Identifikasi Anomali Data Akademik Menggunakan Dbscan Outlier Detection

Abstract

DBSCAN (Density Based Spatial Klastering of Aplikasi dengan Noise) adalah salah satu algoritma pengelompokan berbasis kepadatan. Pada penelitian ini memakai data akademik. Dengan mencari kelas atau klaster ideal pada metode DBSCAN terdapat banyak cara dalam menentukan hal tersebut. Salah satunya dengan metode Elbow. Hasil dari ini akan dijadikan dasar penentuan jumlah klaster dalam melakukan proses clustering dengan metode DBSCAN. Adanya outlier pada dataset sering dianggap sebagai salah perhitungan, oulier dapat membawa informasi yang signifikan atau informasi penting tidak ada pada data pengamatan yang dikumpulkan. Lebih parah lagi, outlier ini dapat berpengaruh pada pengambilan kesimpulan penelitian ingin di dapat berupa anomali. Clustering bisa digunakan sebagai metode deteksi outlier. Studi kasus ini menggunakan dataset mata kuliah inti jurusan informatika dari semester 1 sampai semester 6 pada angkatan 2014 – 2017 dengan nilai yang diambil hasil ulangan akhir semester (UAS) dan nilai akhir mata kuliah inti informatika di salah satu perguruan tinggi. Yang dimana terjadinya hasil deteksi anomali ini bisa mengetahui keberhasilan dari setiap mahasiswa karena dengan adanya deteksi ini bisa melihat hasil klaster mengarah pada titik yang baik atau mengarah pada titik yang kurang baik.Serta dapat mengevaluasi hasil dan memperbaiki pelajaran untuk keragaman penilaian mahasiswa yang berbeda.