Systematic Literature Review Implementasi Algoritma K-Means Clustering untuk Analisis Risiko Drop Out Mahasiswa pada Sistem Informasi Akademik Perguruan Tinggi

Rafi Septiawan Putra* -  UIN Syekh Ali Hasan Ahmad Addary Padangsidimpuan, Indonesia
Ade Linhar Purba -  UIN Syekh Ali Hasan Ahmad Addary Padangsidimpuan, Indonesia
Rusnai Rahayu -  UIN Syekh Ali Hasan Ahmad Addary Padangsidimpuan, Indonesia
Hasanal Fachri Satya Simbolon -  UIN Syekh Ali Hasan Ahmad Addary Padangsidimpuan, Indonesia

Abstract


Tingginya angka putus studi (drop out) di perguruan tinggi menjadi permasalahan serius dalam pengelolaan pendidikan tinggi. Sistem Informasi Akademik (SIAKAD) menghasilkan data akademik dalam jumlah besar yang dapat dimanfaatkan untuk mendeteksi risiko drop out melalui pendekatan data mining. Salah satu algoritma yang paling banyak digunakan adalah K-Means Clustering. Penelitian ini bertujuan untuk melakukan Systematic Literature Review (SLR) terhadap implementasi algoritma K-Means dalam analisis risiko drop out mahasiswa. Metode SLR menggunakan pendekatan PRISMA dengan rentang literatur tahun 2015–2025. Hasil seleksi diperoleh 18 artikel yang terdiri dari jurnal nasional dan internasional. Hasil analisis menunjukkan bahwa K-Means efektif dalam mengelompokkan mahasiswa menjadi kategori risiko rendah, sedang, dan tinggi berdasarkan variabel akademik seperti IPK, kehadiran, jumlah SKS, dan status pembayaran. Selain itu, penelitian menunjukkan bahwa integrasi K-Means dengan metode Decision Tree, C4.5, dan Silhouette Score dapat meningkatkan akurasi klasifikasi. Kesimpulannya, algoritma K-Means memiliki kontribusi signifikan dalam sistem peringatan dini (early warning system) untuk mencegah drop out mahasiswa.
Keywords: K-Means, Drop Out, Data Mining, Sistem Informasi Akademik, SLR

Full Text:

PDF

References


Akbar, I., Samad, I., Rahmat, R., & Rosmiana, S. (2025). Data mining analysis of K-means algorithm and decision tree for early detection of students at risk of dropping out. Journal of Informatics, Information System, Software Engineering and Applications, 7(2), 148–162. https://doi.org/10.20895/inista.v7i2.1630

Anwar, S., & Hidayat, T. (2025). Application of K-Means and machine learning for student dropout prediction. International Journal of Multidisciplinary Studies, 4(5), 1–10.

Buulolo, E., & Sihotang, H. (2019). Application of K-Means clustering in student data grouping. Jurnal Informatika, 13(2), 77–85.

Chen, Y., Zhang, L., & Liu, H. (2023). Student dropout prediction using clustering methods. Educational Data Mining Journal, 15(3), 210–220.

Hidayat, H., et al. (2022). Academic performance clustering using K-Means algorithm. Jurnal Sistem Informasi, 18(2), 89–98.

Ikotun, A. M., Ezugwu, A. E., & Abualigah, L. (2023). K-means clustering: A comprehensive review. Information Sciences, 622, 502–528. https://doi.org/10.1016/j.ins.2023.01.016

Kamila, A., et al. (2021). Systematic literature review of K-Means clustering in education data mining. Jurnal Informatika Edukasi, 5(1), 33–42.

Liu, X., Wang, J., & Zhao, Y. (2024). Academic analytics using machine learning methods. IEEE Access, 12, 112233–112245.

Pratama, A., & Sari, D. (2025). Implementation of K-Means clustering for academic performance analysis. Jurnal Sistem Informasi Pendidikan, 11(2), 45–56.

Qusyairi, M., Hidayatullah, Z., & Sandi, A. (2024). K-Means clustering with elbow method for student performance grouping. Infotek Jurnal Informatika dan Teknologi, 7(2), 500–510.

Rahmah, S., Jamil, M., & Saputra, Y. F. (2025). Clustering academic performance using K-Means algorithm. Jurnal Pendidikan Informatika, 3(4), 1–12.

Sari, N., & Wibowo, A. (2024). Student dropout prediction using data mining techniques. Jurnal Teknologi Informasi, 9(1), 22–30.

Tumbilung, F., et al. (2025). Analysis of student dropout risk using K-Means clustering algorithm. Jurnal Teknologi Informasi dan Pendidikan, 9(1), 15–24.

Widodo, A., & Nugroho, A. (2017). Data mining for academic performance clustering. Journal of Information Systems, 11(1), 15–23.

Yunita, R. (2018). Implementation of K-Means clustering for student data analysis. Jurnal Teknologi dan Sistem Informasi, 4(2), 55–63.

Zhang, T., et al. (2023). Educational data mining using clustering techniques. Computers & Education, 190, 104608.


Refbacks

  • There are currently no refbacks.