Optimasi Fitur dalam Klasterisasi Mahasiswa Program Studi Sistem Informasi Dengan Algoritma Genetik

Rosalia Hadi

Abstract


Klasterisasi merupakan proses mengelompokkan atau menggolongkan obyek berdasarkan informasi yang diperoleh dari data yang menjelaskan hubungan antar obyek dengan prinsip untuk memaksimalkan kesamaan antar anggota satu kelas dan meminimumkan kesamaan antar kelas. Implementasi klasterisasi dapat diterapkan pada berbagai bidang, salah satunya dalam hal penentuan kompetensi mahasiswa. Penentuan kompetensi mahasiswa merupakan hal yang penting karena akan memudahkan mahasiswa untuk memasuki dunia kerja yang sesuai dengan kompetensinya. Mahasiswa akan memiliki landasan untuk bekerja baik sebagai karyawan ataupun sebagai pengusaha berdasarkan kompetensi yang dimilikinya. Dengan adanya kompetensi  akan berpengaruh  positif  terhadap  kinerja  karyawan pada suatu perusahaan. Teknik klasterisasi data (clustering) telah dipakai dengan sangat luas sekarang ini. Namun ternyata pada kenyataannya, masalah-masalah tentang fitur yang digunakan dalam proses klasterisasi data masih sangat diabaikan, sehingga kerap kali terjadi penggunaan fitur-fitur yang kurang relevan dalam proses klasterisasi data (clustering) tersebut. Hal ini dapat mengakibatkan hasil klasterisasi juga akan menjadi kurang optimal. Sehingga dibutuhkan proses optimasi fitur. Oleh karena itu dilakukan optimasi fitur dalam klasterisasi mahasiswa Program Studi Sistem Informasi menggunakan algoritma genetik unutuk menentukan fitur yang valid dan mengabaikan fitur yang tidak valid. Sehingga proses klasterisasi nantinya akan dapat menghasilkan nilai fitness dan tingkat konvergensi yang lebih baik serta membentuk hasil cluster yang semakin akurat terkait dengan penentuan kompetensi mahasiswa.

Kata kunci— klasterisasi, optimasi fitur, mahasiswa

Keywords


klasterisasi, optimasi fitur, mahasiswa

Full Text:

PDF

References


Basuki, Achmad. (2003). Algoritma Genetika, Suatu Alternatif Penyelesaian Permasalahan Searching, Optimasi dan Machine Learning, Politeknik Elektronika Negeri Surabaya PENS-ITS Surabaya.

Hsiang-Hsi Liu a, Chorng-Shyong Ong. (2008). Variable selection in clustering for marketing segmentation using genetic algorithms, Expert Systems with Applications 34. 502–510.

Kyoung-jae Kim, Hyunchul Ahn. (2008). A recommender system using GA K-Means clustering in an online shopping market. Expert Systems with Applications 34. 1200–1209.

Laetitia Jourdan, Clarisse Dhaenens, El-Ghazali Talbi. (2001). A Genetic Algorithm for Feature Selection in Data-Mining for Genetics. Metaheuristics International Conference. 4th. 29-33.

Posuma, Christilia O. (2013). Kompetensi, Kompensasi, Dan Kepemimpinan Pengaruhnya Terhadap Kinerja Karyawan Pada Rumah Sakit Ratumbuysang Manado. Jurnal EMBA Vol.1 No.4. 646-656.

Rouhollah Maghsoudi, dkk. (2011). Representing the New Model for Improving K-Means Clustering Algorithm based on Genetic Algorithm. The Journal of Mathematics and Computer Science Vol .2 No.2.




DOI: https://doi.org/10.33633/tc.v16i3.1392

Article Metrics

Abstract view : 451 times
PDF - 394 times

Refbacks

  • There are currently no refbacks.




Diterbitkan Oleh :

 

Jurnal Techno.Com terindex di :

    Screenshot-2024-02-11-at-17-10-53

Jurnal Teknologi Informasi Techno.Com (p-ISSN : 1412-2693, e-ISSN : 2356-2579) diterbitkan oleh LPPM Universitas Dian Nuswantoro Semarang. Jurnal ini di bawah lisensi Creative Commons Attribution 4.0 International License.