Segmentasi Mahasiswa Berdasarkan Nilai Akademik dan Kehadiran Menggunakan Algoritma Clustering: Sebuah Tinjauan

Abstrak

Penelitian ini menyajikan tinjauan literatur sistematis mengenai penerapan algoritma clustering untuk segmentasi mahasiswa berdasarkan nilai akademik dan kehadiran. Tinjauan ini mengkaji 21 artikel ilmiah yang dipublikasikan pada tahun 2022 hingga 2026 dari jurnal nasional terakreditasi SINTA dan sumber internasional. Analisis dilakukan untuk: (RQ1) mengidentifikasi algoritma clustering yang paling dominan digunakan dalam segmentasi mahasiswa; (RQ2) mengevaluasi perbedaan kinerja antara model tunggal dan model hybrid berdasarkan metrik evaluasi internal seperti Silhouette Score dan Davies-Bouldin Index; serta (RQ3) mengkaji faktor-faktor yang memengaruhi kualitas segmentasi pada data pendidikan. Hasil kajian menunjukkan bahwa K-Means tetap menjadi algoritma paling dominan karena kesederhanaannya dan skalabilitasnya, diikuti DBSCAN yang efektif untuk deteksi outlier, dan K-Medoids yang lebih robust terhadap noise. Pendekatan hybrid secara konsisten menghasilkan nilai metrik evaluasi yang lebih unggul dibandingkan model tunggal. Strategi pra-pemrosesan, penentuan jumlah klaster optimal menggunakan Elbow Method dan Silhouette Analysis, serta rekayasa fitur diidentifikasi sebagai tiga faktor paling kritis dalam meningkatkan kualitas segmentasi mahasiswa untuk pengambilan keputusan akademik berbasis data.