Melola Discovery

← Melola Discovery

Akses terbuka Jurnal SINTA 2

Clustering Berbasis K-Means dan Pca untuk Segmentasi Spasial Universitas Global Menggunakan Metrik The

Jurnal Teknologi Informasi dan Ilmu Komputer (JTIIK) · Vol. 13 No. 3 (2026) · hlm. 621–632

DOI
10.25126/jtiik.2026133
ISSN
2528-6579, 2355-7699
Terbit
2026-06-30
Penerbit
Fakultas Ilmu Komputer, Universitas Brawijaya
Bahasa
id
Lisensi
creativecommons.org/licenses/by-sa/4.0

Abstrak

Bahasa Indonesia

Penelitian ini melakukan segmentasi universitas dunia berdasarkan metrik Times Higher Education World University Rankings (THE WUR) menggunakan K-Means clustering. Dataset hasil web scraping terdiri dari 2.672 entri, dan setelah penanganan ketidaklengkapan data diperoleh 1.907 universitas untuk analisis. Segmentasi dilakukan menggunakan indikator Research, Citations, Industry Income, International Outlook, serta rank, dengan seluruh fitur numerik distandardisasi menggunakan z-score (StandardScaler). Jumlah cluster optimal ditentukan melalui Elbow method dan Silhouette score, sementara kualitas segmentasi divalidasi menggunakan Davies–Bouldin Index(DBI) dan Calinski–Harabasz Index(CHI). Untuk interpretasi, digunakan Principal Component Analysis (PCA) sebagai reduksi dimensi visualisasi dan pemetaan spasial distribusi cluster. Hasil menunjukkan terbentuknya empat cluster dengan profil kinerja yang berbeda, mulai dari universitas riset kelas dunia hingga institusi berkembang yang berorientasi lokal/regional, serta variasi komposisi cluster antar benua yang mendukung kebutuhan peer-based benchmarking dan strategi peningkatan mutu berbasis data. Abstract This study segmented Global Universities based on the Times Higher Education World University Rankings (THE WUR) metrics using K-Means clustering. The web scraping dataset consisted of 2,672 entries, and after handling incomplete data, 1,907 Universities were obtained for analysis. Segmentation was performed using indicators such as Research, Citations, Industry Income, International Outlook, and rank, with all numeric features standardized using a z-score (StandardScaler). The optimal number of clusters was determined using the Elbow and Silhouette methods, while segmentation quality was validated using the Davies–Bouldin and Calinski–Harabasz Indices. Principal Component Analysis (PCA) was used for interpretation to visualize dimensionality reduction and map spatial distribution clusters. The results show the formation of four clusters with different performance profiles, ranging from World-Class Research Universities to developing institutions with local/regional orientations, and variations in cluster composition across continents, supporting the need for peer-based benchmarking and data-driven quality improvement strategies.

Inggris

Penelitian ini melakukan segmentasi universitas dunia berdasarkan metrik Times Higher Education World University Rankings (THE WUR) menggunakan K-Means clustering. Dataset hasil web scraping terdiri dari 2.672 entri, dan setelah penanganan ketidaklengkapan data diperoleh 1.907 universitas untuk analisis. Segmentasi dilakukan menggunakan indikator Research, Citations, Industry Income, International Outlook, serta rank, dengan seluruh fitur numerik distandardisasi menggunakan z-score (StandardScaler). Jumlah cluster optimal ditentukan melalui Elbow method dan Silhouette score, sementara kualitas segmentasi divalidasi menggunakan Davies–Bouldin Index(DBI) dan Calinski–Harabasz Index(CHI). Untuk interpretasi, digunakan Principal Component Analysis (PCA) sebagai reduksi dimensi visualisasi dan pemetaan spasial distribusi cluster. Hasil menunjukkan terbentuknya empat cluster dengan profil kinerja yang berbeda, mulai dari universitas riset kelas dunia hingga institusi berkembang yang berorientasi lokal/regional, serta variasi komposisi cluster antar benua yang mendukung kebutuhan peer-based benchmarking dan strategi peningkatan mutu berbasis data. Abstract This study segmented Global Universities based on the Times Higher Education World University Rankings (THE WUR) metrics using K-Means clustering. The web scraping dataset consisted of 2,672 entries, and after handling incomplete data, 1,907 Universities were obtained for analysis. Segmentation was performed using indicators such as Research, Citations, Industry Income, International Outlook, and rank, with all numeric features standardized using a z-score (StandardScaler). The optimal number of clusters was determined using the Elbow and Silhouette methods, while segmentation quality was validated using the Davies–Bouldin and Calinski–Harabasz Indices. Principal Component Analysis (PCA) was used for interpretation to visualize dimensionality reduction and map spatial distribution clusters. The results show the formation of four clusters with different performance profiles, ranging from World-Class Research Universities to developing institutions with local/regional orientations, and variations in cluster composition across continents, supporting the need for peer-based benchmarking and data-driven quality improvement strategies.

Kata kunci

Jaringan kolaborasi para penulis

5 penulis · 7 tautan kepenulisan bersama

Arahkan kursor atau ketuk sebuah nama untuk menyorot rekan penulisnya. Klik dua kali untuk membuka halaman penulis.

  • Universitas Pelita Bangsa
  • Afiliasi tidak diketahui
  • Organisasi berbeda
  • Organisasi sama
  • Afiliasi tidak diketahui
  • Garis lebih tebal = lebih banyak artikel bersama · lingkaran lebih besar = lebih banyak artikel
Tampilkan sebagai tabel
Rekan penulisOrganisasiArtikel bersama
Ismasari NawangsihAfiliasi tidak diketahui1
Antika Zahrotul KamaliaUniversitas Pelita Bangsa1
Ismasari NawangsihUniversitas Pelita Bangsa1

Afiliasi berasal dari OpenAlex; metadata OAI-PMH jurnal tidak memuatnya. Penulis tanpa ID OpenAlex dicocokkan berdasarkan nama, sehingga dua orang bisa tergabung atau satu orang bisa terpisah.

Sumber metadata: OAI-PMH (metadata jurnal) https://jtiik.ub.ac.id/index.php/jtiik/en/oai, pertama di-harvest 27 Okt 2026, terakhir terlihat 15 Nov 2026.
Metadata asli (oai_dc)
<oai_dc:dc xmlns="http://www.openarchives.org/OAI/2.0/" xmlns:dc="http://purl.org/dc/elements/1.1/" xmlns:oai_dc="http://www.openarchives.org/OAI/2.0/oai_dc/" xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance" xsi:schemaLocation="http://www.openarchives.org/OAI/2.0/oai_dc/  http://www.openarchives.org/OAI/2.0/oai_dc.xsd">
	<dc:title xml:lang="id">Clustering Berbasis K-Means dan Pca untuk Segmentasi Spasial Universitas Global Menggunakan Metrik The</dc:title>
	<dc:title xml:lang="en">Clustering Berbasis K-Means dan Pca untuk Segmentasi Spasial Universitas Global Menggunakan Metrik The</dc:title>
	<dc:creator xml:lang="en">Kamalia, Antika Zahrotul</dc:creator>
	<dc:creator xml:lang="en">Herlianto, Hemdani Rahendra</dc:creator>
	<dc:creator xml:lang="id">Kamalia, Antika Zahrotul</dc:creator>
	<dc:creator xml:lang="id">Herlianto, Hemdani Rahendra</dc:creator>
	<dc:subject xml:lang="en">Clustering</dc:subject>
	<dc:subject xml:lang="en">K-Means</dc:subject>
	<dc:subject xml:lang="en">PCA</dc:subject>
	<dc:subject xml:lang="en">Segmentasi Universitas Global</dc:subject>
	<dc:subject xml:lang="en">Rangking Universitas</dc:subject>
	<dc:subject xml:lang="id">Clustering</dc:subject>
	<dc:subject xml:lang="id">K-Means</dc:subject>
	<dc:subject xml:lang="id">PCA</dc:subject>
	<dc:subject xml:lang="id">Segmentasi Universitas Global</dc:subject>
	<dc:subject xml:lang="id">Rangking Universitas</dc:subject>
	<dc:description xml:lang="id">Penelitian ini melakukan segmentasi universitas dunia berdasarkan metrik Times Higher Education World University Rankings (THE WUR) menggunakan K-Means clustering. Dataset hasil web scraping terdiri dari 2.672 entri, dan setelah penanganan ketidaklengkapan data diperoleh 1.907 universitas untuk analisis. Segmentasi dilakukan menggunakan indikator Research, Citations, Industry Income, International Outlook, serta rank, dengan seluruh fitur numerik distandardisasi menggunakan z-score (StandardScaler). Jumlah cluster optimal ditentukan melalui Elbow method dan Silhouette score, sementara kualitas segmentasi divalidasi menggunakan Davies–Bouldin Index(DBI) dan Calinski–Harabasz Index(CHI). Untuk interpretasi, digunakan Principal Component Analysis (PCA) sebagai reduksi dimensi visualisasi dan pemetaan spasial distribusi cluster. Hasil menunjukkan terbentuknya empat cluster dengan profil kinerja yang berbeda, mulai dari universitas riset kelas dunia hingga institusi berkembang yang berorientasi lokal/regional, serta variasi komposisi cluster antar benua yang mendukung kebutuhan peer-based benchmarking dan strategi peningkatan mutu berbasis data.
 
Abstract
This study segmented Global Universities based on the Times Higher Education World University Rankings (THE WUR) metrics using K-Means clustering. The web scraping dataset consisted of 2,672 entries, and after handling incomplete data, 1,907 Universities were obtained for analysis. Segmentation was performed using indicators such as Research, Citations, Industry Income, International Outlook, and rank, with all numeric features standardized using a z-score (StandardScaler). The optimal number of clusters was determined using the Elbow and Silhouette methods, while segmentation quality was validated using the Davies–Bouldin and Calinski–Harabasz Indices. Principal Component Analysis (PCA) was used for interpretation to visualize dimensionality reduction and map spatial distribution clusters. The results show the formation of four clusters with different performance profiles, ranging from World-Class Research Universities to developing institutions with local/regional orientations, and variations in cluster composition across continents, supporting the need for peer-based benchmarking and data-driven quality improvement strategies.</dc:description>
	<dc:description xml:lang="en">Penelitian ini melakukan segmentasi universitas dunia berdasarkan metrik Times Higher Education World University Rankings (THE WUR) menggunakan K-Means clustering. Dataset hasil web scraping terdiri dari 2.672 entri, dan setelah penanganan ketidaklengkapan data diperoleh 1.907 universitas untuk analisis. Segmentasi dilakukan menggunakan indikator Research, Citations, Industry Income, International Outlook, serta rank, dengan seluruh fitur numerik distandardisasi menggunakan z-score (StandardScaler). Jumlah cluster optimal ditentukan melalui Elbow method dan Silhouette score, sementara kualitas segmentasi divalidasi menggunakan Davies–Bouldin Index(DBI) dan Calinski–Harabasz Index(CHI). Untuk interpretasi, digunakan Principal Component Analysis (PCA) sebagai reduksi dimensi visualisasi dan pemetaan spasial distribusi cluster. Hasil menunjukkan terbentuknya empat cluster dengan profil kinerja yang berbeda, mulai dari universitas riset kelas dunia hingga institusi berkembang yang berorientasi lokal/regional, serta variasi komposisi cluster antar benua yang mendukung kebutuhan peer-based benchmarking dan strategi peningkatan mutu berbasis data.
 
Abstract
This study segmented Global Universities based on the Times Higher Education World University Rankings (THE WUR) metrics using K-Means clustering. The web scraping dataset consisted of 2,672 entries, and after handling incomplete data, 1,907 Universities were obtained for analysis. Segmentation was performed using indicators such as Research, Citations, Industry Income, International Outlook, and rank, with all numeric features standardized using a z-score (StandardScaler). The optimal number of clusters was determined using the Elbow and Silhouette methods, while segmentation quality was validated using the Davies–Bouldin and Calinski–Harabasz Indices. Principal Component Analysis (PCA) was used for interpretation to visualize dimensionality reduction and map spatial distribution clusters. The results show the formation of four clusters with different performance profiles, ranging from World-Class Research Universities to developing institutions with local/regional orientations, and variations in cluster composition across continents, supporting the need for peer-based benchmarking and data-driven quality improvement strategies.</dc:description>
	<dc:publisher xml:lang="en">Fakultas Ilmu Komputer, Universitas Brawijaya</dc:publisher>
	<dc:date>2026-06-30</dc:date>
	<dc:type>info:eu-repo/semantics/article</dc:type>
	<dc:type>info:eu-repo/semantics/publishedVersion</dc:type>
	<dc:format>application/pdf</dc:format>
	<dc:identifier>https://jtiik.ub.ac.id/index.php/jtiik/article/view/10454</dc:identifier>
	<dc:identifier>10.25126/jtiik.2026133</dc:identifier>
	<dc:source xml:lang="id">Jurnal Teknologi Informasi dan Ilmu Komputer; Vol 13 No 3: Juni 2026; 621-632</dc:source>
	<dc:source xml:lang="en">Jurnal Teknologi Informasi dan Ilmu Komputer; Vol. 13 No. 3: Juni 2026; 621-632</dc:source>
	<dc:source>2528-6579</dc:source>
	<dc:source>2355-7699</dc:source>
	<dc:source>10.25126/jtiik.2026133</dc:source>
	<dc:language>id</dc:language>
	<dc:relation>https://jtiik.ub.ac.id/index.php/jtiik/article/view/10454/1596</dc:relation>
	<dc:rights xml:lang="en">Copyright (c) 2026 Antika Zahrotul Kamalia, Hemdani Rahendra Herlianto</dc:rights>
	<dc:rights xml:lang="en">https://creativecommons.org/licenses/by-sa/4.0</dc:rights>
</oai_dc:dc>