PENERAPAN ALGORITMA K-MEANS CLUSTERING UNTUK ANALISIS KEPUASAN PESERTA PROGRAM PELATIHAN KARIER MAHASISWA MENGGUNAKAN ALTAIR AI STUDIO 2026 (RAPIDMINER)
DOI:
https://doi.org/10.51878/educational.v6i3.13079Keywords:
K-Means, Clustering, Data Mining, Kepuasan Peserta, Pelatihan Karier, Altair AI Studio 2026, RapidMiner, Davies Bouldin IndexAbstract
Career training programs for university students represent one form of soft skill development service and workforce-readiness preparation provided by universities and related institutions. Evaluating participant satisfaction with program implementation is an important component in assessing success and formulating strategies for continuous quality improvement. However, conventional satisfaction analysis is often unable to objectively reveal participant patterns and segmentation. This study aims to examine the application of the K-Means Clustering algorithm for analyzing and clustering the satisfaction levels of 70 participants in a career training program based on three evaluation dimensions: training materials, instructors, and event implementation. Data processing was carried out using Altair AI Studio 2026 (formerly known as RapidMiner Studio) with a 1–5 Likert rating scale and Min-Max normalization. Cluster quality was evaluated using the Davies Bouldin Index (DBI). The results show that the optimal number of clusters is K=3, with a DBI value of 0.079. The three groups formed consist of: a high-satisfaction cluster (68 participants; 97.1%), a moderate-satisfaction cluster (1 participant; 1.4%), and a low-satisfaction cluster (1 participant; 1.4%). This distribution indicates an overall very high level of satisfaction, while also identifying two participants with partial dissatisfaction patterns that require special attention. These segmentation results can serve as a basis for data-driven decision-making for organizers in improving the quality of future career training programs.
ABSTRAK
Program pelatihan karier bagi mahasiswa merupakan salah satu bentuk layanan pengembangan soft skill dan kesiapan memasuki dunia kerja yang diselenggarakan oleh perguruan tinggi maupun lembaga terkait. Evaluasi kepuasan peserta terhadap pelaksanaan program menjadi komponen penting dalam menilai keberhasilan dan merumuskan strategi peningkatan kualitas secara berkelanjutan. Namun, analisis kepuasan secara konvensional sering kali tidak mampu mengungkap pola dan segmentasi peserta secara objektif. Penelitian ini bertujuan untuk mengetahui penerapan algoritma K-Means Clustering untuk menganalisis dan mengelompokkan tingkat kepuasan 70 peserta program pelatihan karier berdasarkan tiga aspek evaluasi: evaluasi materi, evaluasi narasumber, dan evaluasi pelaksanaan acara. Pengolahan data dilakukan menggunakan Altair AI Studio 2026 (sebelumnya dikenal sebagai RapidMiner Studio) dengan skala penilaian Likert 1–5 dan normalisasi Min-Max. Evaluasi kualitas cluster menggunakan Davies-Bouldin Index (DBI). Hasil penelitian menunjukkan jumlah cluster optimal adalah K=3 dengan nilai DBI sebesar 0,079. Tiga kelompok yang terbentuk terdiri atas: cluster kepuasan tinggi (68 peserta; 97,1%), cluster kepuasan sedang (1 peserta; 1,4%), dan cluster kepuasan rendah (1 peserta; 1,4%). Distribusi ini mengindikasikan tingkat kepuasan yang sangat tinggi secara keseluruhan, sekaligus mengidentifikasi dua peserta dengan pola ketidakpuasan yang bersifat parsial dan memerlukan perhatian khusus. Hasil segmentasi ini dapat menjadi dasar pengambilan keputusan berbasis data bagi penyelenggara dalam meningkatkan kualitas program pelatihan karier selanjutnya.
Downloads
References
Al Fahrozi, A., Insani, F., Budianita, E., & Afrianty, I. (2023). Implementasi algoritma K-Means dalam menentukan clustering pada penilaian kepuasan pelanggan di Badan Pelatihan Kesehatan Pekanbaru. Indonesian Journal of Innovation Multidisipliner Research, 1(4), 474-492. https://doi.org/10.31004/ijim.v1i4.53
Altair Engineering Inc. (2026). Altair AI Studio 2026: Platform documentation and user guide. Altair Engineering.
Burelia, U., Urva, G., & Sellyana, A. (2022). Mengukur Tingkat Kepuasan Masyarakat Pada Pelayanan Kepolisian Resor (Polres) Dumai Menggunakan Algoritma K-Means Clustering. Jurnal Teknologi Komputer dan Informasi, 10(1), 12-18. https://ejurnal.sttdumai.ac.id/index.php/jutekinf/article/view/354
Carelsa, H. V., Malik, R. A., & Putra, D. J. (2023). Pengukuran Tingkat Kepuasan Mahasiswa Terhadap Pelayanan di Kantin Kampus Menggunakan Algoritma K-means Clusterring. Journal of Information System and Education Development, 1(3), 6-11. https://journal.mwsfoundation.or.id/index.php/jised/article/view/21
Davies, D. L., & Bouldin, D. W. (1979). A cluster separation measure. IEEE Transactions on Pattern Analysis and Machine Intelligence, 1(2), 224–227. https://doi.org/10.1109/TPAMI.1979.4766909
Dhani, D. M., Buaton, R., & Prahmana, I. G. (2024). Penerapan Metode K–Means Clustering untuk Menentukan Kepuasan Mahasiswa terhadap Fasilitas Sarana dan Prasarana Kampus di STMIK Kaputama Binjai. Bridge: Jurnal Publikasi Sistem Informasi dan Telekomunikasi, 2(3), 229-243. https://doi.org/10.62951/bridge.v2i3.170
Han, J., Kamber, M., & Pei, J. (2012). Data Mining: Concepts and Techniques (3rd ed.). Morgan Kaufmann.
Hendrastuty, N. (2024). Penerapan Data Mining Menggunakan Algoritma K-Means Clustering Dalam Evaluasi Hasil Pembelajaran Siswa. Jurnal Ilmiah Informatika dan Ilmu Komputer (JIMA-ILKOM), 3(1), 46-56. https://doi.org/10.58602/jima-ilkom.v3i1.26
Khodijah, S., Hariyanto, A. R., Salsabiilah, B., Aulia, W. S., & Fanyusri, M. (2025). Student Clustering Based on Academic Performance Using the K-Means Algorithm in RapidMiner: A Case Study with the Student Academic Performance Dataset. Journal of Information Technology and Informatics Engineering, 1(1), 46-50. https://journal.jci.co.id/jitie/article/view/132
Kirkpatrick, J. D., & Kirkpatrick, W. K. (2016). Kirkpatrick's four levels of training evaluation. ATD Press.
Kotler, P., & Keller, K. L. (2016). Marketing Management (15th ed.). Pearson Education.
Leonardo, J. (2025). Penerapan Algoritma K-Means dan Naïve zBayes Dalam Menganalisa Tingkat Kepuasan Mahasiswa Terhadap Pelayanan Kampus. Cloud, 2(1), 25-36. https://journal.ikapkin.or.id/index.php/cloud/article/view/25
MacQueen, J. (1967). Some methods for classification and analysis of multivariate observations. Proceedings of the 5th Berkeley Symposium on Mathematical Statistics and Probability, 1, 281–297.
Muasaroh, Y. I., & Fatah, Z. (2024). Implementasi RapidMiner dalam Optimasi Pembentukan Kelas Unggulan Menggunakan K-Means Clustering. Journal of Advanced Research in Informatics, 3(1), 66-72. https://doi.org/10.24929/jars.v3i1.3866
Nadiyah, N., Arifin, N. H. I., & Karim, A. (2024). Penerapan Algoritma K-Means Untuk Clustering Penilaian Layanan Berdasarkan Indeks Kepuasan Mahasiswa Universitas Nurul Jadid. Journal of Advanced Research in Informatics, 2(2), 23-30. https://doi.org/10.24929/jars.v2i2.3431
Nadya, N. S., & Wahyuni, S. (2024). Implementasi Data Mining Dalam Mengelompokkan Tingkat Kepuasan Pemakaian Jasa Cleaning Service Dengan Menggunakan Algoritma K-Means Clustering. Bulletin of Information Technology (BIT), 5(4), 340-354. https://doi.org/10.47065/bit.v5i4.1729
Obaid, A. Q., & Alabbas, M. (2024). A comparative evaluation of initialization strategies for K-means clustering with swarm intelligence algorithms. Iraqi Journal for Electrical and Electronic Engineering, 20(1), 271-285. https://doi.org/10.37917/ijeee.20.1.25
Pramesti, K. D., Meisya, N. I., & Amrillah, R. (2024). Relevansi lulusan perguruan tinggi dengan dunia kerja. An Najah (Jurnal Pendidikan Islam dan Sosial Keagamaan), 3(4), 236-243. https://journal.nabest.id/index.php/annajah/article/view/304
Rohman, M., Yahya, K., & Susilo, P. H. (2024). Implementasi Algoritma K-means Clustering pada Pengelompokan Data Kepuasan Penggunaan E-learning. Generation Journal, 8(2), 81-92. https://doi.org/10.29407/gj.v8i2.22730
Sudrajat, A., Purnamasari, A. I., & Ali, I. (2024). Penerapan K-Means untuk menganalisis kepuasan mahasiswa terhadap pembelajaran daring. JATI (Jurnal Mahasiswa Teknik Informatika), 8(1), 1083-1089. https://doi.org/10.36040/jati.v8i1.8337
Sultan Alalawi, S. J., Mohd Shaharanee, I. N., & Mohd Jamil, J. (2023). Clustering student performance data using k-means algorithms. Journal of Computational Innovation and Analytics (JCIA), 2(1), 41-55. https://doi.org/10.32890/jcia2023.2.1.3
Tan, P. N., Steinbach, M., & Kumar, V. (2016). Introduction to Data Mining (2nd ed.). Pearson Education.
Downloads
Published
How to Cite
Issue
Section
License
Copyright (c) 2026 EDUCATIONAL : Jurnal Inovasi Pendidikan & Pengajaran
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.
