Article Per Year (5 Year)
p-Index From 2021 - 2026
0.408
P-Index
This Author published in this journals
All Journal KARMAPATI (Kumpulan Artikel Mahasiswa Pendidikan Teknik Informatika) ISSN: 2252-9063
Gede Ngurah Dananjaya Kajeng
Universitas Pendidikan Ganesha
Computer Science & IT Education

Published : 2 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 2 Documents
Search

 1 
Integrasi Algoritma K-Means untuk Clustering Data Kuesioner Kepribadian Mahasiswa Gede Ngurah Dananjaya Kajeng; I Made Agus Wirawan; I Kadek Dwi Arta Putra; Rama Ngurah Putera Pinatih
KARMAPATI (Kumpulan Artikel Mahasiswa Pendidikan Teknik Informatika) Vol. 15 No. 2 (2026): [ONGOING] Karmapati Vol 15 No 2 Tahun 2026
Publisher : Universitas Pendidikan Ganesha

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.23887/karmapati.v15i2.114413

Abstract

Abstrak – Artikel ini menyajikan pendekatan terintegrasi untuk pengelompokan berbasis kepribadian mahasiswa menggunakan algoritma K-Means yang ditingkatkan dengan optimasi Opposition and Dimensional-Based Modified Firefly Algorithm (ODFA). Penelitian ini menangani tantangan dalam mengolah data kepribadian berbasis skala Likert yang bersifat tidak presisi dengan menerapkan pipeline praproses yang komprehensif, meliputi medical filtering, normalisasi Z-score, dan Principal Component Analysis (PCA). Algoritma K-Means dioptimalkan dengan inisialisasi ODFA untuk mengatasi masalah local optima yang sering terjadi pada pendekatan K-Means standar. Data diperoleh dari 114 mahasiswa melalui kuesioner Big Five Personality Traits yang terdiri dari 28 item. Validasi klaster dilakukan menggunakan metode Elbow dan metrik Silhouette Score. Hasil penelitian menunjukkan bahwa jumlah klaster optimal adalah K = 2, dengan nilai Silhouette Score sebesar 0,22, yang mengindikasikan adanya profil kepribadian yang berbeda antar mahasiswa dengan pemisahan spasial yang cukup jelas. Integrasi ODFA dengan K-Means terbukti efektif dengan peningkatan kualitas klasterisasi dibandingkan K-Means standar. Pendekatan hibrida ini berhasil menangani kompleksitas data psikologis yang multidimensi serta menyediakan kerangka kerja otomatis dan objektif untuk segmentasi mahasiswa berdasarkan kepribadian. Temuan ini mendukung penggunaan K-Means yang dioptimalkan dengan inisialisasi ODFA sebagai teknik praproses yang efektif.
Analisis Clustering Kepribadian Mahasiswa Berdasarkan Data Kuesioner Menggunakan Self-Organizing Map I Kadek Dwi Arta Putra; I Made Agus Wirawan; Gede Ngurah Dananjaya Kajeng; Rama Ngurah Putera Pinatih
KARMAPATI (Kumpulan Artikel Mahasiswa Pendidikan Teknik Informatika) Vol. 15 No. 2 (2026): [ONGOING] Karmapati Vol 15 No 2 Tahun 2026
Publisher : Universitas Pendidikan Ganesha

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.23887/karmapati.v15i2.114414

Abstract

Penelitian ini bertujuan untuk mengelompokkan profil kepribadian mahasiswa menggunakan algoritma Self-Organizing Map berdasarkan data kuesioner yang mengacu pada Big Five Personality Traits. Dataset yang digunakan terdiri dari 114 responden yang diperoleh setelah proses preprocessing dari 131 responden awal, dengan 28 item pernyataan skala Likert yang merepresentasikan lima dimensi kepribadian. Tahap preprocessing meliputi pembersihan data, penyaringan, transformasi ke bentuk numerik, serta normalisasi menggunakan metode Min-Max scalling. Algoritma Self-Organizing Map diimplementasikan dengan berbagai kombinasi parameter, yaitu Learning Rate sebesar 0,1, 0,3, dan 0,5, serta jumlah iterasi 50, 100, 150, dan 200, sehingga menghasilkan 12 skenario percobaan. Kualitas klaster dievaluasi menggunakan Silhouette Score, Davies-Bouldin Index, dan Calinski-Harabasz Index. Hasil penelitian menunjukkan bahwa konfigurasi terbaik diperoleh pada Learning Rate 0,3 dan iterasi 50 dengan dimensi lattice 1×2 yang menghasilkan dua klaster, dengan nilai Silhouette Score sebesar 0,180, Davies-Bouldin Index sebesar 1,979, dan Calinski-Harabasz Index sebesar 25,238. Hasil ini menunjukkan bahwa klaster yang terbentuk memiliki tingkat kekompakan dan pemisahan yang baik dibandingkan konfigurasi lainnya. Dengan demikian, algoritma Self-Organizing Map terbukti efektif dalam mengidentifikasi pola tersembunyi pada data kepribadian berdimensi tinggi dan mampu menghasilkan pengelompokan yang lebih stabil dibandingkan metode clustering konvensional.
Co-Authors I Kadek Dwi Arta Putra M.Cs S.Kom I Made Agus Wirawan . Rama Ngurah Putera Pinatih