KLASTERISASI MODEL PEMBELAJARAN DI UNIVERSITAS TIMOR MENGGUNAKAN METODE K-MEANS
CLUSTERING OF LEARNING MODELS AT UNIVERSITAS TIMOR USING THE K-MEANS METHOD
DOI:
https://doi.org/10.52972/hoaq.vol17no1.p121-130Keywords:
Jenis Pembelajaran, Universitas Timor, Klasterisasi, K-Means, Silhouette CoefficientAbstract
Penelitian ini bertujuan untuk mengidentifikasi pola model pembelajaran di Universitas Timor menggunakan metode K-Means. Lima variabel utama yang digunakan dalam klasterisasi meliputi metode pembelajaran, jenis evaluasi, ketersediaan sumber daya, tingkat kepuasan, dan fleksibilitas waktu belajar. Data primer diperoleh dari 1.018 mahasiswa aktif melalui kuesioner skala Likert. Jumlah klaster optimal ditentukan menggunakan metode Elbow, yang menghasilkan dua klaster utama. Klaster 1 didominasi oleh mahasiswa yang memilih pembelajaran offline dengan pendekatan diskusi dan evaluasi berupa tugas individu. ketersediaan sumber daya masih terbatas, tingkat kepuasan tinggi dan fleksibilitas waktu belajar sangat baik. Klaster 2 juga menunjukkan preferensi terhadap pembelajaran offline dengan metode pendekatan dosen berupa diskusi jenis evaluasinya tugas individu. Sumber daya baru sebagian yang terpenuhi , dengan tingkat kepuasan yang baik dan fleksibilitas waktu belajar yang cukup baik. Evaluasi kualitas hasil klaster menggunakan metode Silhouette Coefficient menghasilkan nilai 0,3377, yang termasuk dalam kategori Weak Structure. Hasil penelitian ini diharapkan dapat menjadi bahan pertimbangan dalam pengembangan kebijakan pembelajaran dan penyusunan kurikulum yang lebih sesuai dengan karakteristik mahasiswa.
This study aims to identify learning pattern types at the University of Timor using the K-Means clustering method. Five main variables were used in the clustering process, including learning method, type of evaluation, availability of resources, student satisfaction, and time flexibility. Primary data were obtained from 1,018 active students through a Likert-scale questionnaire. The optimal number of clusters was determined using the Elbow method, which resulted in two main clusters. Cluster 1 is dominated by students who prefer offline learning with a discussion-based approach and individual task evaluation. Resource availability is still limited, but the level of satisfaction is high, and learning time flexibility is considered very good. Cluster 2 also shows a preference for offline learning with a discussion-based teaching approach and individual task evaluation. However, resource availability is only partially met, with good satisfaction levels and fairly good time flexibility. The quality of the clustering results was evaluated using the Silhouette Coefficient method, which produced a score of 0.3377, categorized as a Weak Structure. The results of this study are expected to serve as a consideration in developing learning policies and curriculum planning that better align with student characteristics.
References
M. W. Zafar, S. A. H. Zaidi, S. Mansoor, A. Sinha, and Q. Qin, “ICT and Education as Determinants of Environmental Quality: The Role of Financial Development in Selected Asian Countries,” Technological Forecasting and Social Change, vol. 177, p. 121547, Apr. 2022, doi: 10.1016/J.TECHFORE.2022.121547.
M. T. Machmud, A. P. Widiyan, and N. R. Ramadhani, “The Development and Policies of ICT Supporting Educational Technology in Singapore, Thailand, Indonesia, and Myanmar,” International Journal of Evaluation and Research in Education, vol. 10, no. 1, pp. 78–85, Mar. 2021, doi: 10.11591/ijere.v10i1.20786.
H. Mujianto and U. Suryadhianto, “Transformation of Learning Systems With A Hybrid Approach Based On Information Technology,” Pendidikan dan Humaniora, vol. 9, no. 1, p. 2025, 2025, doi: 10.36526/js.v3i2.5007.
W. A. Blegur, K. J. Tey Seran, and F. M. A. Blegur, “Efektivitas Pembelajaran Daring Mahasiswa Prodi Biologi, Matematika dan Teknologi Informasi Unimor di Masa Pandemi Covid-19,” Jurnal Saintek Lahan Kering, vol. 4, no. 2, pp. 19–21, Jan. 2022, doi: 10.32938/slk.v4i2.1534.
L. Fimawahib and E. Rouza, “Penerapan K-Means Clustering pada Penentuan Jenis Pembelajaran di Universitas Pasir Pengaraian,” INOVTEK Polbeng, vol. 6, no. 2, pp. 234–247, 2021, doi: 10.35314/isi.v6i2.2096.
Moh. F. Erinsyah, G. W. Sasmito, D. S. Wibowo, and V. K. Bakti, “Sistem Evaluasi pada Aplikasi Akademik Menggunakan Metode Skala Likert dan Algoritma Naïve Bayes,” KOMPUTA, vol. 13, no. 1, pp. 74–81, Apr. 2024, doi: https://doi.org/10.34010/komputa.v13i1.10940.
K. Annisa, B. S. Ginting, and M. A. Syari, “Penerapan Data Mining Pengelompokan Data Pengguna Air Bersih Berdasarkan Keluhannya Menggunakan Metode Clustering Pada PDAM Langkat,” ALGORITMA, vol. 6, no. 1, pp. 112–127, Apr. 2022, doi: https://doi.org/10.59697/jsik.v6i2.167.
N. Karolina, “Data Mining Pengelompokan Pasien Rawat Inap Peserta BPJS Menggunakan Metode Clustering (Studi Kasus?: RSU.Bangkatan),” JITU (Journal of Information and Technology Unimor, pp. 47–53, Sep. 2021, doi: https://doi.org/10.32938/jitu.v1i2.1470.
N. Hendrastuty, “Penerapan Data Mining Menggunakan Algoritma K-Means Clustering Dalam Evaluasi Hasil Pembelajaran Siswa,” Jurnal Ilmiah Informatika dan Ilmu Komputer (JIMA-ILKOM), vol. 3, no. 1, pp. 46–56, Mar. 2024, doi: 10.58602/jima-ilkom.v3i1.26.
C. S. D. Sembiring, L. Hanum, and S. P. Tamba, “Penerapan Data Mining Menggunakan Algoritma K-Means Untuk Menentukan Judul Skripsi dan Jurnal Penelitian (Studi Kasus FTIK UNPRI),” Jurnal Sistem Informasi dan Ilmu Komputer Prima), vol. 5, no. 2, pp. 80–85, Feb. 2022, doi: https://doi.org/10.34012/jurnalsisteminformasidanilmukomputer.v5i2.2393.
A. P. Putra, J. Tshivana, and E. Rilvani, “Perbandingan Teoritis dan Eksperimen Algoritma K-Means dan K-Medoids Dalam Klasterisasi Datasterisasi Data,” Kohesi, vol. 10, no. 2, pp. 1–24, 2025, doi: 10.8734/Kohesi.v1i2.365.
V. Rapika Sari, E. Buulolo, and K. Kunci ABSTRAK, “Implementasi Algoritma K-Means dengan Normalisasi Sigmoidal Untuk Klastering Data Ternak Sapi,” JIKTEKS, vol. 2, no. 1, pp. 30–42, Dec. 2023, doi: https://doi.org/10.70404/jikteks.v2i01.52.
F. N. Cahya, Y. Mahatma, and S. R. Rohimah, “Perbandingan Metode Perhitungan Jarak Euclidean dengan Perhitungan Jarak Manhattan pada K-Means Clustering Dalam Menentukan Penyebaran Covid di Kota Bekasi,” JMT?: Jurnal Matematika dan Terapan, vol. 5, no. 1, pp. 43–55, Feb. 2023, doi: 10.21009/jmt.5.1.5.
W. W. Pribadi, A. Yunus, and A. Sartika Wiguna, “Perbandingan Metode K-Means Euclidean Distance dan Manhattan Distance Pada Penentuan Zonasi Covid-19 di Kabupaten Malang,” Jurnal Mahasiswa Teknik Informatika), vol. 6, no. 2, pp. 439–500, Sep. 2022, doi: https://doi.org/10.36040/jati.v6i2.4808.
Febby Arisca Zurfani, Sawaluddin, Mardiningsih, and Muhammad Romi Syahputra, “Analisis Metode Clustering K-Means pada Zonasi Daerah Terdampak Banjir di Kota Medan dengan Evaluasi Silhouette Coefficient,” Algoritma?: Jurnal Matematika, Ilmu pengetahuan Alam, Kebumian dan Angkasa, vol. 2, no. 6, pp. 170–181, Nov. 2024, doi: 10.62383/algoritma.v2i6.270.
S. Paembonan and H. Abduh, “Penerapan Metode Silhouette Coeficient Untuk Evaluasi Clutering Obat Clustering; K-means; Silhouette coeficient,” PENA TEKNIK, vol. 6, no. 2, pp. 48–54, Sep. 2021, doi: 10.51557/pt_jiit.v6i2.659.
Ardiansyah, Risnita, and M. S. Jailani, “Teknik Pengumpulan Data Dan Instrumen Penelitian Ilmiah Pendidikan Pada Pendekatan Kualitatif dan Kuantitatif,” IHSAN: Jurnal Pendidikan Islam, vol. 1, no. 2, pp. 1–9, Apr. 2023, doi: https://doi.org/10.61104/ihsan.v1i2.57.
Suriadi, M. M. Maq, Randi, M. Karina, and R. Rais, “Pelatihan Teknis Pembuatan Kuosioner Penelitian Melalui Aplikasi Google Form Dalam Meningkatkan Kualitas Hasil Penelitian Bagi Dosen Pemula Di Era Digital,” Journal of Human And Education, vol. 4, no. 3, pp. 538–544, 2024, doi: https://doi.org/10.31004/jh.v4i3.1069.
A. R. Pratama, W. Irsyad, R. H. Hassan, and M. Rawati, “Pemanfaatan Google Form Sebagai Alat Evaluasi Pada Pembelajaran Pendidikan Agama Islam,” Pendidikan Tunas Bangsa, vol. 2, no. 1, pp. 19–30, Apr. 2024, doi: 10.58222/jptunasbangsa.v2i1.890.
M. I. Rahayu, R. Antika, S. Anggraeni, and R. Wijaya, “Sistem Kuesioner Evaluasi Layanan Perkuliahan dan Kegiatan Kampus Stmik Bandung Terintegrasi,” Jurnal Teknologi Informasi dan Komunikasi, vol. 13, no. 2, pp. 17–25, Dec. 2024, doi: https://doi.org/10.58761/jurtikstmikbandung.v13.i2.1725.
Saman, “Persepsi Mahasiswa Universitas Muhammadiyah Palopo Terhadap Pelaksanaan Pembelajaran Daring Saat Pandemi COVID-19,” Jurnal Manajemen dan Ilmu Pendidikan, vol. 3, no. 1, pp. 70–82, Feb. 2021, doi: 10.36088/manazhim.v3i1.1069.
L. Santoso and Priyadi, “Mengoptimalkan Proses Pembersihan Data dalam Analisis Big Data Menggunakan Pipeline Berbasis AI,” Jurnal Elektronika dan Komputer, vol. 17, no. 2, pp. 657–666, Dec. 2024, doi: 10.51903/elkom.v17i2.2311.
Dr. S. R. Sukhdeve and S. S. Sukhdeve, Google Colaboratory. Apress, Berkeley, CA, 2023. doi: 10.1007/978-1-4842-9688-2_2.
Nabila Sava Nur Az-zahrani, Hana Kurnia Asti Eloi, Feilisia Salim, Az-Zahra Aqeela Ramadhani, Charel Meysyanti, and Laurensia Nadia Ayu Purwantiningsih, Python untuk Analisis Data. Semarang: SIEGA, 2025. Accessed: Jan. 30, 2026. [Online]. Available: https://books.google.co.id/books?hl=en&lr=&id=BthpEQAAQBAJ&oi=fnd&pg=PP8&dq=Google+Colab+sangat+membantu+dalam+alur+kerja+analisis+data+karena+bisa+dilacak+kembali,+diulang,+kemudian+dikembangkan+lebih+lanjut&ots=7a2ie60I0c&sig=P8b2ybLImZwtnvOYPqfXIn4pQCY&redir_esc=y#v=onepage&q&f=false.
A. W. Fuadah, N. Arifin, and O. Juwita, “Optimasi K-Klasterisasi Ketahanan Pangan Kabupaten Jember Menggunakan Metode Elbow,” Informatics Journal, vol. 6, no. 3, pp. 136–141, 2021, doi: 10.19184/isj.v6i3.28363.
D. Lestari, Abd. C. Fauzan, and Harliana, “Penerapan Algoritma Pillar Untuk Optimasi Penentuan Titik Awal Centroid Pada Algoritma K-Means Clustering,” JOISIE Journal of Information System and Informatics Engineering, vol. 6, no. 1, pp. 15–24, Jun. 2022, doi: https://doi.org/10.35145/joisie.v6i1.2053.
A. Putra, D. Abdullah, and M. Daud, “Menggunakan Metode K-Harmonic Means dengan Validasi Silhouette Index dan C-index,” Jurnal Janitra Informatika dan Sistem Informasi, vol. 4, no. 2, pp. 74–86, Oct. 2024, doi: 10.59395/janitra.v4i2.203.
R. Akbar, U. S. Sukmawati, and K. Katsirin, “Analisis Data Penelitian Kuantitatif,” Jurnal Pelita Nusantara, vol. 1, no. 3, pp. 430–448, Jan. 2024, doi: 10.59996/jurnalpelitanusantara.v1i3.350.
B. J. Forester, A. Idris, A. Khater, M. W. Afgani, and M. Isnaini, “Penelitian Kuantitatif: Uji Reliabilitas,” Edu Society: Jurnal Pendidikan, Ilmu Sosial, dan Pengabdian Kepada Masyarakat, vol. 4, no. 3, pp. 1812–1820, Dec. 2024, doi: https://doi.org/10.56832/edu.v4i3.577.
Downloads
Published
How to Cite
Issue
Section
License
Copyright (c) 2026 HOAQ (High Education of Organization Archive Quality) : Jurnal Teknologi Informasi
This work is licensed under a Creative Commons Attribution 4.0 International License.
Jurnal HOAQ (High Education of Organization Archive Quality) : Jurnal Teknologi Informasi diterbitkan berdasarkan lisensi Creative Commons Attribution 4.0 International License (CC BY 4.0). Lisensi ini memungkinkan setiap orang untuk Berbagi: menyalin dan mendistribusikan kembali materi ini dalam format atau bentuk apapun; Adaptasi: merombak, mengubah, dan membuat turunan dari materi ini untuk keperluan apa pun, termasuk keperluan komersial, asalkan mereka memberikan pengakuan kepada Penulis Asli atas hasil karya aslinya.
