PENERAPAN ALGORITMA K-MEANS CLUSTERING UNTUK ANALISIS KEPUASAN PESERTA PROGRAM PELATIHAN KARIER MAHASISWA MENGGUNAKAN ALTAIR AI STUDIO 2026 (RAPIDMINER)

Wahyu Setiawan (Universitas Budi Luhur)
Arief Wibowo (Universitas Budi Luhur)

EDUCATIONAL: Jurnal Inovasi Pendidikan dan Pengajaran
Vol. 6 No. 3 (2026)

Career training programs for university students represent one form of soft skill development service and workforce-readiness preparation provided by universities and related institutions. Evaluating participant satisfaction with program implementation is an important component in assessing success and formulating strategies for continuous quality improvement. However, conventional satisfaction analysis is often unable to objectively reveal participant patterns and segmentation. This study aims to examine the application of the K-Means Clustering algorithm for analyzing and clustering the satisfaction levels of 70 participants in a career training program based on three evaluation dimensions: training materials, instructors, and event implementation. Data processing was carried out using Altair AI Studio 2026 (formerly known as RapidMiner Studio) with a 1–5 Likert rating scale and Min-Max normalization. Cluster quality was evaluated using the Davies Bouldin Index (DBI). The results show that the optimal number of clusters is K=3, with a DBI value of 0.079. The three groups formed consist of: a high-satisfaction cluster (68 participants; 97.1%), a moderate-satisfaction cluster (1 participant; 1.4%), and a low-satisfaction cluster (1 participant; 1.4%). This distribution indicates an overall very high level of satisfaction, while also identifying two participants with partial dissatisfaction patterns that require special attention. These segmentation results can serve as a basis for data-driven decision-making for organizers in improving the quality of future career training programs. ABSTRAK Program pelatihan karier bagi mahasiswa merupakan salah satu bentuk layanan pengembangan soft skill dan kesiapan memasuki dunia kerja yang diselenggarakan oleh perguruan tinggi maupun lembaga terkait. Evaluasi kepuasan peserta terhadap pelaksanaan program menjadi komponen penting dalam menilai keberhasilan dan merumuskan strategi peningkatan kualitas secara berkelanjutan. Namun, analisis kepuasan secara konvensional sering kali tidak mampu mengungkap pola dan segmentasi peserta secara objektif. Penelitian ini bertujuan untuk mengetahui penerapan algoritma K-Means Clustering untuk menganalisis dan mengelompokkan tingkat kepuasan 70 peserta program pelatihan karier berdasarkan tiga aspek evaluasi: evaluasi materi, evaluasi narasumber, dan evaluasi pelaksanaan acara. Pengolahan data dilakukan menggunakan Altair AI Studio 2026 (sebelumnya dikenal sebagai RapidMiner Studio) dengan skala penilaian Likert 1–5 dan normalisasi Min-Max. Evaluasi kualitas cluster menggunakan Davies-Bouldin Index (DBI). Hasil penelitian menunjukkan jumlah cluster optimal adalah K=3 dengan nilai DBI sebesar 0,079. Tiga kelompok yang terbentuk terdiri atas: cluster kepuasan tinggi (68 peserta; 97,1%), cluster kepuasan sedang (1 peserta; 1,4%), dan cluster kepuasan rendah (1 peserta; 1,4%). Distribusi ini mengindikasikan tingkat kepuasan yang sangat tinggi secara keseluruhan, sekaligus mengidentifikasi dua peserta dengan pola ketidakpuasan yang bersifat parsial dan memerlukan perhatian khusus. Hasil segmentasi ini dapat menjadi dasar pengambilan keputusan berbasis data bagi penyelenggara dalam meningkatkan kualitas program pelatihan karier selanjutnya.