OPTIMALISASI STRATEGI PENGEMBANGAN KOLEKSI BERBASIS DATA-DRIVEN DECISION MAKING (DDDM) DI PERPUSTAKAAN UINSU

Abstract

Collection development at the Library of Universitas Islam Negeri Sumatera Utara (UIN SU) currently faces a critical challenge marked by a significant disparity between library material procurement and the actual needs of the academic community. Conventional approaches that rely on intuitive assumptions lead to budget allocation inefficiencies, resulting in a high prevalence of dead-stock collections alongside unfulfilled high-demand subject categories. Although prior literature has explored Data-Driven Decision Making (DDDM) and Decision Tree modeling in library contexts, most studies remain limited to descriptive transaction analysis without comprehensively integrating Online Public Access Catalog (OPAC) circulation and repository data to formulate an automated prescriptive decision model. This quantitative study bridges this empirical gap by implementing a five-stage DDDM framework consisting of data collection, data integration and cleaning, multi-level analytics (descriptive, diagnostic, predictive, and prescriptive), Decision Tree-based decision modeling, and strategy implementation. The novelty of this research lies in the formulation of a policy recommendation model for collection development directly derived from real user borrowing patterns and trends. The Decision Tree modeling yields a high-accuracy collection classification that underpins four optimization strategies: (1) collection procurement driven by predictive algorithms aligned with course and study program trends, (2) print collection rotation and weeding based on circulation ratios, (3) digitization prioritization for high-interaction learning materials, and (4) budget allocation efficiency based on user preference weights. This study proves that a circulation transaction-based DDDM approach transforms UIN SU Library collection management into an adaptive, responsive, and precise system in the Society 5.0 era.

ABSTRAK

Pengembangan koleksi di Perpustakaan Universitas Islam Negeri Sumatera Utara (UIN SU) saat ini masih menghadapi tantangan utama, yaitu tingginya ketimpangan antara pengadaan bahan pustaka dengan kebutuhan nyata akademisi. Pendekatan konvensional yang mengandalkan asumsi intuitif menyebabkan inefisiensi alokasi anggaran serta ditemukannya fenomena koleksi dead-stock (koleksi yang tidak pernah dipinjam) yang tinggi bersandingan dengan tingginya peminjaman (high-demand) pada kategori subjek tertentu. Meskipun penelitian terdahulu telah membahas penerapan Data-Driven Decision Making (DDDM) dan pemodelan Decision Tree dalam konteks perpustakaan secara umum, mayoritas studi terbatas pada analisis deskriptif transaksi tanpa mengintegrasikan data sirkulasi OPAC dan repositori secara komprehensif untuk merumuskan model keputusan preskriptif yang otomatis. Penelitian kuantitatif ini bertujuan untuk menjembatani gap tersebut melalui implementasi kerangka kerja DDDM 5 tahap yaitu pengumpulan data, integrasi dan pembersihan data, analisis multi-tingkat (deskriptif, diagnostik, prediktif, dan preskriptif), pemodelan keputusan berbasis algoritma Decision Tree, serta implementasi inovasi. Novelty dari penelitian ini terletak pada formulasi model rekomendasi kebijakan pengembangan koleksi yang secara presisi diturunkan langsung dari pola dan tren transaksi peminjaman nyata pemustaka. Hasil pemodelan Decision Tree menghasilkan klasifikasi koleksi berakurasi tinggi yang mendasari empat rekomendasi strategi optimalisasi (1) pengadaan koleksi berbasis algoritma prediksi tren mata kuliah/program studi, (2) rotasi dan eliminasi (weeding) berbasis rasio sirkulasi koleksi cetak, (3) prioritas digitalisasi untuk bahan pustaka berfrekuensi pinjam tinggi (high-interaction), serta (4) efisiensi alokasi anggaran pengadaan berbasis bobot preferensi pemustaka. Penelitian ini membuktikan bahwa pendekatan DDDM berbasis transaksi sirkulasi mampu mentransformasi manajemen koleksi Perpustakaan UIN SU menjadi adaptif, responsif, dan akurat di era Society 5.0.