<![CDATA[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.]]>
Copyrights © 2026
