Hybrid K-Means Clustering dan MARCOS dalam Sistem Pendukung Keputusan Pemilihan Mahasiswa Berprestasi Berbasis Konsistensi Nilai Akademik

Annisa Elfina  Augustia; Andreas Adi  Trinoto; Erlin Windia  Ambarsari

doi:10.58602/chain.v4i3.295

Annisa Elfina Augustia Universitas Indraprasta PGRI
Andreas Adi Trinoto Universitas Indraprasta PGRI
Erlin Windia Ambarsari ^{(Corresponding Author)} Universitas Indraprasta PGRI

DOI: https://doi.org/10.58602/chain.v4i3.295

Keywords: Konsistensi Akademik, Sistem Pendukung Keputusan, K-Means Clustering, Metode MARCOS, Pemeringkatan Mahasiswa

Abstract

Penelitian ini bertujuan untuk mengatasi kelemahan sistem seleksi mahasiswa berprestasi yang sering kali hanya mengandalkan nilai akumulatif (IPK) tanpa mempertimbangkan stabilitas performa akademik mahasiswa. Ketimpangan nilai yang ekstrem antara komponen Tugas, UTS, dan UAS dianggap sebagai hambatan bagi dosen pengampu dalam mengevaluasi dinamika belajar yang sesungguhnya. Oleh karena itu, diusulkan sebuah model pendukung keputusan hybrid yang mengintegrasikan algoritma K-Means Clustering dan metode MARCOS. Dalam implementasinya, algoritma K-Means digunakan sebagai penyaring awal untuk mendeteksi anomali data melalui fitur Mean dan Standar Deviasi. Berdasarkan metode Elbow, ditemukan bahwa jumlah klaster optimal adalah dua (k=2), yang membagi 129 data mahasiswa menjadi 80 mahasiswa dengan profil nilai konsisten (Klaster Normal) dan 49 mahasiswa dengan nilai yang fluktuatif (Klaster Anomali). Validasi klaster menunjukkan Silhouette Score sebesar 0,4869. Mahasiswa pada Klaster Normal kemudian diperingkat menggunakan metode MARCOS yang mempertimbangkan bobot kriteria, yaitu Tugas (20%), UTS (30%), dan UAS (50%). Hasil uji sensitivitas melalui Koefisien Korelasi Spearman menunjukkan nilai sebesar 0,9418, yang secara kuantitatif membuktikan bahwa posisi mahasiswa pada peringkat teratas tetap stabil dan tidak tergoyahkan meskipun dilakukan simulasi perubahan bobot kriteria. Penelitian ini menyimpulkan bahwa penggabungan K-Means dan MARCOS menghasilkan sistem evaluasi yang lebih objektif, transparan, dan tahan terhadap bias subjektif, sehingga sangat layak diterapkan untuk menyeleksi kandidat dengan prestasi yang konsisten.

References

Y. T. Damanik, I. Irvan, and J. Gultom, “Analisis Perbedaan Indeks Prestasi Kumulatif Mahasiswa Pendidikan Matematika Berdasarkan Tipe Kepribadian Ekstrovert dan Introvert,” MES: Journal of Mathematics Education and Science, vol. 10, no. 2, pp. 396–404, May 2025, doi: 10.30743/mes.v10i2.10513.

P. A. K. Widiantari, R. K. Ningrum, and N. W. D. Ekayani, “Hubungan Nilai Progress Test Dan Indeks Prestasi Mahasiswa Angkatan 2017 Fakultas Kedokteran Dan Ilmu Kesehatan Universitas Warmadewa,” PENDIPA Journal of Science Education, vol. 8, no. 2, pp. 268–276, Jul. 2024, doi: 10.33369/pendipa.8.2.268-276.

R. Yohana, I. Armyanti, and D. Yuniarni, “Hubungan Tipe Kepribadian dengan Prestasi Akademik Mahasiswa Program Studi Kedokteran Tahun 2016 Fakultas Kedokteran Universitas Tanjungpura,” Jurnal Cerebellum, vol. 8, no. 3, pp. 12–22, 2022, doi: 10.26418/jc.v8i3.49052.

Achmad Efendi and Dahlia, “Pengaruh aspek afektif terhadap prestasi akademik mahasiswa,” Jurnal Pendidikan Ekonomi (JUPE), vol. 13, no. 2, pp. 116–126, May 2025, doi: 10.26740/jupe.v13n2.p116-126.

N. Muin, S. Rabiah, and M. Martini, “Pengaruh Pemberian Tes Formatif Terhadap Peningkatan Hasil Belajar Mahasiswa Prodi Pendidikan Bahasa dan Sastra Indonesia Fakultas Sastra,” Education and Learning Journal, vol. 5, no. 1, p. 8, Jan. 2024, doi: 10.33096/eljour.v5i1.660.

J. Pao Ali, “Perbandingan Nilai UTS Dan UAS Pembelajaran Matematik SD -1 Mahasiswa Semester III Program Studi Pendidikan Guru Sekolah Dasar,” OMEGA: Jurnal Keilmuan Pendidikan Matematika, vol. 5, no. 1, pp. 201–210, Jan. 2026, doi: 10.47662/jkpm.v5i1.1175.

Nasywa Putri Maulani, Indri Puspita Dewi, Munifah Zahwa Nurhidayat, Moch Yaser Arafat, and Mia Lasmi Wardiyah, “Analisis Korelasi antara Nilai UTS dan Nilai UAS Siswa: Studi pada Mata Pelajaran Matematika Kelas XI SMK Bhakti Kencana Bandung,” Aljabar : Jurnal Ilmuan Pendidikan, Matematika dan Kebumian, vol. 1, no. 3, pp. 1–10, Jun. 2025, doi: 10.62383/aljabar.v1i3.563.

R. S. Nurhalizah, R. Ardianto, and P. Purwono, “Analisis Supervised dan Unsupervised Learning pada Machine Learning: Systematic Literature Review,” Jurnal Ilmu Komputer dan Informatika, vol. 4, no. 1, pp. 61–72, Aug. 2024, doi: 10.54082/jiki.168.

D. P. Sari, Z. Halim, I. Irlon, B. Waseso, and S. Saromah, “Implementasi Machine Learning untuk Deteksi Intrusi pada Jaringan Komputer,” Jurnal Minfo Polgan, vol. 13, no. 2, pp. 1389–1394, Sep. 2024, doi: 10.33395/jmp.v13i2.14074.

R. Amanda, E. Helmud, and C. Kirana, “Deteksi Anomali Polusi Udara Menggunakan Algoritma Isolation Forest tanpa Label pada Dataset Kualitas Udara Torino,” Jurnal Pendidikan dan Teknologi Indonesia, vol. 5, no. 9, pp. 2719–2729, Sep. 2025, doi: 10.52436/1.jpti.950.

E. Windia Ambarsari, D. Desyanti, and D. Fathudin, “Hybrid Chaos-Isolation Forest Framework for Anomaly Detection in Indonesia’s Public Procurement,” Bulletin of Informatics and Data Science, vol. 4, no. 2, pp. 114–123, 2025, doi: 10.61944/bids.v4i2.137.

A. Pinto, L.-C. Herrera, Y. Donoso, and J. A. Gutierrez, “Enhancing Critical Infrastructure Security: Unsupervised Learning Approaches for Anomaly Detection,” International Journal of Computational Intelligence Systems, vol. 17, no. 1, p. 236, Sep. 2024, doi: 10.1007/s44196-024-00644-z.

F. Ditya and L. Tanti, “Model Clustering Anomali Detection pada Jaringan LAN dengan Algoritma K-Means,” Jurnal Sistem Komputer dan Informatika (JSON), vol. 7, no. 2, pp. 657–667, Dec. 2025, doi: 10.30865/json.v7i2.9173.

R. S. Ismanda, M. T. A. Silitonga, and S. Nur hasanah, “Deteksi Hybrid Anomali Transaksi Digital dengan Optimasi Isolation Forest-K-Means untuk Peningkatan Keamanan Finansial,” Innovative: Journal Of Social Science Research, vol. 5, no. 3, pp. 5749–5765, Jun. 2025, doi: 10.31004/innovative.v5i3.19791.

Z. Stevic, D. Pamucar, A. Puska, and P. Chatterjee, “Sustainable supplier selection in healthcare industries using a new MCDM method: Measurement of alternatives and ranking according to COmpromise solution (MARCOS),” Comput Ind Eng, vol. 140, p. 106231, Feb. 2020, doi: 10.1016/j.cie.2019.106231.

M. H. Rewo, I. G. M. Darmawiguna, and G. S. Mahendra, “Pengembangan Sistem Pendukung Keputusan Pemilihan Siswa Terbaik Di SMK Ti Global Singaraja Menggunakan Metode PIPRECIA-MARCOS,” Computer Based Information System Journal, vol. 13, no. 2, pp. 69–82, Sep. 2025, doi: 10.33884/cbis.v13i2.10683.

D. S. Wahyuni and A. T. Priandika, “Kombinasi Metode Pembobotan Entropy dan MARCOS Dalam Seleksi Penerimaan Karyawan Divisi Keuangan,” Building of Informatics, Technology and Science (BITS), vol. 6, no. 3, pp. 1848–1859, Dec. 2024, doi: 10.47065/bits.v6i3.5835.

M. A. Syakur, B. K. Khotimah, E. M. S. Rochman, and B. D. Satoto, “Integration K-Means Clustering Method and Elbow Method For Identification of The Best Customer Profile Cluster,” IOP Conf Ser Mater Sci Eng, vol. 336, p. 012017, Apr. 2018, doi: 10.1088/1757-899X/336/1/012017.

J. Han, J. Pei, and H. Tong, Data Mining: Concepts and Techniques, 4th ed. Morgan Kaufmann, 2022.

I. Mukhametzyanov and D. Pamucar, “A Sensitivity analysis in MCDM problems: A statistical approach,” Decision Making: Applications in Management and Engineering, vol. 1, no. 2, Oct. 2018, doi: 10.31181/dmame1802050m.

J. Wieckowski and W. Sałabun, “Sensitivity analysis approaches in multi-criteria decision analysis: A systematic review,” Appl Soft Comput, vol. 148, p. 110915, 2023, doi: https://doi.org/10.1016/j.asoc.2023.110915.

S. Andryana, T. Mantoro, A. Gunaryati, and A. E. Raffliansyah, “Improving MCDM University Rankings through Statistical Validation Using Spearman’s Correlation and THE Benchmark,” Journal of Applied Data Sciences, vol. 6, no. 3, pp. 1876–1888, Sep. 2025, doi: 10.47738/jads.v6i3.796.