<![CDATA[Pemantauan tingkat kehadiran mahasiswa merupakan aspek krusial dalam evaluasi dan pembinaan akademik, namun analisis manual terhadap data presensi yang besar sering kali tidak efisien. Penelitian ini bertujuan untuk mengelompokkan mahasiswa berdasarkan pola ketidakhadiran mereka dengan manfaat utama menciptakan sistem peringatan dini terhadap mahasiswa yang teridentifikasi memiliki risiko akademik. Algoritma yang digunakan adalah Density-Based Spatial Clustering of Applications with Noise (DBSCAN) dengan parameter clustering berupa total akumulasi ketidakhadiran tanpa keterangan pada setiap mata kuliah. Hasil pengujian pada data presensi mahasiswa Teknik Informatika semester genap 2024/2025 menunjukkan bahwa tingkat satu dengan 150 data menghasilkan tiga cluster dengan Silhouette Score sebesar 0,892 dan Davies-Bouldin Index sebesar 0,1661, tingkat dua menghasilkan tiga cluster dengan Silhouette Score sebesar 0,8917 dan Davies-Bouldin Index sebesar 0,1637, tingkat tiga menghasilkan tiga cluster dengan Silhouette Score sebesar 0,8380 dan Davies-Bouldin Index sebesar 0,1664, sedangkan tingkat empat menghasilkan tiga cluster dengan Silhouette Score sebesar 0,8606 dan Davies-Bouldin Index sebesar 0,1722. Dengan parameter tersebut sistem mampu membentuk beberapa cluster mahasiswa yang signifikan termasuk cluster dengan tingkat alpa tinggi yang memerlukan perhatian khusus. Kesimpulannya algoritma DBSCAN terbukti efektif dan dapat diandalkan untuk melakukan clustering data presensi sehingga dapat menjadi alat bantu yang berharga bagi pihak akademik dalam memonitor dan meningkatkan performa mahasiswa.Kata kunci: Clustering, DBSCAN, Pendidikan Vokasi, Silhouette Score, Davies-Bouldin Index]]>
