<![CDATA[Kegiatan kemahasiswaan berperan penting dalam pengembangan kompetensi mahasiswa, namun tingkat keaktifan pada berbagai aktivitas seperti organisasi, seminar, kepanitiaan, lomba, dan pengembangan diri menunjukkan variasi yang signifikan sehingga diperlukan pendekatan berbasis data untuk mengidentifikasi pola keterlibatan secara lebih objektif. Penelitian ini menerapkan K-Means Clustering pada data 100 responden mahasiswa UINSU yang diperoleh melalui Google Forms, melalui tahapan preprocessing, konversi skala ordinal, serta analisis menggunakan Python (Google Colab). Jumlah cluster optimal ditentukan menggunakan metode Elbow berbasis Within Cluster Sum of Squares (WCSS). Hasil penelitian menunjukkan terbentuk tiga cluster (k=3), yaitu C0 (30 mahasiswa) dengan karakteristik aktif organisasi dan kepanitiaan yang ditandai skor panitia 2.43 dan organisasi 1.63, C1 (38 mahasiswa) sebagai kelompok sangat aktif/multitalenta dengan dominasi pengembangan diri 2.03 dan lomba 1.76, serta C2 (32 mahasiswa) sebagai kelompok kurang aktif dengan skor terendah pada organisasi 0.31 dan lomba 0.47. Visualisasi PCA memperkuat pemisahan cluster yang terbentuk, sehingga menunjukkan bahwa K-Means efektif dalam mengungkap heterogenitas tingkat keaktifan mahasiswa dan dapat digunakan sebagai dasar pengambilan keputusan berbasis data dalam pengelolaan program kemahasiswaan.Kata Kunci— Kegiatan Kampus, Keaktifan Mahasiswa, Klasterisasi; K-Means, Segmentasi ABSTRACT Student activities play a crucial role in developing students’ competencies; however, participation levels in various activities—such as student organizations, seminars, event committees, competitions, and personal development—show significant variation, necessitating a data-driven approach to identify patterns of engagement more objectively. This study applied K-Means Clustering to data from 100 UINSU student respondents collected via Google Forms, through stages of preprocessing, ordinal scale conversion, and analysis using Python (Google Colab). The optimal number of clusters was determined using the Elbow method based on the Within Cluster Sum of Squares (WCSS). The results indicate the formation of three clusters (k=3): C0 (30 students) characterized by active involvement in organizations and committees, marked by a committee score of 2.43 and an organizational score of 1.63; C1 (38 students) as a highly active/multitalented group dominated by personal development (2.03) and competitions (1.76), and C2 (32 students) as a less active group with the lowest scores in organizational activities (0.31) and competitions (0.47). PCA visualization reinforces the separation of the formed clusters, indicating that K-Means is effective in revealing the heterogeneity of student activity levels and can serve as a basis for data-driven decision-making in the management of student programs. Keywords— Campus Activities, Clustering, K-Means, Segmentation, Student Activity ]]>
