Implementasi K-Means Clustering untuk Mengelompokkan Data Produktivitas Penelitian Dosen di Una’im Yapis Wamena
DOI:
https://doi.org/10.71302/jbidai.v8i2.90Kata Kunci:
Centroid, Data Mining, K-Mean Clustering, Penelitian, Produktivitas DosenAbstrak
Una'im Yapis Wamena sebagai salah satu institusi pendidikan tinggi di Papua memiliki sejumlah dosen dengan beragam aktivitas penelitian. Namun, tantangan yang dihadapi adalah sulitnya mengidentifikasi pola dan karakteristik penelitian dosen secara komprehensif. Tanpa analisis yang tepat, sulit bagi institusi untuk mengetahui profil produktivitas penelitian dosen, mengidentifikasi dosen yang memerlukan pendampingan, atau menentukan fokus pengembangan kapasitas riset. Hal ini dapat berdampak pada kurang optimalnya alokasi sumber daya, dukungan penelitian, dan perencanaan pengembangan penelitian di institusi. Penelitian ini bertujuan untuk membantu mengetahui tingkat produktivitas Dosen dalam penelitian dengan kategori tinggi, sedang, dan rendah. Dengan pengelompokan ini, harapannya Kampus Una’im Yapis Wamena dapat lebih mudah membuat keputusan tentang metode pembinaan yang tepat untuk meningkatkan hasil penelitian Dosen. Metode yang digunakan dalam penelitian ini yaitu K-means Clustering. Data yang dianalisis meliputi 45 Dosen dengan variabel jumlah publikasi, jumlah sitasi, H-index, penelitian yang didanai, dan kolaborasi penelitian. Hasil penelitian ini menunjukkan bahwa tingkat produktivittas penelitian Dosen dapat dikelompokkan menajdi tiga kategori, yaitu: Cluster 1 (Produktivitas Ttinggi) terdiri dari 8 Dosen, Cluster 2 (Produktivitas Sedang) terdiri dari 25 Dosen, dan Cluster 3 (Produktivitas Rendah) terdiri dari 12 Dosen. Proses clustering mencapai konvergensi pada iterasi ke-6 dengan hasil yang stabil. Hasil clustering ini dapat menjadi panduan bagi Una'im Yapis Wamena dalam menentukan kebijakan peningkatan produktivitas penelitian dosen di masa mendatang.
Referensi
[1] A. A. Zulfa and O. Arifudin, “Peran Sistem Informasi Akademik Berbasis Web Dalam Upaya Meningkatkan Efektivitas Dan Efisiensi Pengelolaan Akademik Di Perguruan Tinggi,” 2025.
[2] P. Hendikawati, N. A. S. Harwanti, W. Wardono, A. Prabowo, M. D. Zahra, and W. R. Saefurrochman, “Pembelajaran Big Data Di Perguruan Tinggi: Potensi Masa Depan, Faktor Pendukung Dan Penghambat,” JIPI (Jurnal Ilmiah Penelitian dan Pembelajaran Informatika), vol. 10, no. 3, pp. 2232–2241, Aug. 2025, doi: 10.29100/jipi.v10i3.7711.
[3] M. Abrar, “Inovasi Dalam Riset Akademik: Strategi Meningkatkan Kualittas dan Relevansi Penelitian Perguruan Tinggi,” ACADEMIA: Jurnal Inovasi Riset Akademik, vol. 5, no. 2, pp. 51–66, May 2025.
[4] Syarifah, F. Nabillah Azza, and I. Misrah, “Optimalisasi Kinerja Perguruan Tinggi Melalui Strategi Manajemen Publikasi Ilmiah Berbasis Science and Technology Index SINTA,” Jurnal Mengabdi dari Hati, vol. 4, no. 2, pp. 47–56, Aug. 2025.
[5] F. Khalish, N. M. Piranti, and O. Martadireja, “Implementasi Data Mining Menggunakan Teknik Clustering dengan Metode K-Means,” JIIP: Jurnal Ilmiah Ilmu Pendidikan, vol. 8, no. 5, pp. 5392–5397, May 2025, [Online]. Available: http://Jiip.stkipyapisdompu.ac.id
[6] A. Pratama Putra, J. Tshivana, and E. Rilvani, “Perbandingan Teoritis dan Eksperimen Algoritma K-Means dan K-Medoids Dalam Klasterisasi Data,” Kohesi: Jurnal Multidisiplin Saintek, vol. 10, no. 2, pp. 1–24, 2025, doi: 10.8734/Kohesi.v1i2.365.
[7] S. Trisya Amanda, K. Berlianindita, A. Jahid Alfarizi, and W. A. Arifin, “Analisis Komparatif SVM dan K-Means dalam Data Mining Untuk Promosi Perguruan Tinggi,” Jurnal Rekayasa Informasi, vol. 5, no. 2, pp. 87–94, Jul. 2025.
[8] N. Suarna, N. Rahaningsih, and A. A. Suarna, “Optimalisasi Prestasi Akademik Siswa Melalui Pengelolompokan Indeks Prestasi dengan K-Means Clustering,” Jurnal Kecerdasan Buatan dan Teknologi Informasi, vol. 4, no. 2, pp. 198–207, May 2025, doi: 10.69916/jkbti.v4i2.321.
[9] K. Mahiswara, F. Refariansyah, and D. Oktaviani, “Pemetaan Kekuangan dan Produktivitas Perguruan Tinggi di Indonesia Berbasis Publikasi Artikel Ilmiah,” Majalah Ilmiah Unikom, vol. 17, no. 1, pp. 35–42, Sep. 2019.
[10] Y. P. Putra and R. Nuari, “Application of K-Means Algoritm to Cluster Student’s Reading Patterns in the Digital Age,” Jurnal Inovtek Polbeng - Seri Informatika, vol. 10, no. 1, pp. 320–331, Mar. 2025.
[11] M. F. Asnawi, N. Fitriyanto, and M. A. Pamoengkas, “Sistem Pendukung Keputusan Kinerja Dosen Menggunakan Sistem Kecerdasan Buatan Berbasis Algoritma K-Means Clustering,” TECHNOMEDIA : Informatics and Computer Science, vol. 1, no. 2, pp. 67–73, Jul. 2024, doi: 10.58641.
[12] A. Rahmawati, M. Fadlan, A. Anto, “Implementasi K-Means Clustering Untuk Mengelompokan Data Sparepart Alat Berat,” Journal of Big Data Analytic and Artificial Intelligence, vol. 7, no. 2, pp. 33–38.
[13] N. Cahaya Kamila, M. Hafid, “Pemanfaatan Data Mining untuk Mengelompokkan Data Penjualan Menggunakan Algoritma K-Medoids,” Journal of Big Data Analytic and Artificial Intelligence, vol. 7, no. 1, pp. 8–13, 2024.
[14] T. Martuti, E. Tjatur Putri, R. Gusmana, “Penerapan Clustering pada Sistem Pembagian Kelas Siswa Menggunakan Algoritma K-Means,” Journal of Big Data Analytic and Artificial Intelligence, vol. 6, no. 2, pp. 17–24, 2025.
[15] L. A. Supriyono et al., Buku Ajar Big Data dan Data Mining: Konsep, Metodologi, dan Aplikasi. PT. Sonpedia Publishing Indonesia, 2025.
[16] K. Handoko, S. Astiti, W. Novrian, T. N. Putra, and D. Darmansah, K-Means Clustering Menggunakan Aplikasi Rapidminer. PT. Sonpedia Publishing Indonesia, 2025.
[17] A. Muis et al., DATA MINING: Konsep, Metode, dan Aplikasi. Faaslib Serambi Media, 2025.
Unduhan
Diterbitkan
Cara Mengutip
Terbitan
Bagian
Lisensi
Artikel ini berlisensiCreative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.
