Universitas Terbuka (UT) adalah Perguruan Tinggi Negeri yang didirikan dengan tujuan antara lain untuk memberikan kesempatan kepada warga Indonesia di mana pun mereka berada, yang karena suatu dan lain hal tidak dapat mengikuti
pendidikan tinggi tatap muka. UT menerapkan sistem belajar jarak jauh dan terbuka. Jarak jauh berarti proses belajar mengajar tidak dilaksanakan secara tatap muka melainkan menggunakan media baik cetak maupun non cetak. Terbuka,
berarti tidak ada pembatasan usia, tahun ijazah, masa belajar, waktu registrasi,frekwensi mengikuti ujian, dan sebagainya. Batasan yang ada hanyalah bahwa setiap mahasiswa UT harus sudah menamatkan jenjang pendidikan menengah atas. Keterbukan yang ditawarkan UT berdampak pada besamyajumlah mahasiswa UT.Sayangnya jumlah mahasiswa yang berstatus non aktif juga besar. Sesungguhnya penelitian yang terkait dengan mahasiswa non aktif sudah banyak dilakukan,termasuk cara penanganannya. Namun penanganan yang selama ini diusulkan memperlakukan semua mahasiswa non aktif ditangani dengan cara yang relatif sama tanpa mempertimbangkan karakteristik yang mereka miliki. Akibatnya,program pelayanan penanganan mahasiswa non aktif menjadi kurang efektif dan efisien. Penelitian ini dimaksudkan untuk menggali informasi penting yang
tersimpan di dalam basis data mahasiswa non aktif UT, menemukan kelompok-kelompok berdasarkan karakteristik yang mirip dan mengenali karakteristik kelompok-kelompok tersebut. Informasi tersebut dapat digunakan oleh pihak
institusi untuk menyusun dan mengembangkan program pelayanan secara lebih tepat, efektif dan efisien. Faktor yang diamati dalam penelitian ini meliputi
demografi, Jatar belakang pendidikan, dan prestasi akademik.
Metode data mining yang dapat digunakan untuk menemukan dan
menganalisis karakteristik data adalah analisis klaster. Analisis klaster
mengelompokkan data berdasarkan kemiripan atribut dari data objek sedemikian
sehingga data objek yang berada di dalam klaster yang sama memiliki kemiripan
satu sama lain tetapi mereka tidak mirip dengan data objek yang berada dalam
klaster yang lainnya. Proses dimulai dengan pengumpulan data. Data input yang
didapat, hams melalui praproses untuk memperoleh data yang bersih dan sesuai
dengan kebutuhan penelitian. Proses berikutnya adalah data mining. Teknik data
mining yang digunakan dalam penelitian ini adalah analisis klaster dengan
menerapkan a!goritma klastering yang dikemb<mgkan untuk memproses data
dengan tipe campuran, yaitu algoritma algCEBMDC, suatu algoritma klastering
dengan pendekatan cluster ensemble. Proses klastering dilakukan dalam tiga tahap:
tahap pertama, klastering terhadap data kategori menggunakan algoritma QROCK,
tahap kedua klastering terhadap data numerik menggunakan algoritma AGNES,
dan tahap ketiga klastering terhadap data yang diperoleh dari gabungan hasil dari
proses klastering tahap pertama dan klastering tahap kedua menggunakan
algoritma QROCK. Pada setiap tahapan dilakukan evaluasi untuk memperoleh
hasil klastering terbaik. Evaluasi yang digunakan pada proses klastering tahap pertama dan ketiga adalah ukuran nilai kohesi, sedangkan evaluasi yang digunakan
pada proses klastering tahap kedua adalah ukuran nilai cophenet.
Klastering terhadap data kategori dilakukan dengan sebelas variasi nilai
threshold: 0,90, 0,91 , 0,92, 0,93 , 0,94, 0,95 , 0,96, 0, 97, 0,98, 0,99, dan 1,0.
Hasil klastering terbaik diperoleh pada threshold 0,98, menghasilkan 44 klaster.
Klaster-klaster yang dihasilkan oleh klastering data kategori memiliki karakteristik
yang dipengaruhi oleh pendidikan akhir, status pekerjaan, status perkawinan, dan
jenis kelamin mahasiswa. Sedangkan jurusan asal dan UPBJJ tidak mempengaruhi
karakteristik klaster yang dihasilkan. Dengan kata lain, dua objek akan berada
dalam klaster yang sama hanya jika memiliki kesamaan pendidikan akhir, status
pekerjaan, status perkawinan, dan jenis kelamin, tetapi dapat memiliki jurusan asal
dan/atau UPBJJ yang tidak sama. Sebaliknya, walaupun jurusan asal dan/atau
UPBJJ sama tetapi jika salah satu dari pendidikan akhir, status pekerjaan, status
perkawinan, atau jenis kelamin tidak sama, maka kedua objek dipastikan akan
berada dalam klaster yang berbeda.
Klastering terhadap data numerik menggunakan Eucliden distance dan
Cityblock distance sebagai ukuran jarak antar objek, dan metode penggabungan
Single link, Complete link, dan Average link sebagai ukuran jarak antar klaster.
Terdapat 6 kemungkinan kombinasi ukuran jarak antar objek dan metode
penggabungan antar klaster yang digunakan sebagai input dari algoritrna AGNES.
Dari keenam kombinasi tersebut, hasil klastering terbaik, dengan nilai cophenet
tertinggi 0.822, diperoleh dari kombinasi ukuran jarak Cityblock distance dan
metode penggabungan Average link. Dendrogram dari hasil klastering terbaik
dipotong pada jarak 2,8, dan menghasilkan 69 klaster. Dengan dipotongnya
dendrogam pada jarak 2,8, berarti jarak antar objek dalam masing-masing klaster
yang dihasilkan, tidak Jebih dari 2,8. Secara umum, hasil klastering data numerik
menunjukkan bahwa lebih dari 78% mahasiswa non aktif belajar di UT hanya
selama dua semester. Tingkat kelulusan matakuliah dalam dua semester pertama
sangat rendah, hal ini ditunjukkan dengan rendahnya SKS dan IPK yang dicapai.
Data gabungan dibangun dari irisan enam klaster besar basil klastering data
kategori dan enam klaster besar basil klastering data numerik. Klastering data
gabungan dilakukan dengan lima variasi nilai threshold: 0,6, 0,7, 0,8, 0,9 dan 1,0.
Has it klastering terbaik data gabungan diperoleh pada threshold 1 ,0. Setelah
melalui tiga tahapan proses klastering, mahasiswa non aktif UT terbagi ke dalam
35 kelompok dimana anggota masing-masing kelompok memiliki kesamaan
karakteristik di dalam kelompoknya, yang berbeda dengan karakteristik yaog
dimiliki oleh anggota dari kelompok Jain. Kelompok kelompok yang terbentuk,
memiliki persamaan karakteristik pada pendidikan terakhir, status pekerjaan, status
perkawinan, dan jenis kelamin. Dapat dikatakan bahwa karakterist!k klaster yang
terbentuk dipengaruhi oleh faktor pendidikan terakhir, status pekerjaan, status
perkawinan, danjenis kelamin. Faktor yang Jain tidak mempengaruhi terbentuknya
klaster. Faktor prestasi akademik menunjukkan hasil yang sama dengan basil
klastering data numerik, bahwa dua semester pertama merupakan masa kritis bagi
mahasiswa UT. Tingkat kelulusan matakuliah dan perolehan IPK pada dua
semester pertama sangat rendah. Mahasiswa non aktif mengikuti perkuliahan di
UT hanya selama dua semester.
Hasil pengelompokan ini seharusnya dapat digunakan oleh manajemen UT
sebagai dasar untuk membuat program pe;tanganan terhadap mahasiswa non aktiflebih tepat dan efisien. Karakteristik kelompok tertentu yang dihasilkan, -baik
hasil klastering tahap pertama, tahap kedua, maupun hasil klastering tahap ketiga-,
dapat menjadi panduan untuk membuat rancangan penanganan pelayanan
mahasiswa, sedangkan jumlah anggota kelompok dapat dijadikan dasar untuk
mengukur besaran program pelayanan tersebut. Prioritas dapat disusun
berdasarkan urutan jumlah anggota kelompok atau berdasarkan karakteristik
kelompok yang dirasa penting dan berpotensi untuk melakukan registrasi ulang.
Dengan kata lain, adanya hasil klastering ini akan mempermudah penanganan
mahasiswa non aktif UT.