Analisis Potensi Asal Sekolah pada Jalur Penerimaan Mahasiswa Baru di Universitas Lampung menggunakan Algoritma K-Means

Abstract

Intisari Permenristekdikti nomor 126 tahun 2016 mengatur Penerimaan Mahasiswa Baru Program Sarjana pada Perguruan Tinggi Negeri, yakni Seleksi Nasional Masuk Perguruan Tinggi Negeri (SNMPTN), Seleksi Bersama Masuk Perguruan Tinggi Negeri (SBMPTN), dan Seleksi Mandiri. Di Universitas Lampung (UNILA), asal sekolah calon pendaftar dijadikan salah satu parameter untuk diterimanya calon mahasiswa baru dengan melihat potensi unggul dibidangnya dari setiap sekolah per tahunnya. Pada jalur SNMPTN dan SBMPTN di UNILA akan dilakukan analisis data dengan menggunakan software tools rapidminer serta menerapkan teknik data mining Algoritma K-means untuk melihat potensi serta konsistensi nilai diberbagai asal sekolah pada setiap tahunnya. Dari hasil perhitungan menggunakan Algotitma K- means diketahui jalur SBMPTN pada jenis ujian SAINTEK, SOSHUM dan IPC didominasi asal sekolah Bandar Lampung dibagi menjadi 3 kelas dimana claster_ 0 (program studi Agroteknologi 31 persen), claster_1 (program studi Teknik Sipil 37 persen), dan claster 2 (Pendidikam Kedokteran 95). Pada jalur SBMPTN dengan jenis ujian SOSHUM terdiri dari claster 0 (program studi Hukum 48 persen), claster_1 (program studi Manajemen 44 persen), dan claster_2 (program studi Akuntansi 47 persen). Pada jenis ujian Campuran terdiri dari claster 0 (program studi Hukum sebesar 50 persen), claster 1 (program studi Pendidikan Bahasa Inggris 23 persen), dan claster 2 (program studi Akuntansi 38 persen) selama lima tahun terakhir. Pada jalur penerimaan SNMPTN, claster 0 (Hukum 58 persen), dan claster_1 (Hukum 37 persen) didominasi oleh asal sekolah Bandar Lampung, sedangkan pada claster 2 (Pendidikan Kedokteran 46 persen) didominasi oleh asal sekolah kabupaten Lampung Barat selama empat tahun terakhir.

Kata kunci data mining, k-means, penerimaan mahasiswa baru, SBMPTN, SNMPTN

Abstract Permenristekdikti number 126 of 2016 regulates the New Student Admission for Undergraduate Program at State Universities, namely SNMPTN, SBMPTN, and Independent Selection. University of Lampung (UNILA), makes the origin of prospective applicants' schools as one of the parameters for the acceptance of prospective new students by seeing the superior potential in their fields from each school per year. The pattern of potential values based on origin school has not been analyzed in detail for the SNMPTN and SBMPTN pathways at UNILA. Data analysis will be performed using rapidminer software tools and applying K-means Algorithm data mining techniques to see the potential and consistency of values in various origin schools each year. From the calculation results using the K-means Algorithm it is known that the SBMPTN pathway in the SAINTEK, SOSHUM and IPC. dominated by the origin of Bandar Lampung schools divided into 3 classes where claster_0 (Agrotechnology study program 31 percents), claster_1 (Civil Engineering study program 37percents), and claster_2 (Medical Education 95 48percents), claster_1 (Management study program 44percents), and claster_2 (Accounting study program 47percents) .The types of Mixed examinations consist of claster_0 (Law study program by 50percents), claster_1 (English Language Education program 23percents), and claster_2 (Accounting study program 38percents) for the last five years, on the admission path of SNMPTN, claster_0 (Law 58percents), and claster_1 (Law 37percents) dominated by the origin of Bandar Lampung schools, while in claster_2 (Medical Education 46percents) dominated by the origin of the West Lampung district school for the past four years.

Keywords data mining, k-means, acceptance of new students, SBMPTN, SNMPTN