Segmentasi Mahasiswa Berdasarkan Kesiapan Karir menggunakan Algoritma K-Means dan Visualisasi Interaktif di Telkom University Surabaya
Abstract
Abstrak — Tingginya angka keraguan mahasiswa semester akhir terhadap motivasi dan kompetensi kerja mereka menunjukkan pentingnya evaluasi terhadap kesiapan karir mahasiswa. Pra-survei yang dilakukan di Telkom University Surabaya mengungkap bahwa 78% mahasiswa merasa tidak yakin terhadap motivasi internal mereka, dan 83% meragukan kemampuan mereka untuk bersaing di dunia kerja. Berdasarkan hal tersebut, penelitian ini bertujuan untuk mengelompokkan mahasiswa berdasarkan tingkat kesiapan karir menggunakan algoritma K-Means, serta menyajikan hasilnya dalam bentuk dashboard interaktif. Lima faktor utama yang dianalisis meliputi motivasi, kematangan pribadi, kematangan sosial, sikap kerja, dan kompetensi kerja. Data dikumpulkan melalui kuesioner skala Likert dan dianalisis secara langsung menggunakan algoritma K-Means untuk membentuk kelompok mahasiswa dengan karakteristik kesiapan karir yang serupa. Setelah klaster terbentuk, dilakukan reduksi dimensi menggunakan Principal Component Analysis (PCA) guna memvisualisasikan hasil klaster dalam ruang dua dimensi. Validasi jumlah klaster optimal dilakukan menggunakan metode Elbow dan Silhouette Score. Penelitian ini menghasilkan tiga klaster utama yaitu klaster Siap Kerja, klaster Menuju Siap Kerja, dan klaster Butuh Pembinaan. Visualisasi interaktif melalui Looker Studio membantu dalam memahami karakteristik tiap klaster secara lebih dinamis. Hasil penelitian ini mendukung pengambilan keputusan berbasis data oleh Career Development Center (CDC) dalam merancang program pengembangan karir yang lebih tepat sasaran.
Kata kunci— Kesiapan karir, K-Means, segmentasi mahasiswa, PCA visualisasi, dashboard interaktif
Downloads
References
[1] A. Prianto, W. Winardi, and U. K. N. Qomariyah, “The Effect of the Implementation of Teaching Factory and Its Learning Involvement toward Work Readiness of Vocational School Graduates,” International Journal of Instruction, 2021, [Online].
[2] R. Saputra and K. T. Kustina, “Minat Mahasiswa Akuntansi Untuk Mengikuti Pendidikan Profesi Penilai Ditinjau Dari Motivasi Sosial, Motivasi Karir Dan Motivasi Ekonomi,” Jurnal Ilmiah Akuntansi dan Bisnis, 2019, [Online].
[3] N. C. Gysbers, “Career-Ready Students: A Goal of Comprehensive School Counseling Programs,” Career Dev Q, vol. 61, no. 3, pp. 283–288, 2013, doi: https://doi.org/10.1002/j.2161-0045.2013.00057.x.
[4] M. Moore and J. Thaller, “Career readiness: preparing social work students for entry into the workforce,” Front Educ (Lausanne), vol. 8, Nov. 2023, doi: 10.3389/feduc.2023.1280581.
[5] D. Chi, “Research on the Application of K-Means Clustering Algorithm in Student Achievement,” 2021 IEEE International Conference on Consumer Electronics and Computer Engineering (ICCECE), pp. 435–438, 2021, [Online].
[6] J. Colyar, K. Michael, R. Maciejewski, and L. Tate, “Improving Educational Standards Using Visualization Dashboards for Decision Making,” in 2022 IEEE International Symposium on Technology and Society (ISTAS), IEEE, Nov. 2022, pp. 1–5. doi: 10.1109/ISTAS55053.2022.10227101.
[7] A. Bellanov and L. Nurhayati, “K-Means Clustering Analysis Untuk Menentukan Strategi Promosi Kampus,” Jurnal Teknik Industri: Jurnal Hasil Penelitian dan Karya Ilmiah dalam Bidang Teknik Industri, 2023, [Online].
