Muhammad Ilham Ramadhan, - (2026) Analisis Clustering Menggunakan Metode K-Means untuk Mengidentifikasi Pola Kepuasan Alumni. MALCOM: Indonesian Journal of Machine Learning and Computer Science, 6 (1). pp. 31-41. ISSN ISSN(P): 2797-2313 | ISSN(E): 2775-8575

Preview	Text (JURNAL ARTIKEL) MUHAMMAD ILHAM RAMADHAN-12150114705-BEBAS_PUSTAKA - MUHAMMAD ILHAM RAMADHAN TEKNIK INFORMATIKA.pdf - Published Version Download (1MB) | Preview
Preview	Text (PERNYATAAN PUBLIKASI MAHASISWA) Surat pernyataan serah simpan karya - MUHAMMAD ILHAM RAMADHAN TEKNIK INFORMATIKA.pdf - Published Version Download (79kB) | Preview
Preview	Text (PERNYATAAN PUIBLIKASI DOSEN) SURAT PERNYATAAN PERSETUJUAN DOSEN PEMBIMBING - MUHAMMAD ILHAM RAMADHAN TEKNIK INFORMATIKA.pdf - Published Version Download (443kB) | Preview

Abstract

Tracer study berperan penting dalam mengevaluasi kualitas layanan pendidikan berdasarkan pengalaman alumni. Analisis kepuasan alumni terhadap fasilitas pembelajaran umumnya masih terbatas pada statistik deskriptif, sehingga belum mampu mengungkap pola kepuasan secara tersegmentasi pada data berskala besar. Penelitian ini bertujuan untuk mengidentifikasi pola segmentasi kepuasan alumni terhadap fasilitas pembelajaran di Universitas Islam Negeri Sultan Syarif Kasim Riau (UIN Suska Riau) sebagai indikator penting dalam evaluasi kualitas layanan pendidikan. Metode yang digunakan adalah K-Means Clustering, diimplementasikan melalui tahapan Knowledge Discovery in Database (KDD) pada 6.508 data tracer study alumni S1 lulusan 2010–2023. Proses preprocessing mencakup normalisasi data numerik menggunakan Min-Max Scaling untuk menyamakan skala enam indikator kepuasan (Perpustakaan, Teknologi Informasi, Modul Belajar, Ruang Belajar, Laboratorium, dan Variasi Mata Kuliah), sehingga meminimalkan bias dalam perhitungan jarak Euclidean. Berdasarkan Elbow Method, diperoleh jumlah klaster optimal adalah K=3, dan kualitas pengelompokan divalidasi dengan nilai Davies-Bouldin Index (DBI) sebesar 0,874, mengonfirmasi stabilitas klaster yang terbentuk. Analisis menghasilkan tiga klaster berbeda: Klaster 0 (Tingkat Kepuasan Tinggi) yang dominan, Klaster 1 (Tingkat Kepuasan Rendah), dan Klaster 2 (Tingkat Kepuasan Sangat Tinggi). Hasil ini memberikan segmentasi kepuasan yang eksplisit sebagai dasar bagi universitas untuk merumuskan strategi peningkatan fasilitas secara terarah dan berkelanjutan.

Actions (login required)

View Item