Pengembangan Model Prediksi Penilaian Kinerja Asisten Dosen Berbasis Data Mining dengan Optimasi Algoritma Social Spider Optimization

Abstract

Penilaian kinerja asisten dosen yang masih dominan bersifat subjektif dan deskriptif menjadi tantangan dalam menjamin kualitas pembelajaran di perguruan tinggi. Penelitian ini bertujuan mengembangkan model prediksi penilaian kinerja asisten dosen yang objektif dan akurat melalui integrasi data mining dengan optimasi algoritma metaheuristik. Pendekatan yang diusulkan menggabungkan Deep Neural Network (DNN) sebagai model klasifikasi dengan algoritma Social Spider Optimization (SSO) untuk mengoptimalkan arsitektur dan hiperparameter jaringan. Dataset Teaching Assistant Evaluation (TAE) dari UCI Machine Learning Repository dengan 151 sampel dan empat fitur numerik digunakan sebagai sumber data. Hasil eksperimen menunjukkan bahwa model DNN yang dioptimasi SSO mencapai akurasi 89% dengan performa yang seimbang pada ketiga kelas kinerja (Low: 80%, Medium: 91%, High: 89%), mengungguli model baseline DNN tanpa optimasi yang hanya mencapai akurasi 78% dan gagal mengenali kelas Low (0% untuk seluruh metrik). Optimasi SSO terbukti efektif dalam menemukan konfigurasi jaringan optimal (dua hidden layer dengan 24 dan 16 neuron) serta parameter yang mampu mengatasi ketimpangan kinerja antar kelas. Temuan ini membuktikan bahwa integrasi SSO dengan DNN memberikan peningkatan signifikan dalam akurasi dan stabilitas model prediksi, sehingga berpotensi menjadi dasar pengembangan sistem penilaian kinerja asisten dosen yang lebih transparan, objektif, dan berbasis bukti di lingkungan perguruan tinggi.