Analisis Clustering Menggunakan Metode K-Means untuk Mengidentifikasi Pola Kepuasan Alumni: Clustering Analysis Using the K-Means Method to Identify Alumni Satisfaction Pattern

Muhammad Ilham  Ramadhan; Alwis Nazir; Muhammad Irsyad; Suwanto Sanjaya; Fadhilah Syafria

doi:10.57152/malcom.v6i1.2401

Authors

Muhammad Ilham Ramadhan Universitas Islam Negeri Sultan Syarif Kasim Riau
Alwis Nazir Universitas Islam Negeri Sultan Syarif Kasim Riau
Muhammad Irsyad Universitas Islam Negeri Sultan Syarif Kasim Riau
Suwanto Sanjaya Universitas Islam Negeri Sultan Syarif Kasim Riau
Fadhilah Syafria Universitas Islam Negeri Sultan Syarif Kasim Riau

DOI:

https://doi.org/10.57152/malcom.v6i1.2401

Keywords:

Algoritma K-Means, Data Mining, Fasilitas Pembelajaran, Kepuasan Alumni, Tracer Study

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.

Downloads

Download data is not yet available.

References

I. Wayan Supriana, C. Pramartha, and L. Arida Ayu Rahning Putri, “RESISTOR Journal | 1 Aplikasi Pengukur Tingkat Kepuasan Alumni Berdasarkan Data Tracer Study Berbasis Metode Machine Learning”, [Online]. Available: https://s.id/jurnalresistor

F. A. Fernaldy, A. A. Arifiyanti, and D. S. Y. Kartika, “Klasterisasi Tracer Study Alumni Universitas Xyz Menggunakan Algoritma K-Means,” Jurnal Informatika dan Teknik Elektro Terapan, vol. 13, no. 1, Jan. 2025, doi: 10.23960/jitet.v13i1.5581.

S. Asyuti and A. A. Setyawan, “Data Mining Dalam Penggunaan Presensi Karyawan Denga Cluster Means,” Jurnal Ilmiah Sains Teknologi Dan Informasi, vol. 1, no. 1, pp. 01–10, 2023, [Online]. Available: https://jurnal.alimspublishing.co.id/index.php/JITI/article/download/6/6

I. Virgo, S. Defit, and Y. Yuhandri, “Klasterisasi Tingkat Kehadiran Dosen Menggunakan Algoritma K-Means Clustering,” Jurnal Sistim Informasi dan Teknologi, pp. 23–28, Mar. 2020, doi: 10.37034/jsisfotek.v2i1.17.

W. Handayani, Y. Yunefri, D. Arif, P. Studi Teknik Informatika Fakultas Ilmu Komputer Universitas Lancang Kuning, and J. K. Yos Sudarso, “Optimalisasi K-Means Clustering Berbasis Web dalam Analisis Kepuasan Masyarakat terhadap Korem 031/Wira Bima,” 2024.

M. Indrayani, M. Iqbal, and D. Nasution, “Pemetaan Pilihan Lulusan Smk Panca Budi Medan Menggunakan Algoritma K-Means Dan Visualisasi Data,” 2025. [Online]. Available: http://jurnal.goretanpena.com/index.php/JSSR

D. Sartika, M. Iqbal, and Z. Sitorus, “Analisis Algoritma Exponensial Smoothing dan K-Means untuk Optimal-isasi Pen-erimaan Mahasiswa Baru di Universitas Haji Sumatera Utara-Dewi Sartika et.al Analisis Algoritma Exponensial Smoothing dan K-Means untuk Optimal-isasi Penerimaan Mahasiswa Baru di Universitas Haji Sumatera Utara,” vol. 07, no. 02, 2025, doi: 10.54209/jatilima.v7i02.1269.

M. F. Amalia and D. B. Arianto, “Implementasi Algoritma K-Means Clustering Dalam Klasterisasi Kabupaten/Kota Provinsi Jawa Barat Berdasarkan Faktor Pemicu Stunting Pada Balita,” SIMKOM, vol. 9, no. 1, pp. 36–46, Jan. 2024, doi: 10.51717/simkom.v9i1.356.

A. Sulistiyawati and E. Supriyanto, “Implementasi Algoritma K-means Clustring dalam Penetuan Siswa Kelas Unggulan,” vol. 15, no. 2.

R. A. Farissa, R. Mayasari, and Y. Umaidah, “Perbandingan Algoritma K-Means dan K-Medoids Untuk Pengelompokkan Data Obat dengan Silhouette Coefficient,” 2021. [Online]. Available: http://jurnal.polibatam.ac.id/index.php/JAIC

J. Sutrisno et al., “Klasterisasi Data Hasil Studi Pelacakan Tentang Karir Dan Pekerjaan Lulusan Perguruan Tinggi Menggunakan Algoritma K-Means,” Jurnal Komputer dan Informatika, vol. 157, no. 2, pp. 157–164, 2023, doi: 10.35508/jicon.v11.i2.12031.

A. P. Nanda, D. Eko, H. Pramono, and S. Hartati, “Menentukan Tingkat Kepuasan Mahasiswa Terhadap Pelayanan Akademik Menggunakan Metode Algoritma K-Means,” vol. 11.

A. Khaerunnisa, “Analisis Tingkat Kelulusan Mahasiswa di Unisba dengan menggunakan Algoritma K-Means Clustering,” Jurnal Riset Matematika, pp. 67–76, Jul. 2022, doi: 10.29313/jrm.v2i1.1018.

J. P. Tanjung, B. A. Wijaya, and M. Ridho, “Implementasi Algoritma K-Means Dalam Mengukur Tingkat Kepuasan Siswa Terhadap Pelayanan Pada SMA Swasta Bani Adam AS,” Data Sciences Indonesia (DSI), vol. 3, no. 1, pp. 1–11, Aug. 2023, doi: 10.47709/dsi.v3i1.2775.

D. Prasetyawan, A. Mulyanto, and R. Gatra, “Pemetaan Lintasan Karir Alumni Berdasarkan Analisis Cluster: Kombinasi K-Means dan Reduksi Dimensi Autoencoder,” Edumatic: Jurnal Pendidikan Informatika, vol. 9, no. 1, pp. 198–207, Apr. 2025, doi: 10.29408/edumatic.v9i1.29713.

J. Alejandrino, “Application of Data Mining in Knowledge Management: A Review,” International Journal of Advanced Trends in Computer Science and Engineering, vol. 10, no. 4, pp. 2690–2696, 2021, doi: 10.30534/ijatcse/2021/061042021.

I. Lubis and A. Marwan Elhanafi, “Visualisasi Clustering Penderita Stunting Di Kabupaten Langkat Berbasis WebGIS,” Juli, 2023, [Online]. Available: https://ojs.trigunadharma.ac.id/index.php/jsk/index

L. Diah Wiranti, E. Budianita, A. Nazir, F. Insani, and R. Susanti, “Penerapan Algoritma K-Means Untuk Mengelompokkan Tingkat Stres Akademik Pada Mahasiswa,” Technology and Science (BITS), vol. 7, no. 1, 2025, doi: 10.47065/bits.v7i1.7410.

R. Maulana and F. Fathoni, “Analisis Clustering Rekomendasi Mata Kuliah Peminatan Berdasarkan Karir Alumi Menggunakan Machine Learning,” JOISIE (Journal Of Information Systems And Informatics Engineering), vol. 9, no. 1, p. 109, Jun. 2025, doi: 10.35145/joisie.v9i1.4954.

M. Cui, “Introduction to the K-Means Clustering Algorithm Based on the Elbow Method”, doi: 10.23977/accaf.2020.010102.

I. Gede, I. Sudipa, and M. Darmawiguna, “BUKU AJAR DATA MINING,” 2024. [Online]. Available: https://www.researchgate.net/publication/377415198

A. M. Ikotun, A. E. Ezugwu, L. Abualigah, B. Abuhaija, and J. Heming, “K-means clustering algorithms: A comprehensive review, variants analysis, and advances in the era of big data,” Inf Sci (N Y), vol. 622, pp. 178–210, Apr. 2023, doi: 10.1016/j.ins.2022.11.139.

F. Amin, D. S. Anggraeni, and Q. Aini, “Penerapan Metode K-Means dalam Penjualan Produk Souq.Com,” Applied Information System and Management (AISM), vol. 5, no. 1, pp. 7–14, Apr. 2022, doi: 10.15408/aism.v5i1.22534.

H. Vithon Carelsa, R. Andika Malik, and D. J. Putra, “Pengukuran Tingkat Kepuasan Mahasiswa Terhadap Pelayanan di Kantin Kampus Menggunakan Algoritma K-means Clusterring,” vol. 1, no. 2, pp. 6–11, 2023.

R. Ishak, “Clustering Prestasi Akademik Lulusan Menggunakan Metode K-Means,” Jambura Journal of Electrical and Electronics Engineering, 2024.

R. K. Dinata, Bustami, and S. Retno, “Optimizing the Evaluation of K-means Clustering Using the Weight Product,” Revue d’Intelligence Artificielle, vol. 38, no. 4, pp. 1223–1233, Aug. 2024, doi: 10.18280/ria.380416.

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