Pengelompokan Kualitas Dosen Untuk Evaluasi Kinerja Akademik Dosen Menggunakan Algoritma K-Medoids
DOI:
https://doi.org/10.35145/jmapteksi.v7i3.5623Kata Kunci:
K-Medoids, Clustering, Kualitas Dosen, Evaluasi Kinerja, Data MiningAbstrak
Kualitas dosen memiliki peran penting dalam peningkatan mutu perguruan tinggi. Oleh karena itu, diperlukan metode evaluasi yang mampu mengelompokkan kualitas dosen secara objektif dan akurat berbasis data. Penelitian ini bertujuan untuk melakukan clustering kualitas dosen di Institut Bisnis dan Teknologi Pelita Indonesia berdasarkan indikator pendidikan dan pengajaran, penelitian, pengabdian kepada masyarakat, serta penunjang tridharma menggunakan algoritma K-Medoids. Data diperoleh dari Laporan Kinerja Dosen (LKD) pada periode 1 tahun, kemudian dilakukan preprocessing sebelum proses clustering dilakukan. Penentuan jumlah cluster optimal menggunakan metode Elbow menghasilkan 3 cluster yang kemudian dikelompokkan sebagai kategori sangat aktif, cukup aktif, dan kurang aktif dalam menggambarkan kualitas kinerja dosen. Evaluasi performa model dilakukan menggunakan Davies-Bouldin Index (DBI) dan Silhouette Score guna memastikan kualitas pengelompokan. Hasil evaluasi menunjukkan nilai DBI sebesar 1.2627 dan Silhouette Score sebesar 0.3121, yang menandakan bahwa pemisahan cluster telah cukup baik namun masih terdapat sebagian data yang memiliki kemiripan antar cluster.
Unduhan
Referensi
[2] M. Z. Naufal, M. P. Hadi, F. A. Ghifari, R. A. Alhakim, S. M. Pallawagau, and A. D. Kalifia, “Scientica Scientica,” J. Ilm. Sain dan Teknol., vol. 3, pp. 406–410, 2025, [Online]. Available: https://jurnal.pranataindonesia.ac.id/index.php/jik/article/view/113%0Ahttps://jurnal.pranataindonesia.ac.id/index.php/jik/article/download/113/66
[3] A. Lisdiyanto, “Sistem Penilaian Kinerja Tridharma Dosen Menggunakan SAW,” J. Teknol. Dan Sist. Inf. Bisnis, vol. 5, no. 1, pp. 69–72, 2023, doi: 10.47233/jteksis.v5i1.760.
[4] A. A. D. Sulistyawati and M. Sadikin, “SISTEMASI: Jurnal Sistem Informasi Penerapan Algoritma K-Medoids untuk Menentukan Segmentasi Pelanggan,” Sist. J. Sist. Inf., vol. 10, no. 3, pp. 516–526, 2021, [Online]. Available: http://sistemasi.ftik.unisi.ac.id
[5] I. Asmadi, G. Gopur, Y. Hendry, M. Ghofur, Y. Deswin, and N. Nurwanto, “Strategi Pengembangan Karir Dosen Sebagai Upaya dan Peningkatan Kualitas Pendidikan Tinggi,” JIIP - J. Ilm. Ilmu Pendidik., vol. 7, no. 5, pp. 5125–5129, 2024, doi: 10.54371/jiip.v7i5.4167.
[6] E. Iip Syaripudin, D. Konkon Furkony, and S. Al-Musadddadiyah Garut, “Kualitas dan Kiprah Dosen PTKIS Sebagai Cendekiawan Ekonomi Islam,” J. NARATAS, vol. 3, no. 2, pp. 1–8, 2021.
[7] I. P. D. Suarnatha, “Sistem Pendukung Keputusan Penilaian Kinerja Dosen Menggunakan Metode Hybrid Ahp Dan Topsis,” J. Teknol. Dan Ilmu Komput. Prima, vol. 5, no. 1, pp. 11–18, 2022, doi: 10.34012/jutikomp.v5i1.2579.
[8] D. Apriadi, Nurul Hidayat, Nizhamuddin AB, Ahmatang, and Sudarto, “Kuliah Kerja Nyata: Pengabdian Kepada Masyarakat Melalui Kegiatan Pendampingan Pendidikan,” J. Pengabdi. Masy. Paguntaka, vol. 1, no. 1, pp. 25–30, 2022, doi: 10.61457/jumpa.v1i1.2.
[9] I. Amal and I. Syah, “Peningkatan Kompetensi Profesional Dosen Melalui Pendidikan Dan Pelatihan Pada Akademik Keperawatan ( AKPER ) YAPENAS 21 Kabupaten Maros,” vol. 2, no. 2, pp. 147–161, 2025.
[10] T. Alfina and B. Santosa, “Analisa Perbandingan Metode Hierarchical Clustering, K-Means dan Gabugan Keduanya dalam Membentuk Cluster Data (Studi Kasus : Problem Kerja Praktek Jurusan Teknik Industri ITS),” Anal. PerbandinganMetode Hierarchical Clust. K-means dan Gabungan Keduanya dalam Clust. Data, vol. 1, no. 1, pp. 1–5, 2012.
[11] Merliana, N. P. Eka., Ernawati., Santoso, and A. Joko, “Prosiding Seminar Nasional Multi Disiplin Ilmu & Call for Papers Unisbank (Sendi_U),” Anal. Penentuan Jumlah Clust. Terbaik Pada Metod. K-Means Clust., pp. 978–979, 2015, [Online]. Available: https://www.unisbank.ac.id/ojs/index.php/sendi_u/article/view/3333
[12] T. M. Kodinariya and P. R. Makwana, “Review on determining number of Cluster in K-Means Clustering. International Journal,” Int. J., vol. 1, no. 6, pp. 90–95, 2013.
[13] S. Velamparambil, S. Mackinnon-Cormier, J. Perry, R. Lemos, M. Okoniewski, and J. Leon, “GPU accelerated Krylov subspace methods for computational electromagnetics,” Proc. 38th Eur. Microw. Conf. EuMC 2008, vol. 1, no. 9, pp. 1312–1314, 2008, doi: 10.1109/EUMC.2008.4751704.
[14] S. P. Dewi and E. Rahayu, “Penerapan Data Mining Untuk Prediksi Penjualan Produk Terlaris Menggunakan Metode K-Nearest Neighbor,” Build. Informatics, Technol. Sci., vol. 3, no. 4, pp. 639–648, 2022, doi: 10.47065/bits.v3i4.1408.
[15] N. Ayuningtyas and F. M. Basysyar, “Penerapan Data Mining pada Penjualan Produk MS Glow Menggunakan Metode Naive Bayes untuk Strategi Pemasaran,” vol. 5, no. 2, 2022.
[16] S. Ramadhani, D. Azzahra, and T. Z, “Perbandingan Algoritma K-Means Dan K-Medoids Pada Text Mining untuk Klasifikasi Tesis Mahasiswa Berdasarkan Pengujian Davies Bouldin Index,” Digit. Zo. J. Teknol. Inf. dan Komun., vol. 13, no. 1, pp. 24–33, 2022.
[17] S. F. Pane and Y. A. Saputra, Big Data: Classification Behavior Menggunakan Python, no. 54. in Data Science. Kreatif, 2020.
[18] T. Saepurohman and B. E. Putro, “Analisis Principal Component Analysis ( PCA ) Untuk Mereduksi Faktor-Faktor yang Mempengaruhi Kualitas Kulit Kikil Sapi,” Semin. dan Konf. Nas. IDEC, no. 2008, pp. 2–3, 2019.
[19] R. Gelar Guntara, “Pemanfaatan Google Colab Untuk Aplikasi Pendeteksian Masker Wajah Menggunakan Algoritma Deep Learning YOLOv7,” J. Teknol. Dan Sist. Inf. Bisnis, vol. 5, no. 1, pp. 55–60, 2023, doi: 10.47233/jteksis.v5i1.750.
