Hasil Pencarian  ::  Simpan CSV :: Kembali

"Kinerja mahasiswa adalah bagian penting dari suatu perguruan tinggi. Hal ini dikarenakan salah satu kriteria  perguruan tinggi yang berkualitas didasarkan pada  prestasi akademik yang baik. Tahun pertama perkuliahan adalah periode mahasiswa untuk meletakkan dasar atau fondasi yang selanjutnya akan mempengaruhi keberhasilan akademik karena tahun pertama memainkan peran penting dalam membentuk sikap dan kinerja siswa di tahun-tahun berikutnya. Pada Penelitian ini, pendekatan Semi-supevised Learning digunakan dalam mengklasifikasi kinerja mahasiswa tahun pertama di Departemen Matematika, Universitas Indonesia. Kinerja Mahasiswa dibagi menjadi dua kategori, yaitu sedang dan tinggi. Sampel pada penelitian ini adalah 140 mahasiswa tahun pertama dengan menggunakan 27 fitur. Ada dua proses yang digunakan, yaitu proses clustering dan klasifiksi. Pada proses clustering, mahasiswa dibagi menjadi tiga cluster/kelompok menggunakan K-Means Clustering. Sedangkan dalam proses klasifikasinya menggunakan Naïve Bayes Classifier. Kinerja algoritma yang diusulkan menghasilkan nilai akurasi 96.67% dan sensitifitas 94.44%.

---

Students performance is an essential part of a higher learning institution because one of the criteria for a high-quality university is based on its excellent record of academic achievements. The first- year of the lecture is the student period in laying the foundation that will affect academic success because first-year plays an important role in shaping the attitudes and performance of students in the following years. In this study, a semi-supervised learning approach is used to classify the performance of first-year students in the Department of Mathematics, Universitas Indonesia. Student performance will be divided into two categories, namely medium and high. The sample in this study consist of 140 first-year students with 27 features. There are two processes used i.e. clustering and the classification process. In the clustering process, the data is divided into three clusters using K-Means Clustering and the Naïve Bayes Classifier is chosen to classify it. The performance of the proposed algorithms is stated by accuracy and sensitivity value i.e. 96.67% and 94.44% respectively."

"Makalah ini mcmbahas tentang pengelompokan data melalui metoda K-Muans Clustering. Hasil penjgelompokan metoda tersebut digunakan untuk memetakan data rataan nilai UMPTN IPA per kabupaien/kodya di seluruh Indonesia, dengan menggunakan Arc-View GIS versi 3.1. Dari hasil pemetaan tersebut diharapkan data yang merupakan rataan nilai UMPTN IPAtlersebut akan Iebih mudah dan menarik untuk dibaca. Terutama bagi pengambil kebijakan dalam dunia pendidikan. Dengan melihai hasil pemetaan tersebut diharapkan mereka bisa meningkatkan kualilas pendidikan atau melakukan perbaikan-perbaikan dalam dunia pcndidikan di Indonesia secara global, sesuai dengan kualitas pcndidikannya"

"Pertumbuhan pemanfaatan internet telah meningkatkan perhatian terhadap keamanan data. Pada tahun 2014, Projek SHINE (SHodan Intelligence Extraction) telah menerbitkan laporan penilaian keamanan skala besar untuk perangkat yang terhubung ke Internet. Namun, berdasarkan laporan tersebut, jumlah informasi mengenai IP address Indonesia yang berhasil didapatkan masih sedikit. Terdapat sebanyak 7.182 IP address dari Indonesia, yaitu sekitar 0,0032% dari total 2.186.971 IP address yang berhasil dikumpulkan oleh Projek SHINE. Dalam penulisan tesis ini, penulis mengajukan inisiatif untuk melakukan analisis kerentanan semua informasi Autonomous System Number (AS Number) di Indonesia dari Shodan. Penulis telah menyusun dataset semua informasi AS Number di Indonesia antara lain 12.787 port, 79 sistem operasi, 409 produk, 3.634 domain, 145.543 IP address, dan 790 organisasi. Penulis menggunakan algoritma K-Means clustering untuk mengelompokkan AS Number ke dalam beberapa kelas sesuai dengan tingkat paparan di shodan. Berdasarkan hasil pengelompokan, penulis mendapatkan 4 kelas AS Number antara lain 1.075 AS Number di kelas: 0 (belum terdapat informasi mengenai AS Number tersebut di Shodan), 614 AS Number di kelas: 1 (tingkat paparan rendah), 9 AS Number di kelas: 2 (tingkat paparan sedang), dan 1 AS Number di kelas: 3 (tingkat paparan tinggi). Informasi ini dapat dimanfaatkan oleh Kementerian yang menangani bidang Teknologi Informasi dan Komunikasi dan Badan yang menangani Keamanan Siber di Indonesia untuk menghimbau organisasi pengelola AS Number agar mewaspadai potensi kerentanan yang dinformasikan oleh Shodan dan dimanfaatkan oleh hacker.

---

The growth of internet-enabled devices has increased interest in cybersecurity. In 2014, Project SHINE (SHodan INtelligence Extraction) published a report of large-scale security assessments for devices connected to the Internet. However, the number of IP addresses harvested from Indonesia in 2014 is very small. There were 7.182 IP address from Indonesia. It was about 0,0032% from the total 2.186.971 IP addresses. In this paper, we propose an initiative to gather all information for all Autonomous System Number (AS Number) from Indonesia in Shodan. We have gathered a dataset about all information of AS Numbers in Indonesia such as 12.787 unique ports, 79 unique operating systems, 409 unique products, 3.634 unique domains, 145.543 unique IP addresses, and 790 unique organizations. We use the K-Means algorithm to cluster all AS Numbers into several classes according to the exposure level in shodan. Based on the result, we have 4 classes of AS Numbers. There are 1.075 AS Numbers in class:0 (no information in Shodan yet), 614 AS Numbers in class:1 (exposure level = low), 9 AS Numbers in class:2 (exposure level = medium), and 1 AS Number in class:3 (exposure level = high). This information can be used to warn the organizations that manage AS Numbers in Indonesia to be aware of the security and the threats to their systems."

"[ABSTRAKBerdasarkan data WHO tahun 2014, diperkirakan sekitar 15 juta orang di duniayang terinfeksi hepatitis B (HBsAg+) juga terinfeksi hepatitis D. Infeksi hepatitisD dapat terjadi bersamaan (koinfeksi) atau setelah seseorang terkena hepatitis Bkronis (superinfeksi). Penyakit hepatitis B disebabkan oleh virus HBV danpenyakit hepatitis D disebabkan oleh virus HDV. HDV tidak dapat hidup tanpaHBV. Hepatitis D erat hubungannya dengan infeksi virus HBV, sehingga sangatrealistis bila setiap usaha pencegahan terhadap hepatitis B, maka secara tidaklangsung mencegah hepatitis D. Pada tesis ini akan dibahas bagaimana hasilpengelompokan barisan DNA HBV menggunakan algoritma k-means clusteringdengan menggunakan perangkat lunak R. Dimulai dengan mengumpulkan barisanDNA HBV yang diambil dari GenBank, kemudian dilakukan ekstraksi cirimenggunakan n-mers frequency, dan hasil ekstraksi ciri barisan DNA tersebutdikumpulkan dalam sebuah matriks dan dilakukan normalisasi menggunakannormalisasi min-max dengan interval [0, 1] yang akan digunakan sebagai datamasukan. Jumlah cluster yang dipilih dalam penelitian ini adalah dua danpenentuan centroid awal dilakukan secara acak. Pada setiap iterasi dihitung jarakmasing-masing objek ke masing-masing centroid dengan menggunakan Euclideandistance dan dipilih jarak terpendek untuk menentukan keanggotaan objek disuatu cluster sampai akhirnya terbentuk dua cluster yang konvergen. Hasil yangdiperoleh adalah virus HBV yang berada pada cluster pertama lebih ganasdibanding virus HBV yang berada pada cluster kedua, sehingga virus HBV padacluster pertama berpotensi berevolusi dengan virus HDV menjadi penyebabpenyakit hepatitis D.

---

ABSTRACTBased on WHO data, an estimated of 15 millions people worldwide who areinfected by hepatitis B (HBsAg+) are also infected by hepatitis D. Hepatitis Dinfection can occur simultaneously with hepatitis B (co infection) or after a personis exposed to chronic hepatitis B (super infection). Hepatitis B is caused by theHBV virus and hepatitis D is caused by HDV virus. HDV can not live withoutHBV. Hepatitis D virus is closely related to HBV infection, hence it is reallyrealistic that every effort of prevention against hepatitis B can indirectly preventhepatitis D. This thesis discussed the clustering of HBV DNA sequences by usingk-means clustering algorithm and R programming. Clustering processes is startedwith collecting HBV DNA sequences that are taken from GenBank, thenperforming extraction HBV DNA sequences using n-mers frequency andfurthermore the extraction results are collected as a matrix and normalized usingthe min-max normalization with interval [0, 1] which will later be used as an inputdata. The number of clusters is two and the initial centroid selected of cluster ischoosed randomly. In each iteration, the distance of every object to each centroidare calculated using the Euclidean distance and the minimum distance are selectedto determine the membership in a cluster until two convergent clusters are created.As the result, the HBV viruses in the first cluster is more virulent than the HBVviruses in the second cluster, so the HBV viruses in the first cluster can potentiallyevolve with HDV viruses that cause hepatitis D., Based on WHO data, an estimated of 15 millions people worldwide who areinfected by hepatitis B (HBsAg+) are also infected by hepatitis D. Hepatitis Dinfection can occur simultaneously with hepatitis B (co infection) or after a personis exposed to chronic hepatitis B (super infection). Hepatitis B is caused by theHBV virus and hepatitis D is caused by HDV virus. HDV can not live withoutHBV. Hepatitis D virus is closely related to HBV infection, hence it is reallyrealistic that every effort of prevention against hepatitis B can indirectly preventhepatitis D. This thesis discussed the clustering of HBV DNA sequences by usingk-means clustering algorithm and R programming. Clustering processes is startedwith collecting HBV DNA sequences that are taken from GenBank, thenperforming extraction HBV DNA sequences using n-mers frequency andfurthermore the extraction results are collected as a matrix and normalized usingthe min-max normalization with interval [0, 1] which will later be used as an inputdata. The number of clusters is two and the initial centroid selected of cluster ischoosed randomly. In each iteration, the distance of every object to each centroidare calculated using the Euclidean distance and the minimum distance are selectedto determine the membership in a cluster until two convergent clusters are created.As the result, the HBV viruses in the first cluster is more virulent than the HBVviruses in the second cluster, so the HBV viruses in the first cluster can potentiallyevolve with HDV viruses that cause hepatitis D.]"

"Education has evolved with the rise of electronic learning applications and websites, necessitating students to adapt to a new learning style, exemplified by SCeLE, the learning management system (LMS), based on Moodle, for the Faculty of Computer Science at Universitas Indonesia. By analyzing SCeLE log data across three courses—APAP, CAI, and DAA—and applying the K-Means clustering algorithm, four distinct student behavior patterns emerged: quality students, daily observers, deadliners, and at-risk students. These patterns are evaluated using three key metrics: session intensity, frequency of access, and engagement in interactive activities like assignment submissions and quizzes. The findings reveal that course design and integration of SCeLE features significantly influence student participation. APAP and CAI, with structured weekly tasks and active use of SCeLE tools, foster higher engagement, while DAA struggles with limited interactivity and a heavy content load. Although students generally view SCeLE as a useful learning supplement, the platform's inconsistent use across courses and limited interactive features hinder its full potential.

---

Pendidikan telah berkembang dengan munculnya aplikasi dan situs pembelajaran elektronik, yang mengharuskan siswa untuk beradaptasi dengan gaya belajar baru, seperti yang ditunjukkan oleh SCeLE, sistem manajemen pembelajaran (LMS) berbasis Moodle di Fakultas Ilmu Komputer Universitas Indonesia. Dengan menganalisis data log SCeLE dari tiga mata kuliah—APAP, CAI, dan DAA—dan menerapkan algoritma K-Means clustering, ditemukan empat pola perilaku siswa yang berbeda: quality students, daily observers, deadliner, dan at-risk students. Pola-pola ini dievaluasi menggunakan tiga metrik utama: intensitas sesi, frekuensi akses, dan keterlibatan dalam aktivitas interaktif seperti pengumpulan tugas dan kuis. Temuan menunjukkan bahwa desain mata kuliah dan integrasi fitur SCeLE sangat mempengaruhi partisipasi siswa. APAP dan CAI, dengan tugas mingguan terstruktur dan penggunaan aktif alat SCeLE, mendorong keterlibatan yang lebih tinggi, sementara DAA menghadapi kesulitan dengan interaktivitas yang terbatas dan beban konten yang berat. Meskipun siswa umumnya memandang SCeLE sebagai pelengkap pembelajaran yang berguna, penggunaan platform yang tidak konsisten di berbagai mata kuliah dan fitur interaktif yang terbatas menghambat potensi penuhnya."

"Penerapan algoritma partisi k-means dalam metode HOPACH clustering dalam penelitian ini dilakukan untuk mengelompokkan barisan DNA virus ebola. Proses dimulai dengan mengumpulkan barisan DNA virus ebola yang diambil dari GenBank, kemudian dilakukan ekstraksi ciri menggunakan n-mers frequency. Hasil ekstraksi ciri barisan DNA tersebut dikumpulkan dalam sebuah matriks dan dilakukan normalisasi menggunakan normalisasi min-max dengan interval [0, 1] yang akan digunakan sebagai data masukan. Hasil pengelompokan barisan DNA virus ebola pada penelitian ini diperoleh 8 kelompok dengan nilai MSS (Mean Split Silhouette) minimum 0,50266. Proses clustering pada penelitian ini menggunakan program open source R.

---

The implementation of k-means partitioning algorithm in HOPACH clustering method in this thesis is used to clustering DNA sequences of ebola viruses. The clustering process is started with collecting DNA sequences of ebola viruses that are taken from GenBank, then performing the extraction of DNA sequences using n-mers frequency. The extraction results are collected as a matrix and normalized using the min-max normalization with interval [0, 1] which will be used as an input data. As the results, we obtained 8 clusters with minimum MSS (Mean Split Silhouette) 0,50266. The clustering process in this thesis is using the open source program R."

"Segmentasi dalam dunia medis sudah menjadi suatu hal yang penting untuk menentukan diagnosa awal dari suatu penyakit, misalnya timbulnya tumor pada organ-organ tubuh yang berukuran kecil dan sulit teramati oleh mata telanjang. Namun, jika segmentasi dilakukan secara manual dan tradisional akan membutuhkan waktu yang banyak serta menyebabkan hasil yang tidak konsisten. Oleh karena itu, dibutuhkannya segmentasi secara otomatis yang dapat membantu dokter tidak hanya dalam mengetahui keberadaan tumor, melainkan juga dapat mengkuantifikasi ukuran tumor. Dalam penelitian ini, segmentasi otomatis dengan machine learning diterapkan menggunakan metode clustering K-Means pada fantom ekuivalen hati berbentuk silinder. Fantom ekuivalen terbuat dari material tepung beras dan lilin, yang kemudian diinjeksikan dengan radioaktivitas 18F-FDG sebesar 1,89 µCi/mL. Pengolahan citra fantom dilakukan dengan pesawat PET/CT Siemens Biograph menggunakan metode rekonstruksi Iterative 3D dan True-X serta 2 filter (Gaussian dan Butterworth). Akurasi deteksi algoritma K-Means menunjukkan bahwa dapat optimal pada tiga tipe pemindaian dengan terdeteksinya seluruh objek pada citra fantom. Namun, hal tersebut terkecualikan pada filter Gaussian dengan metode rekonstruksi Iterative 3D karena algoritma K-Means tidak dapat mendeteksi objek terkecil (4 mm) pada kedua wilayah fantom. Indikasi tidak terdeteksinya objek terkecil, dapat disebabkan oleh kinerja algoritma yang mengelompokkan objek dengan nilai piksel yang sama. Untuk hasil kuantifikasi diameter dengan algoritma K-Means (Dp) menunjukkan bahwa, hasil ukuran diameter lebih besar ±1-3 mm dibandingkan diameter fisis fantom (Dt) pada ketiga pemindaian. Namun, hal tersebut tidak berlaku pada pemindaian filter Gaussian dengan metode rekonstruksi Iterative 3D, yang memiliki kuantifikasi lebih kecil dibandingkan . Berdasarkan hasill kuantifikasi pada keempat pemindaian, ditunjukkan bahwa algoritma K-Means optimal pada filter Butterworth dengan metode rekonstruksi True-X dengan rata-rata RD untuk seluruh objek kurang dari 10%. Sehingga, untuk memvalidasi hal tersebut metode pengukuran K-Means dibandingkan dengan metode pengukuran FWHM dan FWTM dengan merata-ratakan kuantifikasi untuk setiap objek dari semua irisan. Tervalidasi bahwa algoritma K-Means memiliki performa yang optimal, dengan anilai RD yang dihasilkan hampir mendekati 0%.

---

Segmentation in medical, has become an important thing to determine the initial diagnosis of a desease, for example the emergence of tumors in organs that are small and difficult to observe manually. However, if the segmentation in medical is done manually and traditionally it will take a lot of time and cause inconsistant results. Therefore, automatic segmentation is needed which can help doctors not only by knowing the presence of tumors, but also in quantifying tumor size. In this study, automatic segmentation with machine learning was applied using the K-Means clustering algorithm method on the cylindrical liver equivalent phantom. The equivalent phantom was made from rice flour and wax, and the euqivalent phantom was injected with 18F-FDG with radioactivity 1,89 µCi/mL. The image processing was carried put using a PET/CT Siemens Biograph with Iterative 3D and True-X as reconstuction methods and 2 filters (Gaussian and Butterworth). The detection accuracy of the K-Means algorithm shows that it can be optimal in three types of scanning by detecting all objects in the phantom image. However, this is ecluded in the Gaussian filter with Iterative 3D reconstruction method, because the K-Means algorthm cannot detect the smallest object (4 mm) in both phantom regions. Indications for that phenomenon, could be caused by the performance of the algorithm that grouping the cluster with the same pixel value. For diameter quantifications of from K-Means algorithm shows that the diameter ±1-3 mm larger than the pyhsical fantom diameter (Dt). Based on the result of Dp quantification on the for type of scans, it it shown that the optimal K-Means algorithm on the Butterworth filter with the True-X reconstruction method with an average RD for all objects in phantom is less than 10%. So, to validate this result, the K-Means measurement method is compared with the FWHM and FWTM measurements methods by averaging the quantification for each object from all slices. It is validated that, the K-Means algorthm has optimal performance by reffering to the FWTM measurement where RD value is close to 0%."

"Spectral clustering adalah salah satu algoritma clustering modern yang paling terkenal. Sebagai teknik clustering yang efektif, metode spectral clustering muncul dari konsep teori graf spektral. Metode spectral clustering membutuhkan algoritma partisi. Ada beberapa metode partisi termasuk PAM, SOM, Fuzzy c-means, dan k-means. Berdasarkan penelitian yang telah dilakukan oleh Capital dan Choudhury pada 2013, ketika menggunakan Euclidian distance, k-means memberikan akurasi yang lebih baik dibandingkan dengan algoritma PAM. sehingga, makalah ini menggunakan algoritma k-means. Keuntungan utama dari spectral clustering adalah mengurangi dimensi data, terutama dalam hal ini untuk mengurangi dimensi yang besar dari data microarray. Microarray data adalah chip berukuran kecil yang terbuat dari slide kaca yang berisi ribuan bahkan puluhan ribu jenis gen dalam fragmen DNA yang berasal dari cDNA. Aplikasi data microarray secara luas digunakan untuk mendeteksi kanker, misalnya adalah karsinoma, di mana sel-sel kanker mengekspresikan kelainan pada gen-nya. Proses spectral clustering dimulai dengan pengumpulan data microarray gen karsinoma, preprocessing, menghitung similaritas, menghitung , menghitung nilai eigen dari , membentuk matriks , dan clustering dengan menggunakan k-means. Dari hasil pengelompokan gen karsinoma pada penelitian ini diperoleh dua kelompok dengan nilai rata-rata Silhouette maksimal adalah 0.6336247. Proses clustering pada penelitian ini menggunakan program open source R.

---

Spectral clustering is one of the most famous modern clustering algorithms. As an effective clustering technique, spectral clustering method emerged from the concepts of spectral graph theory. Spectral clustering method needs partitioning algorithm. There are some partitioning methods including PAM, SOM, Fuzzy c means, and k means. Based on the research that has been done by Capital and Choudhury in 2013, when using Euclidian distance k means algorithm provide better accuracy than PAM algorithm. So in this paper we use k means as our partition algorithm. The major advantage of spectral clustering is in reducing data dimension, especially in this case to reduce the dimension of large microarray dataset.

Microarray data is a small sized chip made of a glass plate containing thousands and even tens of thousands kinds of genes in the DNA fragments derived from doubling cDNA. Application of microarray data is widely used to detect cancer, for the example is carcinoma, in which cancer cells express the abnormalities in his genes. The spectral clustering process is started with collecting microarray data of carcinoma genes, preprocessing, compute similarity matrix, compute , compute eigen value of , compute , clustering using k means algorithm. In this research, Carcinoma microarray data using 7457 genes. The result of partitioning using k means algorithm is two clusters clusters with maximum Silhouette value 0.6336247."

"DNA adalah salah satu pembawa informasi genetik pada makhluk hidup. Sequencing dan clustering barisan DNA telah menjadi pekerjaan utama dan rutin dalam dunia biologi molekuler, khususnya dalam bidang terapan bioinformatika. Secara umum metode clustering dapat dibedakan menjadi dua, yaitu hirarki clustering dan partisi clustering. Penelitian ini menggabungkan dua metode clustering yaitu K-Means partisi clustering pada Level 1 dan DIANA hirarki clustering pada Level 2, oleh karena itu disebut Two-Level Hybrid Clustering. Proses awal dimulai dengan mengumpulkan barisan DNA HPV yang diperoleh dari NCBI National Centre for Biotechnology Information, Ekstraksi Ciri, dan Normalisasi. Kemudian melakukan proses clustering menggunakan algoritma K-Means pada Level 1 dan algoritma DIANA pada Level 2. Untuk menghitung jarak genetik antar barisan DNA HPV digunakan persamaan Euclidian Distance. Dan validitas klaster yang digunakan untuk menentukan banyaknya klaster yang optimum adalah Indeks Davies-Bouldin IDB. Hasil penerapan Two-Level Hybrid Clustering pada 1252 barisan DNA HPV adalah data dikelompokan menjadi 4 klaster dengan nilai IDB yaitu 0.859154564. Semua perhitungan dan proses clustering menggunakan software R.

---

DNA is one of the carrier of genetic information in living organisms. Sequencing and clustering DNA sequences has become the key and routine activitis in the molecular biology, in particular on bioinformatics applications. There are two type of clustering, hierarchical clustering and partitioning clustering. In this paper, we combine two type clustering proccesses including K Means partitioning clustering on Level 1 and DIANA hierarchical clustering on Level 2, therefore it called Two Level Hybrid clustering. The beginning of process is started with collecting DNA sequences of HPV from NCBI National Centre for Biotechnology Information, Characteristics Extraction, and Normalization. The next step is clustering by implementation K Means algorithm on Level 1 and DIANA algorithm on Level 2. To calculate the genetic distance we use Euclidian Distance. Moreover, in validating cluster results in order to get optimum number of clusters, we use Davies Bouldin Index DBI. The result of implementation of Two Level Hybrid Clustering on 1252 sequences of HPV is the data clustered into 4 clusters with minimal IDB value is 0.859154564. All calculating and clustering process in this paper using software R."

"Indonesia masih mengalami bonus demografi pada tahun 2020 dan diprediksi masih berlangsung pada 2038 hingga 2041. Untuk itu perlu dilakukan peningkatan kualitas sumber daya manusia Indonesia, di antaranya melalui pendidikan tinggi di luar negeri. Komponen biaya pendidikan kuliah di luar negeri penting untuk diperhatikan terutama bagi pihak-pihak yang akan memberikan bantuan biaya pendidikan pada mahasiswa yang terpilih. Penelitian ini membahas pengelompokan universitas berdasarkan empat komponen biaya pendidikan program Magister (S2) di kampus luar negeri dengan metode K-Means, serta pemetaan hasil kelompok dan peringkat universitas dengan metode Biplot. Objek penelitian ini adalah universitas di luar negeri berdasarkan QS World University Rankings (WUR) 2020. Berdasarkan hasil penelitian yang didapatkan terdapat tiga kelompok dengan nilai Silhouette sebesar 0.39. Hasil pengelompokan terdiri dari kelompok A (merah) sebanyak 302 universitas, kelompok B (oranye) sebanyak 110 universitas, dan kelompok C (hijau) sebanyak 478 universitas. Hasil pemetaan tiga kelompok dan peringkat universitas dengan menggunakan metode Biplot mampu menerangkan keragaman data sebesar 65.2 persen. Kelompok A (merah) cenderung memiliki kedekatan dengan variabel Visa, SPP, dan Biaya Hidup. Kelompok B (oranye) cenderung berdekatan dengan variabel Transportasi dan QS WUR 2020. Kelompok C (hijau) cenderung memiliki jarak yang jauh dengan empat variabel komponen biaya pendidikan dan QS WUR 2020.

---

Indonesia is still experiencing a demographic bonus in 2020 and is predicted to continue in 2038 to 2041. For this reason, it is necessary to improve the quality of Indonesia's human resources, including through higher education abroad. The cost of studying abroad is essential to pay attention to, especially for those who will provide tuition assistance for selected students. This study discusses the clustering of universities based on the four components of the cost of education for Masters (S2) programs at overseas campuses using the K-Means method and mapping group results and university rankings using the Biplot method. The object of this research is universities abroad based on the QS World University Rankings (WUR) 2020. Based on the research results, there are three clusters with Silhouette value are 0.39. The clustering result consisted of cluster A (red) with 302 universities, cluster B (orange) with 110 universities, and cluster C (green) with 478 universities. The results of mapping the three clusters and university rankings using the Biplot method were able to explain the diversity of the data by 65.2 percent. The cluster A (red) tends to have closeness to the Visa, Tuition Fee, and Cost of Living variables. The cluster B (orange) tends to be close to the Transportation variable and QS WUR 2020. The cluster C (green) tends to have a long-distance with the four component variable costs of education and QS WUR 2020."