nilai .
angat sesuai, sesuai, cukup sesuai, kurang sesuai dan tidak sesua.
menjadi tiga kategori yaitu nilai dua untuk sesuai, nilai satu untuk kurang sesuai dan nilai nol untuk tidak sesuai.
Tujuan transformasi ini adalah untuk mengurangi varian data sehingga klaster yang terbentuk diharapkan lebih fit dan ideal.
Data lain yang disiapkan adalah data waktu tunggu mendapatkan pekerjaan dalam satuan hitung berupa satuan bulan .
er tiga puluh har.
dalam angka absolut.
Pemodelan Pada tahap ini dilakukan pemilihan algoritma untuk pemecahan masalah penelitian yang ingin menghasilkan model klaster dari data lulusan berbasis hasil studi pelacakan.
Berdasarkan studi literatur yang dijadikan referensi, algoritma K-Means merupakan metode yang paling sesuai untuk ketersediaan data penelitian saat ini.
Pemodelan pada studi ini diselesaikan dengan berbantukan perangkat lunak RapidMiner Studio yang berjalan pada perangkat sistem operasi Mac .
acOS).
Pada tahap pemodelan, data hasil pra-pemrosesan disimpan dalam format Excel untuk selanjutnya diimpor ke dalam jendela desain proses pada RapidMiner seperti terlihat pada Gambar 2.
Gambar 2.
Desain Pemodelan Klasterisasi pada RapidMiner Studio ISSN: 2337-7631 .
ISSN: 2654-4091 (Onlin.
J-Icon : Jurnal Komputer dan Informatika Vol.
11 No.
Oktober 2023, pp.
DOI: 10.
35508/jicon.
Terlihat pada Gambar 2 bahwa pemodelan dilakukan secara serentak untuk berbagai skenario .
, yaitu klasterisasi dengan K=2.
K=3.
K=5 dan K=7 terhadap data sebanyak 705 data lulusan.
Hasil pemodelan terlihat pada Gambar 3.
Gambar 3.
Hasil Pemodelan Klasterisasi Terlihat pada Gambar 3 bahwa hasil proses running pemodelan pada aplikasi RapidMiner Studio menghasilkan pembagian klaster dari 705 baris data sesuai parameter nilai K yang dimasukkan.
Pemodelan multi skenario ini juga mendapatkan nilai DBI terbaik dari empat model yang diuji coba serentak menggunakan algoritma K-Means.
Hasil evaluasi model dari ujicoba serentak tahap pertama menunjukkan hasil seperti terlihat pada Tabel 1.
Tabel 1.
Evaluasi Model pada Ujicoba Tahap Pertama Indikator Nilai DBI
K=2
0,287
K=3
0,483
K=5
0,405
K=7
0,346
Dari Tabel 1 diketahui bahwa ujicoba serentak yang dilakukan untuk masing-masing nilai K, memiliki kinerja yang berbeda-beda sesuai nilai DBI yang dihasilkan, namun demikian model klasterisasi terbaik diperoleh pada nilai K=2 dengan evaluasi DBI sebesar 0,287.
Dari 705 baris data yang dikelompokkan menjadi dua klaster (K=.
pada aplikasi RapidMiner Studio diketahui bahwa klaster 0 memiliki anggota sebanyak 547 data lulusan, sementara klaster 1 memiliki anggota sebanyak 158 baris.
Klaster 0 merupakan kelompok lulusan yang jumlah anggotanya relatif banyak.
Sebanyak 547 lulusan .
,5%) pada klaster 0 memiliki kesamaan ciri yaitu anggota kelompoknya merupakan lulusan yang memiliki masa tunggu relatif singkat untuk mendapatkan pekerjaan pertamanya, yaitu pada rentang 0-1 tahun.
Dari 547 lulusan di klaster 0, mayoritas terdiri dari FEB sebanyak 177.
FISSIG sebanyak 31.
FKDK sebanyak 146.
FT sebanyak 13 dan FTI sebanyak 180 lulusan.
Sementara klaster 1 yang anggotanya terdiri dari 158 lulusan dapat dideskripsikan sebagai lulusan yang memiliki masa tunggu relatif lama dalam mendapatkan pekerjaan pertamanya, yaitu satu tahun ke atas.
Dari 158 lulusan di klaster 1, mayoritas terdiri dari FTI sebanyak 51 lulusan.
FEB sebanyak 50 lulusan.
FKDK sebanyak 36 lulusan.
FISSIG sebanyak 16 lulusan, dan FT sebanyak 5 lulusan.
Untuk mendapatkan gambaran yang lebih spesifik, maka dilakukan ujicoba klasterisasi tahap kedua yang diterapkan khusus pada anggota klaster 0 dengan jumlah anggota sebanyak 547 anggota.
Dengan ujicoba tahap kedua ini akan diketahui lebih spesifik kondisi profil anggota pada klaster yang Pemodelan serentak tahap kedua terhadap 547 data lulusan dilakukan menggunakan algoritma K-Means kembali pada nilai K=2.
K=3.
K=5 dan K=7.
Hasil evaluasi model pada uji coba tahap kedua terlihat pada Tabel 2.
ISSN: 2337-7631 .
ISSN: 2654-4091 (Onlin.
J-Icon : Jurnal Komputer dan Informatika Vol.
11 No.
Oktober 2023, pp.
DOI: 10.
35508/jicon.
Tabel 2.
Evaluasi Model pada Ujicoba Tahap Kedua Indikator Nilai DBI
K=2
0,291
K=3
0,457
K=5
0,450
K=7
0,398
Dari Tabel 2 diketahui bahwa ujicoba serentak tahap kedua yang dilakukan untuk masingmasing nilai K, memiliki kinerja yang berbeda-beda sesuai nilai DBI yang dihasilkan, namun demikian model klasterisasi terbaik diperoleh pada nilai K=2 dengan evaluasi DBI sebesar 0,291.
Dari 547 baris data yang dikelompokkan menjadi dua klaster (K=.
pada aplikasi RapidMiner Studio diketahui bahwa klaster 01 memiliki anggota sebanyak 517 baris, sementara klaster 02 memiliki anggota sebanyak 30 data Klaster 01 merupakan kelompok lulusan yang jumlah anggotanya relatif banyak.
Terdapat sebanyak 517 lulusan .
,5%) yang menjadi anggota pada klaster 01 dengan profil anggota kelompoknya merupakan lulusan yang cepat bekerja dengan masa tunggu pekerjaan seluruhnya kurang dari satu tahun, berstatus sedang bekerja pada saat studi pelacakan sedang dilakukan .
,4%), namun demikian ada sekitar 43 lulusan .
%) yang bekerja tidak sesuai bidang pendidikan yang ditempuhnya, sisanya 242 lulusan cukup sesuai bidang pekerjaannya dan 232 orang sangat sesuai pendidikan yang ditempuh dengan pekerjaannya.
Sementara itu, untuk klaster 02 yang memiliki anggota sebanyak 30 lulusan memiliki profil sebagai lulusan yang waktu tunggu mendapatkan pekerjaannya relatif sedang .
ntara 6 bulan hingga satu tahu.
, namun mayoritas berstatus sedang bekerja pada saat studi pelacakan sedang dilakukan .
%).
Dengan melakukan dua kali uji coba maka dapat diketahui bahwa klaster terakhir yang terbentuk adalah klaster 03 yang memiliki 158 anggota dengan ciri lulusan yang memiliki waktu tunggu mendapatkan pekerjaan relatif lambat .
i atas satu tahu.
Namun demikian, dari anggota klaster ini diketahui hanya ada 11 orang yang bidang kerjanya tidak sesuai, sementara 68 orang cukup sesuai bidang pekerjaannya dan 79 orang sangat sesuai pendidikan yang ditempuh dengan pekerjaannya.
Evaluasi Berdasarkan nilai-nilai DBI yang diperoleh maka, seluruh pembagian klaster terbaik diperoleh pada K=2 yaitu pada ujicoba tahap pertama diperoleh angka Davies-Bouldin Index sebesar 0,287.
Sementara dengan melakukan klasterisasi ulang pada salah satu klaster yang terbentuk, juga diperoleh nilai DBI terbaik pada ujicoba tahap kedua dengan nilai Davies-Bouldin Index sebesar 0,291 pada nilai K=2.
Dengan perbedaan yang relatif tidak terlalu signifikan, maka pembagian klaster dengan K=2 adalah yang paling ideal dari berbagai rangkaian uji coba.
Penyebaran Dengan seluruh hasil klasterisasi, maka dapat diperoleh pengetahuan yang cukup bermanfaat bagi pengelola program studi, yaitu diketahuinya pola pengelompokkan lulusan dari perguruan tinggi yang menjadi obyek penelitian.
Klaster utama adalah para lulusan yang memiliki masa tunggu relatif singkat untuk mendapatkan pekerjaan pertamanya, yaitu dalam waktu antara nol hingga enam bulan, yang mencapai 94,5% dari jumlah data latih.
Namun demikian, tetap harus ada upaya perbaikan dalam peningkatan mutu lulusan karena pada analisis terhadap hasil klaster masih terdapat sekitar 22 persen lulusan yang bidang pekerjaannya tidak sesuai dengan bidang pendidikan yang ditempuh dan diselesaikan di program studinya.
KESIMPULAN DAN SARAN
Dari seluruh tahap penelitian yang sudah diselesaikan maka dapat disimpulkan bahwa dataset lulusan berbasis studi pelacakan dapat dianalisis menggunakan pendekatan data mining khususnya metode klasterisasi dengan algoritma K-Means.
Hasil analisis mendapatkan pola pengelompokkan kondisi lulusan perguruan tinggi dengan atribut seperti status lulusan dalam bekerja, berwirausaha atau sedang tidak bekerja, masa tunggu dalam mendapatkan pekerjaan pertama, dan tingkat kesesuaian pekerjaan dengan bidang pendidikan.
Selain itu, pemodelan klasterisasi yang dilakukan mampu menghasilkan pengelompokkan lulusan melalui ujicoba model klasterisasi tahap pertama dengan nilai evaluasi yang relatif baik, pada nilai K=2.
Namun demikian karena salah satu klaster yang terbentuk masih memiliki jumlah anggota yang cukup besar maka dilakukan ujicoba model klasterisasi tahap kedua.
Hasil pemodelan tetap menunjukkan bahwa pada K=2 diperoleh nilai evaluasi terbaik menurut standar DaviesBouldin Index (DBI).
ISSN: 2337-7631 .
ISSN: 2654-4091 (Onlin.
J-Icon : Jurnal Komputer dan Informatika Vol.
11 No.
Oktober 2023, pp.
DOI: 10.
35508/jicon.
Pada studi mendatang, dapat dilakukan dengan pengembangan dengan menggunakan algoritma pembanding seperti K-Medoids pada jumlah data yang lebih besar, dengan harapan mencapai nilai evaluasi yang lebih baik.
Selain itu, penelitian ini masih dapat dikembangkan dengan pembuatan prototipe aplikasi untuk menyelesaikan proses pemodelan klasterisasi.
Hasil penelitian berupa prototipe dapat diusulkan untuk pengakuan hak cipta program komputer dari Direktorat Jenderal Hak Cipta Kemenkumham RI.
DAFTAR PUSTAKA