ESTD PERPUSTAKAAN UNTAD
ESTD PERPUSTAKAAN UNTAD
| JudulPENENTUAN CLUSTER DOSEN BERDASARKAN EVALUASI KINERJA MENGGUNAKAN ALGORITMA DBSCAN (STUDI KASUS JURUSAN TEKNOLOGI INFORMASI UNIVERSITAS TADULAKO) |
| Nama: AYUB ASWAD |
| Tahun: 2019 |
| Abstrak Dosen merupakan elemen penting dalam proses belajar mengajar di setiap perguruan tinggi. Dosen harus mempunyai kualitas yang baik dan berkompeten pada ilmu yang diajarkannya. Untuk mengukur hal tersebut, maka dibutuhkan evaluasi atau penilaian kinerja dosen, salah satunya berupa kuesioner yang dibagikan kepada mahasiswa melalui dosen mata kuliah di akhir semester. Pada kenyataannya, prosedur tersebut tidak berjalan secara optimal karena dilakukan secara manual, mulai dari persiapan, pengisian, scanning atau entry data, sampai pada perhitungan dan perangkingan. Hal tersebut juga dapat membutuhkan waktu yang lama dan biaya yang cukup banyak. Penelitian ini bertujuan untuk menghasilkan cluster dosen per mata kuliah yang didapatkan dari proses clustering menggunakan algoritma DBSCAN (Density-Based Spatial Clustering of Applications with Noise), dimana clustering menggantikan proses perangkingan. Penelitian ini menggunakan 168 data kuesioner dari 79 mahasiswa pada Jurusan Teknologi Informasi, Universitas Tadulako yang didapatkan melalui pengisian langsung oleh mahasiswa menggunakan aplikasi Android yang dikembangkan pada penelitian ini. Data kuesioner tersebut diproses pada aplikasi Web untuk mendapatkan cluster. Penelitian ini menggunakan nilai minPts 0 dan nilai eps 0.0875 yang didapatkan pada k-dist-plot dengan menggunakan algoritma KNN (K-Nearest Neighbor). Penelitian ini menghasilkan 10 cluster dengan nilai evaluasi yang tinggi yaitu 0.77 dengan menggunakan metode Silhouette Coefficient sebagai metode evaluasi untuk hasil cluster. Penelitian ini menyimpulkan bahwa algoritma clustering DBSCAN dapat menentukan cluster dosen per mata kuliah berdasarkan evaluasi kinerja. Direkomendasikan penelitian lebih lanjut untuk mendapatkan nilai Silhouette Coefficient yang lebih tinggi atau membandingkan algoritma DBSCAN dengan algoritma clustering yang lain pada kasus yang sama. |