Optimalisasi Evaluasi Kepuasan Mahasiswa Pada Mata Kuliah Data Manajemen Berbasis Machine Learning

Abstract

Evaluasi kepuasan mahasiswa merupakan aspek penting dalam memastikan kualitas pendidikan yang optimal, terutama pada mata kuliah Data Manajemen yang berperan vital dalam pengembangan keterampilan pengelolaan data di era digital. Mata kuliah ini tidak hanya mengajarkan teori dasar, tetapi juga mencakup penerapan praktis melalui proyek dan simulasi. Namun, permasalahan muncul ketika institusi sulit mengidentifikasi secara akurat kelompok mahasiswa dengan tingkat kepuasan rendah dan faktor-faktor spesifik yang memengaruhi kepuasan mereka. Hal ini dapat menghambat upaya peningkatan kualitas pembelajaran karena strategi yang diterapkan tidak selalu tepat sasaran. Maka dari itu, diperlukan metode yang efektif dan berbasis data untuk mengidentifikasi pola kepuasan mahasiswa secara mendalam, sehingga dapat digunakan sebagai acuan dalam perbaikan layanan dan pengajaran. Penelitian ini menggunakan metode machine learning dengan algoritma K-Means untuk mengelompokkan mahasiswa berdasarkan tingkat kepuasan mereka terhadap mata kuliah Data Manajemen. Data dikumpulkan melalui survei yang melibatkan 354 mahasiswa, dengan menggunakan lima dimensi kualitas layanan: tangible, reliability, responsiveness, assurance, dan empathy. Setiap dimensi diukur melalui 30 pertanyaan yang dirancang untuk menangkap persepsi mahasiswa terhadap berbagai aspek perkuliahan. Setelah data terkumpul, proses clustering dilakukan menggunakan algoritma K-Means untuk mengidentifikasi pola dalam jawaban responden. Metode Elbow digunakan untuk menentukan jumlah cluster optimal, dan Davies-Bouldin Index (DBI) dipakai untuk mengukur kualitas pengelompokan. Hasil penelitian menunjukkan bahwa dua cluster merupakan jumlah optimal, dengan distribusi yang merata antara mahasiswa dengan kepuasan tinggi dan rendah, masing-masing 50%. Cluster pertama menggambarkan mahasiswa dengan penilaian baik, sementara cluster kedua berisi mahasiswa dengan penilaian kurang baik. Temuan ini memberikan wawasan mendalam tentang kelompok mahasiswa yang memerlukan perhatian lebih dalam proses pembelajaran. Dengan menerapkan analisis berbasis K-Means, institusi pendidikan dapat mengidentifikasi dan merancang strategi peningkatan layanan secara lebih efektif, berdasarkan kebutuhan dan pola spesifik dari masing-masing kelompok mahasiswa. Penelitian ini membuktikan bahwa machine learning dapat memberikan pemahaman lebih mendalam terkait faktor-faktor yang memengaruhi kepuasan mahasiswa dan mendukung perencanaan kebijakan pendidikan yang tepat sasaran dan berkelanjutan.