ANALISIS KEPUASAN MAHASISWA TERHADAP PELAYANAN PERGURUAN TINGGI DENGAN MENGGUNAKAN KOMBINASI ALGORITMA KLASTERISASI DAN APRIORI

ANALYSIS OF STUDENT SATISFACTION AGAINST SERVICES PROVIDED BY UNIVERSITY USING COMBINATION OF CLUSTERING AND APRIORI ALGORITHMS

Kepuasan pelanggan diambil melalui perbandingan antara kinerja yang dirasakan terhadap ekspektasi yang diharapkan oleh pelanggan. Perbandingan tersebut dapat dinilai melalui survei kepuasan pelanggan. Survei kepuasan pelanggan diadakan oleh perguruan tinggi pada tiap awal semester yang bertujuan agar pelaksanaan kegiatan operasional akademik di perguruan tinggi dievaluasi secara berkala. Survei tersebut terdiri dari 23 instrumen pertanyaan yang menggunakan Skala Likert, di mana mahasiswa berperan sebagai responden (pelanggan) yang berjumlah sebanyak 29.409 responden. Dengan responden penelitian yang berjumlah sedemikian banyak, memungkinkan terciptanya sejumlah variasi data mengenai penilaian mahasiswa terkait kepuasan mereka terhadap pelayanan akademik yang diberikan oleh perguruan tinggi. Oleh karena itu, metode asosiasi akan diterapkan untuk mengetahui hubungan keterkaitan tersembunyi di dalam dataset. Namun, banyaknya variasi data yang dihasilkan dapat menyebabkan munculnya aturan-aturan yang tidak relevan, sehingga metode klasterisasi perlu diterapkan terlebih dahulu. Sejumlah algoritma dari metode klasterisasi akan diterapkan terhadap dataset. Kemudian, memilih clustered data yang dihasilkan algoritma K-Means dengan silhouette score sebesar 0,641. Selanjutnya, clustered data yang terpartisi menjadi tiga cluster tersebut akan diaplikasikan dengan algoritma Apriori, sehingga menghasilkan aturan asosiasi yang bermakna dari tiap cluster. Pertama. Cluster 1 (Sangat Puas) menghasilkan 3 rules dengan rule terbaiknya yang memiliki nilai support sebesar 88% dan confidence sebesar 96%. Kedua, Cluster 2 (Puas) menghasilkan 4 rules dengan rule terbaiknya yang memiliki nilai support sebesar 76% dan confidence sebesar 96%. Terakhir, Cluster 3 (Kurang Puas) menghasilkan 3 rules dengan rule terbaiknya yang memiliki nilai support sebesar 54% dan confidence sebesar 86%.

Kata Kunci :  apriori, klasterisasi, survei kepuasan pelanggan, skala likert

Customer satisfaction is measured by comparing perceived performance with customer expectations. This comparison can be assessed through customer satisfaction surveys. Customer satisfaction surveys are conducted by universities at the beginning of each semester to ensure that the implementation of academically operational activities at universities is evaluated periodically. The survey consisted of 23 instruments using a Likert Scale, where students acted as customers (respondents), totaling 29,409 respondents. With such a large number of research respondents, it is possible to create various data regarding student assessments and their satisfaction with universities' academic services. Therefore, the association method will be applied to find hidden linkages in the dataset. However, the significant variation created in data can cause the emergence of irrelevant rules, so the clustering method needs to be applied first. So, several algorithms from the clustering method will be applied to the dataset. Then, select clustered data generated by the K-Means algorithm with a silhouette score of 0.641. Next, the clustered data partitioned into three clusters will be applied with the Apriori algorithm to generate meaningful association rules from each cluster. First, Cluster 1 (Very Satisfactory) generates three rules, with the best rule having a support value of 88% and confidence of 96%. Second, Cluster 2 (Satisfactory) generates four rules, with the best rule having a support value of 76% and confidence of 96%. Finally, Cluster 3 (Unsatisfactory) generates three association rules, with the best rule having a support value of 54% and confidence of 86%

Keywords : apriori, clustering, customer satisfaction report, likert scale