PENILAIAN KINERJA TIM EVALUASI PERIJINAN PEMBUKAAN PROGRAM STUDI DENGAN TEKNIK CLUSTERING K-MEANS

INTI NUSA MANDIRI DOI: https://doi.org/10.33480/inti.v16i1.2270 VOL. 16. NO. 1 AGUSTUS 2021 P-ISSN: 0216-6933 | E-ISSN: 2685-807X Diterbitkan Oleh: LPPM Nusa Mandiri PENILAIAN KINERJA TIM EVALUASI PERIJINAN PEMBUKAAN PROGRAM STUDI DENGAN TEKNIK CLUSTERING K-MEANS Ibnu Akil Fakultas Teknologi Informatika Universitas Bina Sarana Informatika www.bsi.ac.id AbstractThe Ministry of Research, Technology and Higher Education considers the process of evaluating study program permits to be long, in turns it will affect the development of education in colleges. Therefore, an effective and efficient licensing assessment team is needed, so it is necessary to classify which assessment team performs well and which does not perform well. Clustering is an effective data mining technique for grouping. One of the clustering techniques that is quite empirically proven is K-Means. The purpose of this research is to group the high-performing assessment team with the average one using the K-Means clustering technique, in order to improve or speed up the evaluation process of the study program permit proposal at the Ministry of Education and Culture. Keyword: clustering, data mining, k-means Abstrak Proses evaluasi perijinan program studi dianggap lama oleh Menteri Kemenristekdikti. Hal ini dapat menyebabkan tertundanya perkembangan pendidikan di kampus-kampus. Karena itu diperlukan tim penilai perijinan yang efektif dan efisien, maka perlu dikelompokan mana tim penilai yang kinerjanya baik dan yang kurang baik. Clustering merupakan Teknik data mining yang efektif untuk melakukan pengelompokkan. Salah satu Teknik clustering yang cukup terbukti secara empiris adalah KMeans. Tujuan dari penelitian ini adalah melakukan pengelompokkan tim penilai yang berkinerja tinggi dengan yang biasa saja dengan menggunakan Teknik clustering K-Means, guna meningkatkan atau mempercepat proses evaluasi usulan perijinan Program Studi pada Kementerian Pendidikan dan Kebudayaan. Kata kunci: pengelompokan, data mining, k-means PENDAHULUAN Penilaian kinerja merupakan kekuatan dari manajemen kinerja, yang pada gilirannya mempengaruhi kinerja organisasi (Akinbowale et al., 2014). Mengelompokan karyawan atau staff mana yang memiliki kinerja yang baik dengan yang kurang baik bisa jadi hal yang krusial. Evaluasi perijinan program studi memerlukan kinerja tim penilai yang tinggi. Proses perijinan pembukaan program studi memerlukan waktu yang lama sebagaimana disampaikan oleh Menteri Kemenristekdikti (LPM-UMI, 2019). Karena itu diperlukan tim penilai perijinan yang efektif dan efisien, maka perlu dikelompokan mana tim penilai yang kinerjanya baik dan yang kurang baik. Clustering merupakan Teknik data mining yang efektif untuk melakukan pengelompokkan. Clustering atau pengelompokan telah menjadi cara yang efektif didalam artificial intelligent untuk algoritma unsupervised learning, dimana clustering mampu memperlihatkan keterkaitan data dalam satu kelompok atau lebih. Menurut Tan dan kawan-kawan dalam (Irwansyah, 2017), clustering adalah sebuah proses untuk mengelompokkan data ke dalam beberapa cluster atau kelompok sehingga data dalam satu kelompok memiliki tingkat kemiripan yang maksimum. Dalam dunia data sains kita dapat menggunakan analisa clustering untuk mendapatkan suatu pencarian nilai dari data yang kita miliki dengan melihat dataset terbagi menjadi kelompok-kelompok apa saja (Seif, 2018). Selain itu clustering adalah teknik yang secara luas digunakan di dunia industri. Bahkan sebenarnya clustering digunakan pada hampir setiap domain mulai dari perbankan, mesin rekomendasi, clustering dokumen sampai pada segmentasi citra (Pulkit, n.d.). Dalam kasus ini peneliti mencoba menerapkan teknik clustering di dalam mengelompokkan tim penilai yang memiliki kinerja tinggi atau rendah dari evaluasi perijinan program studi di Kementerian Pendidikan dan Kebudayaan. Tujuannya adalah untuk memilih tim penilai atau evaluator yang akan secara aktif ditugaskan untuk mengevaluasi proposal perijinan program studi. Lisensi CC Atribusi-NonKomersial 4.0 Internasional 1 VOL. 16. NO. 1 AGUSTUS 2021 P-ISSN: 0216-6933 | E-ISSN: 2685-807X Diterbitkan Oleh: LPPM Nusa Mandiri Teknik clustering cukup banyak, namun pada dasarnya terbagi menjadi dua kategori utama, yaitu; partitioning dan hierarchical (Soni & Ganatra, 2012). Hierarchical clustering menghasilkan urutan yang bersarang dari sebuah partisi, dengan kelompok tunggal inklusif dibagian atas dan kelompok-kelompok tunggal titik individu berada dibawahnya, dimana masing-masing tingkat menengah dianggap sebagai menggabungkan dua kelompok dari tingkat yang lebih rendah berikutnya atau memisahkan satu kelompok dari yang lebih tinggi berikutnya (Grover, 2014). Sementara Steinbach membagi hierarchical yang disebut sebagai agglomerative hierarchical menjadi dua yaitu; intra cluster similarity, dan centroid similarity (Steinbach et al., 2000). Teknik Partitioning Partitioning clustering menempatkan satu set titik-titik data kedalam K-cluster dengan proses perulangan. Fungsi kriteria (J) yang telah ditentukan menempatkan data ke dalam set K yang ke-i. Sebagai hasilnya nilai di dalam set K (perhitungan maksimalisasi dan minimisasi), pengelompokkan dapat dilakukan (Kutbay, 2018). Partitioning adalah metode clustering yang digunakan untuk mengklasifikasikan observasiobservasi di dalam suatu data set menjadi banyak kelompok berdasarkan kemiripan mereka. Algoritma ini membutuhkan si penganalisa untuk menentukan jumlah kelompok yang akan dibuat (Kassambara, 2021). “K-means merupakan salah satu teknik partioning clustering yang memisahkan data ke K daerah bagian yang terpisah” (Kusuma & Ellyana, 2018). Ada juga yang membagi Teknik clustering menjadi Soft Clustering atau Overlapping Clustering dan Hard Clustering atau Exclusive Clustering (Bora & Gupta, 2014). Teknik-teknik berbeda yang diajukan tentunya memiliki fitur-fitur yang berbeda serta memiliki kelebihan dan kekurangan, tentunya akan menjadi sulit untuk memilih mana teknik yang tepat untuk kasus ini. Beberapa peneliti sebelumnya telah melakukan komparasi antara algoritma-algoritma clustering diantaranya Neha R. Soni dari India (Soni & Ganatra, 2012). Soni menilai algoritma-algortima clustering tersebut berdasarkan; kompleksitas, tipe data, besaran data, bentuk cluster, dan input parameter. Dari hasil penelitian tersebut peneliti mempertimbangkan pemilihan algoritma pada kompleksitas dan besaran data saja. Maka disini akan digunakan algoritma K-means dimana Kmeans memiliki kelebihan diantaranya: kemudahan implementasi, kesederhanaan, efisiensi, dan teruji secara empiris. Sedangkan 2 INTI NUSA MANDIRI DOI: https://doi.org/10.33480/inti.v16i1.2271 kelemahannya adalah: scalability, kelompok yang tidak seimbang, tidak cocok untuk kelompokkelompok dari bentuk non convex, dan sensitif terhadap noise (Soni & Ganatra, 2012). BAHAN DAN METODE Penelitian ini dilakukan beberapa tahapan dimulai dari mengumpulkan data terkait teori K-Means, kemudia (...truncated)