Pengelompokan Perguruan Tinggi Negeri Di Indonesia Berbasis Indikator Kinerja Utama Menggunakan Block-Based K-Medoids Partitioning Method

Awaliana Septiarista Sari; Kariyam Kariyam

Awaliana Septiarista Sari Program Studi Statistika, Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Islam Indonesia, Indonesia
Kariyam Kariyam Universitas Islam Indonesia

Abstract

Salah satu faktor penentu kelayakan sebuah perguruan tinggi adalah akreditasi. Akreditasi merupakan kegiatan penilaian mutu dan kelayakan perguruan tinggi sesuai dengan kriteria yang telah ditetapkan berdasarkan Standar Nasional Pendidikan Tinggi (SN Dikti). Pada penelitian ini dilakukan pengelompokan Perguruan Tinggi Negeri (PTN) di Indonesia berdasarkan data campuran yaitu Indikator Kinerja Utama (IKU) yang terdiri dari 9 variabel numerik dan dua variabel tambahan berbentuk kategorik. Variabel numerik terdiri atas persentase dosen berkegiatan di luar kampus, persentase dosen berkualifikasi doktor, persentase lulusan berkegiatan di luar kampus, persentase Program Studi (Prodi) dengan pembelajaran berbasis proyek, rasio jumlah penelitian terhadap cacah dosen, persentase lulusan berkarya, persentase Prodi dengan akreditasi internasional, pengalaman PTN, dan persentase implementasi kerjasama Prodi. Adapun 2 variabel kategorik yaitu peringkat akreditasi PTN dan status Badan Hukum PTN. Metode yang digunakan dalam penelitian ini adalah Block-Based K-Medoids Partitioning Method (Block-KM), sementara untuk penentuan cacah grup digunakan Deviation Ratio Index based on K-Medoids (DRIM). Berdasarkan DRIM diperoleh cacah optimal kelompok adalah empat. Kelompok pertama terdiri atas 8 PTN, kelompok kedua 6 PTN, kelompok ketiga 8 PTN dan kelompok keempat 45 PTN. Kelompok empat mempunyai profil capaian IKU yang paling tinggi dibandingkan dengan kelompok lain.

References

[1] R. I. Undang-Undang Nomor 12 Pasal 59 Tentang Bentuk Perguruan Tinggi, Jakarta: Kementrian Riset, Teknologi dan Pendidikan Tinggi, 2012
[2] D. D. K. Panduan Indikator Kinerja Utama Perguruan Tinggi Negeri, Jakarta: Dirjen Dikti Kemendikbud
[3] L. Kaufman and P. J. Rousseeuw, Finding Groups in Data: An Introduction to Cluster Analysis, New Jersey: John Wiley and Sons Inc, 1990
[4] Kariyam, Abdurakhman, Subanar, H. Utami and A. R. Effendie, "Block-Based K-Medoids Partitioning Method with Standardized Data to Improve Cluster Accuracy", Mathematical Modelling of Engineering Problems, pp. 1613-1621, 2022.
[5] D. Widyadhana, R. B. Hastuti, I. Kharisudin and F. , "Perbandingan Analisis Klaster K-Means dan Average Linkage untuk Pengklasteran Kemiskinan di Provinsi Jawa Tengah," Prosiding Seminar Nasional Matematika, pp. 584-593, 2021.
[6] Jajuga, K., Walesiak, M. (2000). "Standardisation of data set under different measurement scales". In Classification and Information Processing at the turn of the Millennium, pp. 105-112. https://doi.org/10.1007/978-3-642-57280-7_11
[7] Zorn, C. (2003). Agglomerative clustering of rankings data, with application to prison rodeo events. Department of Political Science, Emory University, Atlanta, GA 30322. https://www.academia.edu/2815155
[8] Johnson, R.A., Wichern, D.W. (2009). Applied Multivariate Statistical Analysis, John Wiley & Sons.
[9] Kariyam, Abdurakhman, and A. R. Effendie, "A medoid-based deviation ratio index to determine the number of clusters in a dataset," MethodsX , pp. 1-13, 2023.
[10] T. Calinski and J. Harabaz, A dendrite method for cluster analysis, Communications in Statistics, 3(1) (1974) 1-27. http://dx.doi.org/10.1080/03610927408827101