Analisis Optimalisasi Capaian QS Asia University Ranking Program Studi di Kabupaten Jember menggunakan K-Means Clustering
Tahun 2026 · Penulis: Satria Belva Nararya
Faculty of Computer Science, Universitas Jember
Tautan: https://repository.unej.ac.id/handle/123456789/12564
Abstrak
Teks yang dipakai untuk pengindeksan BM25 dan IndoSBERT
Penelitian ini menganalisis optimalisasi pemeringkatan QS Asia University Ranking pada 171 program studi di Kabupaten Jember menggunakan algoritma Weighted K-Means Clustering. Data dari sembilan indikator utama QS distandarisasi dengan Z-Score dan dibobotkan sesuai standar metodologi resmi. Penentuan jumlah cluster optimal (K=9) divalidasi secara objektif melalui teknik Triangulasi Metrik (Elbow Method, Silhouette Score, dan Calinski-Harabasz Index), serta divisualisasikan melalui reduksi Principal Component Analysis (PCA) yang terbukti mempertahankan 62.29% variansi informasi asli. Hasil clusterisasi membagi populasi ke dalam 9 cluster berkarakteristik spesifik. cluster 0 (5 program studi) teridentifikasi sebagai kelompok paling matang dan siap, dengan capaian positif pada tiga indikator berbobot tertinggi (FSR, IRN, dan CPP). Sebaliknya, mayoritas populasi terkonsentrasi di cluster 2 (71 program studi) yang terjebak di "zona pasif" dengan defisit capaian di bawah rata-rata pada hampir seluruh indikator. Lebih lanjut, algoritma secara efektif memetakan distribusi keunggulan parsial, seperti cluster 4 yang menjadi ujung tombak pada dampak sitasi riset (CPP), serta mengisolasi anomali capaian ekstrem (outlier tunggal) pada cluster 5 untuk jejaring riset internasional (IRN) dan cluster 8 untuk produktivitas publikasi (PPF). Secara keseluruhan, hasil analisis ini membuktikan bahwa capaian pemeringkatan institusi di Kabupaten Jember belum merata, sehingga menuntut perumusan kebijakan strategis yang secara spesifik disesuaikan dengan profil kekuatan dan kelemahan di masing-masing cluster.
Dokumen Serupa
Berdasarkan kemiripan vektor embedding IndoSBERT (cosine similarity).
- Cosine 0,794
Tahun 2026 · Penulis: Dini Indriani
Analisis Penerapan Algoritma Naive Bayes dengan Seleksi Fitur untuk Klasifikasi Penerima Program Sembako di Kabupaten Banyuwangi
Ketidakakuratan menargetkan dalam distribusi Program Sembako tetap menjadi tantangan di pemberontakan Brayuwangi. Penelitian ini bertujuan untuk menganalisis aplikasi algoritma Naive Bayes dengan fitur Penentuan Informasi seleksi untuk mengklasifikasikan pener
- Cosine 0,780
Tahun 2026 · Penulis: Darojatul Alya Anwar
Analisis Sentimen Pengguna X Terhadap Penetapan UKT di Indonesia Menggunakan Metode Support Vector Machine
Analisis sentimen merupakan salah satu teknik dalam pengolahan bahasa alami (Natural Language Processing) yang bertujuan untuk mengelompokkan opini atau pandangan masyarakat ke dalam kategori sentimen positif, negatif, dan netral. Teknik ini digunakan untuk me
- Cosine 0,771
Tahun 2026 · Penulis: Ratna Puspita Eka Putri
Pengaruh Seleksi Fitur dan Ukuran Data pada Klasifikasi Penyakit Jantung dengan Naive Bayes dan Decision Tree
Penyakit jantung merupakan penyebab utama kematian secara global, yang bertanggung jawab atas sekitar 17,9 juta kematian setiap tahunnya. Deteksi dini melalui machine learning menawarkan solusi yang efisien dan dapat diskalakan, khususnya untuk fasilitas keseh