http://eprints.amikom.ac.id/id/eprint/32615 2026-09-08T03:39:20Z info:eu-repo/semantics/descriptiveMetadata https://eprints.amikom.ac.id/id/eprint/32615/ ANALISIS LAPORAN BEBAN KERJA DOSEN PADA BIDANG PENELITIAN DAN PKM DENGAN MENGGUNAKAN METODE CLUSTERING Pratama, Muhammad Egy 000 Ilmu komputer, informasi dan pekerjaan umum Penelitian ini menganalisis Laporan Beban Kerja Dosen (BKD) pada bidang Penelitian dan Pengabdian kepada Masyarakat (PkM) di UIN Sultan Aji Muhammad Idris Samarinda menggunakan metode K-Means clustering untuk mendukung evaluasi kinerja dan akreditasi BAN-PT APT. Data yang digunakan mencakup 2.762 aktivitas dari 214 dosen selama 6 semester (2021–2024). Hasil analisis menunjukkan clustering optimal dengan K=2 dan Silhouette Score 0,3882 (kategori cukup baik). Teridentifikasi dua klaster produktivitas: klaster produktivitas tinggi (54 dosen, 25,2%) dengan rata-rata total SKS 27,07, dan klaster produktivitas sedang/rendah (160 dosen, 74,8%) dengan rata-rata total SKS 12,37. Uji beda Mann-Whitney menunjukkan perbedaan signifikan antar klaster (p-value = 0,000). Evaluasi capaian KPI/IKU menunjukkan bahwa empat dari lima indikator tercapai, namun indikator publikasi internasional (80,8%) dan internasional bereputasi tinggi (88,5%) belum memenuhi target. Proyeksi skor akreditasi BAN- PT APT diperoleh 84,6 dari 400 dengan predikat C (Baik). Penelitian juga mengungkap data quality issue sebesar 81,5% aktivitas tidak terklasifikasi secara eksplisit, sehingga diperlukan standardisasi pelaporan BKD. K-Means clustering terbukti efektif sebagai dasar pengambilan keputusan strategis dalam peningkatan produktivitas dosen meskipun terbatas oleh kualitas data. 2025-05-07 Thesis NonPeerReviewed text id https://eprints.amikom.ac.id/id/eprint/32615/1/23.55.1449%20-%20Muhammad%20Egy%20Pratama.pdf Pratama, Muhammad Egy (2025) ANALISIS LAPORAN BEBAN KERJA DOSEN PADA BIDANG PENELITIAN DAN PKM DENGAN MENGGUNAKAN METODE CLUSTERING. S2 - Magister thesis, Universitas AMIKOM Yogyakarta. info:eu-repo/semantics/objectFile info:eu-repo/semantics/humanStartPage