tugas

Tugas 2: Analisis Klastering dan Segmentasi Data Mahasiswa Menggunakan K-Means

Tugas 2: Analisis Klastering dan Segmentasi Data Mahasiswa Menggunakan K-Means

Penerapan algoritma unsupervised learning K-Means Clustering pada dataset nilai capaian akademik mahasiswa untuk mengelompokkan profil performa belajar mahasiswa secara objektif.

1. Alur Kerja Algoritma K-Means

  1. Pra-pemrosesan Data: Pembersihan fitur, penanganan nilai hilang, dan penyesuaian skala metrik (standardization / MinMax scaling) agar rentang antar variabel memiliki bobot seimbang.
  2. Inisialisasi Titik Pusat (Centroid): Menentukan KK klaster awal menggunakan metode acak terdistribusi atau pendekatan K-Means++.
  3. Pengukuran Jarak Euklidian: Menghitung jarak setiap titik data ke masing-masing centroid:
d(x,ck)=∑j=1m(xj−ckj)2d(x, c_k) = \sqrt{\sum_{j=1}^m (x_j - c_{kj})^2}
  1. Pembaruan Posisi Centroid: Menghitung kembali posisi centroid baru berdasarkan nilai rata-rata (mean) seluruh anggota klaster tersebut:
ck=1∣Sk∣∑xi∈Skxic_k = \frac{1}{|S_k|} \sum_{x_i \in S_k} x_i
  1. Kriteria Konvergensi: Iterasi berhenti saat pergeseran posisi centroid berada di bawah ambang batas toleransi ϵ\epsilon atau keanggotaan klaster tidak lagi berubah.

2. Berkas Tugas Terlampir

  • Jupyter Notebook eksperimen: kmeans_kk_rev.ipynb yang mendokumentasikan pemuatan dataset, kalkulasi perulangan jarak, visualisasi scatter plot sebaran klaster, dan evaluasi Elbow Method.
  • Dataset nilai mahasiswa: Data_Nilai_Mahasiswa_cutName_25data.csv yang digunakan sebagai sampel uji klastering.

Attachments

Back to Academics