Klasterisasi Multidimensional Terhadap Preferensi Bidang Studi Prospektif Mahasiswa
Abstract
Abstrak — Fenomena salah jurusan di Indonesia masih menjadi masalah serius karena berdampak pada rendahnya motivasi belajar dan ketidaksesuaian karier, yang umumnya disebabkan oleh kurangnya pemahaman siswa terhadap minat, bakat, dan kemampuan akademik. Penelitian ini bertujuan mengelompokkan calon mahasiswa ke dalam rumpun studi yang sesuai menggunakan pendekatan klasterisasi multidimensi berbasis data. Data berasal dari 528 siswa SMA NU 1 Gresik, mencakup nilai akademik serta 24 indikator non-akademik terkait minat, bakat, dan hobi. Tahapan analisis meliputi normalisasi data, reduksi dimensi dengan Principal Component Analysis (PCA), serta penerapan tiga algoritma klasterisasi, yaitu K-Means, Hierarchical Clustering, dan DBSCAN. Evaluasi dilakukan menggunakan Silhouette Score dan Davies-Bouldin Index (DBI). Hasil menunjukkan bahwa Hierarchical Clustering memiliki kinerja terbaik (Silhouette 0.189; DBI 1.874), diikuti oleh K-Means (Silhouette 0.184; DBI 1.915), sedangkan DBSCAN kurang optimal karena menghasilkan nilai Silhouette negatif dan DBI tinggi. Secara umum, terbentuk dua klaster utama, yaitu rumpun Saintek dan Soshum, yang berpotensi menjadi dasar sistem rekomendasi pemilihan jurusan secara objektif dan personal.
Kata kunci— Klasterisasi Multidimensi, Minat Bakat, Rekomendasi Jurusan, Rumpun Studi.
References
REFERENSI
Sari, A., Nanere, Y. E. & Ernawati, R. (2023), ‘Kematangan karir siswa remaja dalam menghadapi dunia pekerjaan’, Jurnal Suluh Pendidikan (JSP) 11(1)
1Redaksi : ”Hasil Survei: 87 Persen Mahasiswa di Indonesia Ternyata Salah Jurus- an” https://jadiasn.id/rumpun-ilmu-sppi-dan-relevansi-akademik-jurusan-harus-linier/ 17 feb 2025
Oetomo, P. F., Yuwanto, L. & Rahaju, S. (2017), ‘Faktor penentu penyesuaian diri pada mahasiswa baru emerging adulthood tahun pertama dan tahun kedua’, Jurnal Ilmiah Psikologi MIND SET 8(2), 67–77
Syahril, M., Kusnasari, S., Sobirin, S., Muhazir, A. & Syahputri, A. (2023), ‘Implementasi data mining untuk rekomendasi jurusan menggunakan algo- ritma k-means clustering’, J-SISKO TECH EDISI JANUARI 6(1).
Palevi, M. N. et al. (2024), ‘Implementasi algoritma k-means clustering dengan pendekatan active learning pada siswa sma untuk menentukan jurusan ke perguruan tinggi’, Jurnal SAINTIKOM (Jurnal Sains Manajemen Informa- tika dan Komputer) 23(1), 26.
Tzenios, F. (2020), ‘Clustering students for personalized health education ba- sed on learning styles’, Sage Science Review of Educational Technology (SS- RET) 3(1).
Fu, N., Ni, W., Hu, H. & Zhang, S. (2023), ‘Multidimensional grid-based clustering with local differential privacy’, Information Sciences 623, 402– 420.
Darmayanti, I., Adhimah, L. F., Sadewo, R., Hidayati, N. & Subarkah, P. (2024), ‘Improving k-means clustering accuracy for academic success inves- tigation with extreme gradient boosting algorithm’, Indonesian Journal of Artificial Intelligence and Data Mining 7(1).
Kementerian Pendidikan dan Kebudayaan Republik Indonesia, Peraturan Menteri Pen- didikan dan Kebudayaan Republik Indonesia Nomor 154 Tahun 2014 tentang Rumpun Ilmu Pengetahuan dan Teknologi serta Gelar Lulusan Perguruan Tinggi (2014)
Tisyrin, ”Macam-Macam Jurusan Kuliah Berdasarkan Rumpun Keilmuannya,” Quipper, 2022
Kumara, A. R. (2018), Buku Ajar Penelitian Kualitatif, Program Studi Bim- bingan dan Konseling, Fakultas Keguruan dan Ilmu Pendidikan, Universitas Ahmad Dahlan.
Esi Rosita (2021), ‘Uji validitas dan reliabilitas kuesioner perilaku prososial’, Fokus Konseling 4(4), 258–268.
Sugiyono (2019), Metode Penelitian Kuantitatif, Kualitatif, dan R&D, Alfabe- ta, Bandung.
Nurhayati, Sigit Sinatrya, N., Wardhani, L. K. & Busman (2018), ‘Analysis of k-means and k-medoids’s performance using big data technology’, The 6th International Conference on Cyber and IT Service Management (CITSM 2018) .
Jain, A. K. (2010), ‘Data clustering: 50 years beyond k-means’, Pattern Re- cognition Letters 31(8), 651–666.
Han, J., Kamber, M. & Pei, J. (2011), Data Mining: Concepts and Techniques, 3 edn, Morgan Kaufmann Publishers, Burlington, MA.
Kalita, E., Oyelere, S. S., Gaftandzhieva, S. & Kandala, R. N. V. P. S. (2025), ‘Educational data mining: A 10-year review’, Discover Computing .
Bellaj, M., Bendahmane, A., Boudra, S. & Sefian, M. L. (2024), ‘Educational data mining: Employing machine learning techniques and hyperparameter optimization to improve students’ academic performance’, International Jo- urnal of Online and Biomedical Engineering (iJOE) 20(03), 55–74.
