KLASTERISASI ALGORITMA K-MEANS PADA KEPUASAN MAHASISWA TERHADAP DOSEN FAKULTAS TEKNOLOGI INFORMASI UNIVERSITAS BUDI LUHUR

Penulis

  • Dewinta Kusuma Putri Universitas Budi Luhur
  • Hendri Irawan Universitas Budi Luhur

Kata Kunci:

Klasterisasi, K-Means, Kepuasan Mahasiswa

Abstrak

Kepuasan mahasiswa dengan mutu pelayanan dalam proses pembelajaran memiliki keterkaitan yang kuat. Semakin berkualitas mutu pelayanan, maka semakin tinggi pula pencapaian kepuasan mahasiswa. Perguruan tinggi harus mengidentifikasi kebutuhan para mahasiswa secara cermat dan berusaha memuaskan dengan memandang bahwa mahasiswa sebagai pelanggan utama yang harus dilayani. Fakultas Teknologi Informasi Universitas Budi Luhur berkomitmen secara berkelanjutan untuk melayani mahasiswa di bidang pendidikan khususnya pengajaran dosen tiap semester. Permasalahan penelitian ini yaitu belum adanya tingkat kepuasan mahasiswa terhadap dosen berdasarkan pengelompokkan penilaian dosen. Tujuan dalam penelitian ini yaitu untuk dapat mengelompokkan karakteristik kepuasan mahasiswa terhadap dosen mengajar pada Fakultas Teknologi Informasi Universitas Budi Luhur. Metode yang digunakan pada data tersebut yaitu penerapan data mining. Dalam hal ini penulis mengelompokkan data penilaian mengajar dosen pada tahun akademik gasal 2018/2019 sampai dengan gasal 2022/2023 (9 semester) dengan teknik clustering menggunakan algoritma K-Means. Hasil dari penelitian ini menunjukkan bahwa algoritma K-Means dapat menentukan 4 (empat) cluster yang optimal yang karakteristik dapat dilihat berdasarkan jumlah rata-rata nilai dosen berdasarkan kepuasan mahasiswa yang mengisi kuesioner dosen dengan 9 elemen penilaian yaitu cluster satu dengan total 76 items dengan rata-rata 3,36 hingga 3,53, cluster dua dengan total 53 items dengan nilai rata-rata 3,52 hingga 3,84, cluster tiga dengan total 1 items dengan nilai rata-rata 2,89, dan cluster empat dengan total 36 items dengan nilai rata –rata 3,09 hingga 3,35. Hasil tersebut dapat dilihat pada jumlah rata-rata nilai dosen berdasarkan kepuasan mahasiswa yang mengisi kuesioner dosen dengan 9 elemen penilaian dan dapat disimpulkan bahwa cluster dosen sangat baik yaitu ada pada cluster 4, dosen baik ada pada cluster 2, dosen cukup baik ada pada cluster 1 dan dosen kurang baik ada pada cluster 3. Dengan nilai Davies Bouldin (DB) terbaik sebesar 0,646.

Referensi

Y. Ardilla et al., DATA MINING DAN APLIKASINYA. Bandung: Penerbit Widina, 2021. [Online]. Available: https://books.google.co.id/books?id=53FXEAAAQBAJ

L. Muflikhah, D. E. Ratnawati, and R. R. MP, Data Mining. Malang: Universitas Brawijaya Press, 2018. [Online]. Available: https://books.google.co.id/books?id=V%5C_NqDwAAQBAJ

P. Suwito and Henny, “Clustering Penilaian Dosen Berdasarkan Indeks Kepuasan Mahasiswa,” J. Sist. Inf. dan Tek. Komput., vol. 6, no. 2, pp. 122–127, 2021.

B. Parlambang and Fauziah, “Implementasi Algoritma K-Means Dalam Proses Penilaian Kuesioner Kepada Dosen Guna Mendukung Kepuasan Mahasiswa Terhadap Dosen,” J. Ilm. Teknol. dan Rekayasa, vol. 25, no. 2, pp. 161–173, 2020, doi: 10.35760/tr.2020.v25i2.2719.

A. P. Nanda, D. E. H. Pramono, and S. Hartati, “Menentukan Tingkat Kepuasan Mahasiswa Terhadap Pelayanan Akademik Menggunakan Metode Algoritma K-Means,” J. Sist. Inf. dan Telemat., vol. 11, no. 1, pp. 23–28, 2020.

A. Arif, D. Sulaiman, and R. D. Christyanti, “Tingkat Kepuasan Mahasiswa Terhadap Pelayanan Dosen Pendidikan Agama Islam Menggunakan Fuzzy C-Means (Studi Kasus Di Universitas Kaltara),” J. Ilm. Teknol. Inf. Asia, vol. 16, no. 1, pp. 1–8, 2022, [Online]. Available: https://jurnal.stmikasia.ac.id/index.php/jitika/article/view/649

R. E. Pawening, “Algoritma K-Means untuk Mengukur Kepuasan Mahasiswa Menggunakan E-Learning,” J. Technol. Informatics, vol. 3, no. 1, pp. 27–33, 2021, doi: 10.37802/joti.v3i1.201.

M. A. Hasanah, S. Soim, and A. S. Handayani, “Implementasi CRISP-DM Model Menggunakan Metode Decision Tree dengan Algoritma CART untuk Prediksi Curah Hujan Berpotensi Banjir,” J. Appl. Informatics Comput., vol. 5, no. 2, pp. 103–108, 2021, doi: 10.30871/jaic.v5i2.3200.

E. A. Novia, W. I. Rahayu, and C. Prianto, Sistem Perbandingan Algoritma K-Means Dan Naive Bayes Untuk Memprediksi Prioritas Pembayaran Tagihan Rumah Sakit Berdasarkan Tingkat Kepentingan. Bandung: Kreatif Industri Nusantara, 2020. [Online]. Available: https://books.google.co.id/books?id=MND9DwAAQBAJ

R. K. Dinata, H. Novriando, N. Hasdyna, and S. Retno, “Reduksi Atribut Menggunakan Information Gain,” J. Edukasi dan Penelit. Inform., vol. 6, no. 1, pp. 48–53, 2020, doi: 10.26418/jp.v6i1.37606.

Unduhan

Diterbitkan

11-10-2023

Cara Mengutip

Kusuma Putri, D., & Irawan, H. (2023). KLASTERISASI ALGORITMA K-MEANS PADA KEPUASAN MAHASISWA TERHADAP DOSEN FAKULTAS TEKNOLOGI INFORMASI UNIVERSITAS BUDI LUHUR. Prosiding Seminar Nasional Mahasiswa Fakultas Teknologi Informasi (SENAFTI), 2(2), 513–520. Diambil dari https://senafti.budiluhur.ac.id/index.php/senafti/article/view/788

Terbitan

Bagian

Artificial Intelligence

Artikel paling banyak dibaca berdasarkan penulis yang sama