Model Klasifikasi Keunggulan Keilmuan Publikasi Dosen PTN-BH Menggunakan Algoritma Decision Tree C5.0 dan Random Forest

Abstract

RINGKASAN ERLENIH METASARI. Model Klasifikasi Keunggulan Keilmuan Publikasi Dosen PTN-BH Menggunakan Algoritma Decision Tree C5.0 dan Random Forest. Dibimbing oleh HARI AGUNG ADRIANTO, SONY HARTONO WIJAYA, SRI SUNING KUSUMAWARDANI.

Peningkatan daya saing ilmu pengetahuan dan teknologi (IPTEK) nasional sangat bergantung pada kualitas publikasi ilmiah. Perguruan Tinggi Negeri Badan Hukum (PTN-BH) memiliki mandat strategis dalam pengembangan Center of Excellence yang diakui secara nasional maupun internasional, sebagaimana diamanatkan oleh Panduan Pusat Unggulan IPTEK Perguruan Tinggi serta Undang-Undang Nomor 11 Tahun 2019 tentang Sistem Nasional IPTEK. Namun, capaian publikasi antar PTN-BH belum seragam dari segi kuantitas, kualitas, dan arah keilmuan. Kondisi tersebut memerlukan pendekatan berbasis data untuk mengidentifikasi konsentrasi bidang keilmuan secara sistematis. Penelitian ini bertujuan mengevaluasi pola publikasi dosen PTN-BH, mengidentifikasi fitur yang berkontribusi terhadap klasifikasi, serta membandingkan kinerja Decision Tree C5.0 dan Random Forest dalam mengklasifikasikan keunggulan keilmuan publikasi dosen PTN-BH. Penelitian menggunakan data sekunder profil dosen dan metadata publikasi periode 2021–2025 yang bersumber dari Sistem Informasi Sumberdaya Terintegrasi (SISTER), Pangkalan Data Pendidikan Tinggi (PDDikti), dan Science and Technology Index (SINTA). Data publikasi awal berjumlah 1.571.410 baris. Melalui seleksi domain, integrasi data, agregasi publikasi berdasarkan unit dosen PTN-BH, dan pembersihan data, diperoleh 27.532 observasi final. Judul publikasi setiap dosen digabungkan menjadi dokumen teks, dinormalisasi, kemudian direpresentasikan menggunakan Term Frequency–Inverse Document Frequency dengan kombinasi unigram dan bigram serta maksimum 1.000 fitur. Pembentukan label bidang keilmuan dilakukan dengan membandingkan Latent Dirichlet Allocation (LDA), K-Means, dan Agglomerative Hierarchical Clustering pada tiga kelompok. Evaluasi menggunakan Silhouette Score dan Davies–Bouldin Index (DBI) menunjukkan bahwa LDA memberikan hasil terbaik dengan Silhouette Score 0,6983 dan DBI 0,3835. Setiap observasi kemudian diberi label berdasarkan topik LDA dengan probabilitas tertinggi sehingga terbentuk tiga kategori bidang keilmuan yang digunakan sebagai target klasifikasi. Hasil pengujian menunjukkan bahwa Random Forest memiliki kinerja klasifikasi lebih baik dibandingkan Decision Tree C5.0. Random Forest menghasilkan akurasi 90% dan (ROC-AUC) 0,9824, sedangkan Decision Tree C5.0 menghasilkan akurasi 82% dan ROC-AUC 0,9232. Distribusi ketiga bidang pada 23 PTN-BH menunjukkan perbedaan konsentrasi publikasi antar institusi. Keunggulan keilmuan didefinisikan sebagai bidang dengan konsentrasi publikasi relatif dominan berdasarkan pola semantik publikasi dosen. Hasil penelitian memberikan pemetaan empiris portofolio bidang keilmuan PTN-BH sebagai salah satu masukan berbasis data dalam evaluasi arah riset dan diferensiasi misi institusi.