<![CDATA[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.]]>
Copyrights © 2026
