Algoritma K-Medoids Untuk Menentukan Calon Mahasiswa Yang Layak

Mendapatkan Beasiswa KIP – Kuliah di Universitas Malikussaleh

Kiki Ayunda Dewi1), Puteri Ageng Shaharani2), Nova Kartika3), Bella Fadillah Rahmah Rumagit4)
1,2,3,4)
Prodi Sistem Informasi Fakultas Teknik Universitas Malikussaleh
e-mail: kiki.200180011@mhs.unimal.ac.id 1), puteri.200180114@mhs.unimal.ac.id 2),
nova.200180031@mhs.unimal.ac.id 3), bella.200180032@mhs.unimal.ac.id 4)
ABSTRACT

I. PENDAHULUAN

Kementerian Pendidikan, Kebudayaan, Riset, dan Teknologi (Kemendikbudristek) telah

melakukan perubahan nama Bidikmisi menjadi Kartu Indonesia Pintar Kuliah (KIP Kuliah)
pada tahun 2020 kemudian bertransformasi menjadi KIP Kuliah Merdeka pada 2021 sebagai
bentuk jaminan pembiayaan pendidikan dan bantuan biaya hidup yang diberikan kepada
siswa dari keluarga kurang mampu untuk melanjutkan pendidikan ke perguruan tinggi.

Skema KIP Kuliah yang diberikan pemerintah kepada mahasiswa penerima adalah bantuan
biaya pendidikan yang ditransfer langsung kerekening Perguruan Tinggi dan biaya hidup
yang ditransfer langsung kerekening mahasiswa penerima sehingga mahasiswa dapat bebas
dari uang pangkal, SPP dan biaya lainnya. Calon mahasiswa yang layak menerima KIP
Kuliah adalah mahasiswa yang memenuhi persayaratan atau kriteria yang telah ditetapkan
pemerintah seperti mempunyai prestasi dan kurang mampu secara ekonomi serta kriteria
lainnya. Universitas Malikussaleh termasuk kedalam penerima calon mahasiswa baru dengan
bantuan pendidikan KIP Kuliah terbanyak.

Calon mahasiswa penerima beasiswa KIP Kuliah di Universitas Malikussaleh terbuka untuk
calon mahasiswa baru melalui semua jalur masuk Perguruan Tinggi Akademik dan Perguruan
Tinggi Vokasi dan diterima di PTN atau PTS. Selain harus memenuhi kriteria dan ketentuan
yang telah ditetapkan juga harus mengikuti wawancara yang dilaksanakan oleh Universitas
Budi Darma. Penentuan layak atau tidaknya seorang calon mahasiswa penerima beasiswa
KIP Kuliah yaitu berdasarkan Memiliki potensi akademik baik tetapi memiliki keterbatasan
ekonomi atau berasal dari keluarga miskin/rentan miskin dan/atau dengan pertimbangan
khusus yang didukung bukti dokumen yang sah dan hasil wawancara.

Jumlah kuota penerima beasiswa KIP-Kuliah setiap tahunnya sangat terbatas maka tidak
semua calon mahasiswa penerima KIP-Kuliah yang mengikuti tahap wawancara diterima.
Selama ini pihak penyelenggara dan pengelola KIP-Kuliah kesulitan menentukan calon
mahasiswa yang benar-benar layak menerima beasiswa KIP Kuliah selain karena kuota yang
sangat terbatas dan jumlah calon mahasiswa penerima beasiswa KIP Kuliah yang banyak
juga karena nilai setiap kriteria calon mahasiswa penerima bidikmisi yang hampir sama atau
mirip antara satu dengan lainnya. Oleh karena itu dibutuhkan suatu algoritma yang dapat
mengelompokan calon mahasiswa penerima bidikmisi yang benar-benar layak menerima
beasiswa bidikmisi.

Data Mining termasuk dalam proses KDD (Knowledge Discovery Database) yang merupakan
proses yang dibantu oleh komputer untuk menggali dan menganalisis sejumlah besar
himpunan data dan mengekstrak informasi dan pengetahuan. Data Mining terdiri dari
beberapa fase yaitu Estimasi, Klustering, Prediksi, Klasifikasi dan Asosiasi. Data Mining
Klustering memiliki salah satu metode yaitu K-Medoids. Data Mining dengan algoritma K-
Medoids merupakan suatu algoritma yang digunakan untuk menemukan medoids didalam
sebuah kelompok (cluster) yang merupakan titik pusat dari suatu kelompok (cluster).
Algoritma K-Medoids lebih baik dibandingkan dengan K-Means karena pada K-Medoids
menemukan k sebagai objek yang representatif untuk meminimalkan jumlah ketidaksamaan
objek data, sedangkan pada K-Means menggunakan jumlah jarak euclidean distances untuk
objek data (Sindi et al., 2020). Salah satu nya untuk menentukan Menentukan Calon
Mahasiswa Yang Layak Mendapatkan Beasiswa KIP – Kuliah di Universitas Malikussaleh.

Berdasarkan uraian diatas, algoritma K-Medoids sangat cocok untuk pengelompokan data-
data berdasarkan kriteria karena algoritma K-Medoids adalah salah satu teknik dalam data
mining untuk mengelompokkan (clustering) data kedalam beberapa kelompok berdasarkan
jarak, kriteria, kondisi dan karakteristik.

II. TINJAUAN PUSTAKA

2.1 DATA MINING
Menurut Vercellis dalam (Syamfithriani et al., 2023), data mining merupakan suatu
kegiatan yang menggambarkan proses analisis yang berulang-ulang pada basis data yang
besar. Tujuannya adalah untuk mengekstrak informasi dan pengetahuan yang tepat dan
bermanfaat dalam konteks pengambilan keputusan.

Data mining merupakan teknik pencarian pola dan pengetahuan yang bermanfaat dari
sejumlah besar data. Salah satu fungsi utama dari data mining adalah clustering, yaitu
 mengelompokkan data yang memiliki kesamaan karakteristik ke dalam satu cluster yang
sama. Tujuan dari clustering adalah untuk mengenali pola alami yang ada di dalam data
dengan cara mengelompokkan data yang mirip menjadi satu cluster sehingga setiap cluster
merepresentasikan suatu pola tertentu. Dengan clustering, data yang semula besar dan tidak
beraturan dapat direduksi menjadi beberapa kelompok data yang lebih bermakna sehingga
lebih mudah dipahami dan dianalisis (Buulolo et al., 2020).

2.2 CLUSTERING

Clustering merupakan pengelompokan informasi atau objek yang memiliki kesamaan

karakteristik ke dalam satu kelompok yang sama. Berbeda dengan metode klasifikasi yang
umumnya menggunakan label kelas, clustering tidak memiliki label objektif untuk
pengelompokan. Clustering yang baik seharusnya dapat mengelompokkan objek yang
memiliki kesamaan ke dalam satu cluster dan memisahkan objek yang tidak serupa.
Pelaksanaan clustering biasanya merupakan tahap awal dalam proses data mining untuk
mengenali pola data (Rizal et al., 2022).

2.3 ALGORITMA K-MEDOIDS

K-Medoids, atau yang sering disebut juga sebagai algoritma PAM (Partitioning
Around Medoid), adalah suatu algoritma yang serupa dengan K-Means karena keduanya
bertujuan untuk mengelompokkan data ke dalam kelompok atau cluster. Meskipun memiliki
kesamaan, terdapat perbedaan antara algoritma K-Means dan K-Medoids dalam penentuan
pusat cluster. Pada algoritma K-Means, pusat cluster ditentukan berdasarkan nilai rata-rata
(means) dari setiap cluster, sementara pada K-Medoids, pusat cluster diidentifikasi
menggunakan objek data sebagai perwakilan (medoids) (Rohmah Zaidah et al., 2021).

Algoritma K-Medoids memiliki keunggulan dalam mengatasi kelemahan yang

terdapat pada algoritma K-Means, yang cenderung sensitif terhadap noise dan outlier. Hal ini
terjadi ketika terdapat objek dengan nilai yang besar, yang dapat menyebabkan deviasi dari
distribusi data.

Berikut ini adalah langkah – langkah algoritma K-Medoid:

1. Inisialisasi pusat cluster sebanyak k (jumlah cluster)

2. Alokasikan setiap data (objek) ke cluster terdekat menggunakan persamaan ukuran
jarak Euclidian Distance dengan persamaan:
 Keterangan :
d(x,y) = jarak
xi training = Data training
yi testing = Data testing
i = variabel data
n = dimensi data
3. Pilih secara acak objek pada masing-masing cluster sebagai kandidat medoid baru.
4. Hitung jarak setiap objek yang berada pada masing-masing cluster dengan kandidat medoid
baru.
5. Hitung total simpangan (S) dengan menghitung nilai total distance baru – total distance lama.
Jika S < 0, maka tukar objek dengan data cluster untuk membentuk sekumpulan k objek baru
sebagai medoid.
6. Ulangi langkah 3 sampai 5 hingga tidak terjadi perubahan medoid, sehingga
didapatkan cluster beserta anggota cluster masing-masing.

2.4 KIP-KULIAH

Kartu Indonesia Pintar (KIP) merupakan kartu yang diterbitkan oleh pemerintah
Indonesia dalam rangka Program Indonesia Pintar yang dibentuk oleh Presiden Joko Widodo.
Kartu ini diberikan kepada para pelajar dari keluarga kurang mampu untuk mendapatkan
bantuan biaya pendidikan dari pemerintah. Tujuan program ini adalah untuk meningkatkan
akses dan kualitas pendidikan bagi seluruh rakyat Indonesia (Iskandar, 2022).

2.5 RAPIDMINER

RapidMiner merupakan platform perangkat lunak untuk data science yang

dikembangkan oleh perusahaan dengan nama yang sama. RapidMiner menyediakan
lingkungan terintegrasi untuk machine learning, deep learning, text mining, dan predictive
analytics. Platform ini digunakan untuk berbagai keperluan baik bisnis dan komersial maupun
untuk penelitian, pendidikan, pelatihan, pembuatan prototype, serta pengembangan aplikasi.
RapidMiner mendukung semua tahapan dalam proses machine learning mulai dari persiapan
data, visualisasi hasil, validasi dan pengoptimalan model. Keunggulan RapidMiner adalah
kemampuannya untuk mempercepat development model analitik prediktif berkinerja tinggi
beserta implementasinya, sehingga meningkatkan produktivitas tim data science. RapidMiner
dikembangkan dengan model open source untuk mendorong kolaborasi dan kontribusi dari
komunitas global (Nofitri & Irawati, 2019).
III. METODE PENELITIAN

Penelitian ini memerlukan suatu rancangan penelitian kuantitatif yang berfokus pada
fenomena objektif dan diteliti secara kuantitatif. Pendekatan statistik, manipulasi angka,
struktur, dan eksperimen terkontrol diaplikasikan untuk menjamin bahwa desain penelitian ini
tetap objektif. Oleh karena itu, penelitian ini disusun secara kuantitatif, dengan pengumpulan
data dilakukan langsung dari subjek penelitian dan kemudian diolah sesuai dengan
kebutuhan.

3.1 Metode Pengumpulan Data

Data untuk penelitian ini diperoleh secara langsung dari Biro Akademik, Kemahasiswaan,
Perencanaan dan Kerjasama (BAKPK) Universitas Malikussaleh. Data tersebut meliputi
nama calon mahasiswa, nilai ujian seleksi, prestasi di sekolah, ekonomi keluarga, status
kepemilikan rumah, dan dinding lantai rumah. Data tersebut kemudian akan dianalisa untuk
mengetahui kesulitan dari pihak Biro Akademik, Kemahasiswaan, Perencanaan dan
Kerjasama (BAKPK) Universitas Malikussaleh dalam menetapkan penerima yang memenuhi
syarat karena adanya keterbatasan kuota, jumlah calon penerima yang banyak, serta kriteria
yang tidak seluruhnya terpenuhi dengan menggunakan teknik data mining K-Medoids.

Algoritma K-Medoids digunakan untuk melakukan perhitungan secara manual terhadap data
calon penerima beasiswa Bidikmisi, menghasilkan pengelompokan data siswa yang
memenuhi syarat dan yang tidak memenuhi syarat. Melalui penggunaan data yang sama,
aplikasi Rapidminer mengintegrasikan informasi untuk membandingkan hasil perhitungan
manual dengan perhitungan berbasis komputer. Tujuannya adalah untuk memastikan
keakuratan proses dan data yang digunakan.

3.2 Sampel Data