Analisis Klaster Kinerja Dosen STITEKNAS Jambi menggunakan Metode Clustering Berdasarkan Kepuasan Pelanggan Pendidikan
DOI:
https://doi.org/10.23969/infomatek.v28i1.39030Keywords:
EDOM, Klasterisasi, Kinerja dosenAbstract
Institusi pendidikan dengan mahasiswa sebagai pelanggan sangat membutuhkan dosen yang berkompeten di dalam pendistribusian ilmu pengetahuan. Hal ini ditujukan agar standar nasional pendidikan tinggi dan standar institusi terpenuhi, dan juga kinerja dosen mendapatkan nilai yang tinggi di dalam evaluasinya. Salah satu penilaian kinerja dosen adalah dilakukan oleh mahasiswa yang bersifat transparan dan tanpa tekanan. Penilaian yang dilakukan dalam lima dimensi yakni tangible, reliability, responsiveness, assurance, dan empathy, adalah mencakup seluruh kebutuhan konsumen pendidikan di dalam proses pembelajarannya. Berdasarkan data penilaian dosen STITEKNAS Jambi pada semester genap TA 2024 / 2025 oleh mahasiswa diperoleh bahwasanya kinerja dosen digolongkan menjadi 3 kelompok, yakni cukup, unggul, dan baik, dengan dominan dosennya memiliki kinerja pada cluster baik. Dibutuhkan peningkatan terhadap dosen yang masih berada pada cluster cukup, dipertahankan bahkan ditingkatkan bagi dosen yang berada pada cluster lainnya.
Downloads
References
Ahmed, M., Seraj, R., & Islam, S. M. S. (2020). The k-means algorithm: A comprehensive survey and performance evaluation. Electronics (Switzerland), 9(8), 1–12. https://doi.org/10.3390/electronics9081295
Chin Wei, C., & Sri Ramalu, S. (2011). Students Satisfaction towards the University: Does Service Quality Matters? International Journal of Education, 3(2), 1–15. https://doi.org/10.5296/ije.v3i2.1065
Collins, S. P., Storrow, A., Liu, D., Jenkins, C. A., Miller, K. F., Kampe, C., & Butler, J. (2021). Data Mining and Knowledge Discovery Handbook Second Edition. Springer Science+Business Media. https://doi.org/10.1007/978-0-387-09823-4
Fraley, C., & Raftery, A. E. (1998). How many clusters? Which clustering method? Answers via model-based cluster analysis. Computer Journal, 41(8), 586–588. https://doi.org/10.1093/comjnl/41.8.578
Fränti, P., & Sieranoja, S. (2018). K-means properties on six clustering benchmark datasets. Applied Intelligence, 48(12), 4743–4759. https://doi.org/10.1007/s10489-018-1238-7
Hair, J. F., C. Black, W., J. Babin, B., & E. Anderson, R. (2010). Multivariate Data Analysis (7th Edition) ( PDFDrive ).pdf (p. 816 pages).
Hendrawan, S., Sari Dewi, F. K., & Pranowo. (2023). Clustering Evaluasi Dosen Universitas Atma Jaya Yogyakarta Menggunakan Metode K-Means. Jurnal Informatika Atma Jogja, 4(1), 1–8. https://doi.org/10.24002/jiaj.v4i1.7436
Kaufman, L., & Rousseeuw, P. J. (1990). Finding Groups in Data An Introduction to Cluster Analysis. In ペインクリニック学会治療指針２. John Wiley & Sons, Inc.
Lam, D., & Wunsch, D. C. (2014). “Clustering,” Academic Press Library in Signal Processing,” Signal Processing Theory and Machine Learning. In Elsevier.
Liu, Y., & Huang, S. (2025). A Survey on K-means Clustering Algorithms: Theoretical Analysis and Performance Comparison.
Murtagh, F. (1983). A Survey of Recent Advances in Hierarchical Clustering Algorithms. The Computer Journal, 26 No.4, 354–359. https://doi.org/10.1093/comjnl/26.4.354
Nanda, A. P., Eko, D., & Pramono, H. (2020). Menentukan Tingkat Kepuasan Mahasiswa Terhadap Pelayanan Akademik Menggunakan. Jurnal Sistem Informasi Dan Telematika, 11(1), 23–28.
Parasuraman, a, Zeithaml, V. a, & Berry, L. L. (1988). SERQUAL: A Multiple-Item scale for Measuring Consumer Perceptions of Service Quality. In Journal of Retailing (Vol. 64, p. 28). https://doi.org/10.1016/S0148-2963(99)00084-3
Phanthavong, B., Sengmanotham, S., Lusavong, S., & Souphamith, P. (2024). Efficiency Evaluation of K-Means, K-Medians, and K-Mode Clustering Methods Using SSD. International Journal of Scientific Development and Research, 9(11), 136–145. https://www.researchgate.net/publication/385701457
Rarasati, N., Kholijah, G., & Tasmara, A. (2024). Dampak Metode Pembelajaran Berbasis Proyek (PJBL) Terhadap Prestasi Belajar Dalam Mata Kuliah Inventory Control. Fibonacci: Jurnal Pendidikan Matematika Dan Matematika, 10(2), 237–246. https://doi.org/10.24853/fbc.10.2.237-246
Sheng, Y., Bond, R., Jaiswal, R., Dinsmore, J., & Doyle, J. (2024). Augmenting K-Means Clustering with Qualitative Data to Discover the Engagement Patterns of Older Adults with Multimorbidity When Using Digital Health Technologies: Proof-of-Concept Trial. Journal of Medical Internet Research, 26(1). https://doi.org/10.2196/46287
Sugiyono. (2020). Metodologi Penelitian Kuantitatif, Kualitatif dan R & D.
Tveit, H. H., & Stenseng, F. (2024). Heterogeneous Treatment Effects in the Incredible Years Teacher Classroom Management Programme - A Latent Profile Approach. Prevention Science, 25(8), 1207–1216. https://doi.org/10.1007/s11121-024-01733-3
Yim, O., & Ramdeen, K. T. (2015). Hierarchical Cluster Analysis: Comparison of Three Linkage Measures and Application to Psychological Data. The Quantitative Methods for Psychology, 11(1), 8–21. https://doi.org/10.20982/tqmp.11.1.p008
