Penerapan Machine Learning Dalam Klasterisasi Perguruan Tinggi Berdasarkan Tuition Fee Dan Living Cost Mahasiswa Internasional Menggunakan Metode Gaussian Mixture Models

Abstract

Tingginya variasi tuition fee dan living cost antar perguruan tinggi di berbagai negara menjadikan proses pengambilan keputusan bagi calon mahasiswa internasional semakin kompleks. Penelitian ini menggunakan dataset dari Kaggle dengan total 1.408 data. Tahapan penelitian meliputi pengumpulan data, preprocessing dengan normalisasi Z-Score, penentuan jumlah klaster optimal menggunakan kriteria Bayesian Information Criterion (BIC) dan Akaike Information Criterion (AIC), serta estimasi parameter melalui algoritma Expectation-Maximization (EM). Penerapan metode GMM didasarkan pada karakteristiknya yang mampu memodelkan distribusi data yang kompleks dan multivariat melalui pendekatan probabilistik. Hasil penelitian menunjukkan bahwa model GMM dengan K=7, cukup efektif dalam mengidentifikasi tujuh kelompok perguruan tinggi dengan profil biaya yang berbeda dan bermakna, dengan model mencapai konvergensi pada iterasi ke-139. Temuan ini menunjukkan bahwa pendekatan soft clustering berbasis GMM cukup memadai dalam menemukan pola tersembunyi pada data biaya mahasiswa internasional yang bersifat right-skewed dan tidak simetris.