ANALISIS K-MEANS & FUZZY C-MEANS UNTUK PENGELOMPOKAN KINERJA LABORATORIUM INSTITUT TEKNOLOGI SEPULUH NOPEMBER SURABAYA

(1)

TUGAS AKHIR – SS141501

ANALISIS K-MEANS & FUZZY C-MEANS UNTUK

PENGELOMPOKAN KINERJA LABORATORIUM

INSTITUT TEKNOLOGI SEPULUH NOPEMBER

SURABAYA

RATIH SARASWATI

NRP 0621 0940000 087

Dosen Pembimbing

Dr. Irhamah S.Si., M.Si

PROGRAM STUDI SARJANA

DEPARTEMEN STATISTIKA

(2)

(3)

TUGAS AKHIR – SS141501

ANALISIS K-MEANS & FUZZY C-MEANS UNTUK

PENGELOMPOKAN KINERJA LABORATORIUM

INSTITUT TEKNOLOGI SEPULUH NOPEMBER

SURABAYA

RATIH SARASWATI

NRP 0621 0940000 087

Dosen Pembimbing

Dr. Irhamah S.Si., M.Si

PROGRAM STUDI SARJANA

DEPARTEMEN STATISTIKA

(4)

(5)

FINAL PROJECT – SS141501

ANALYSIS OF K-MEANS & FUZZY C-MEANS FOR THE

PERFORMANCE OF LABORATORIES AT INSTITUT

TEKNOLOGI SEPULUH NOPEMBER

RATIH SARASWATI

NRP 0621 0940000 087

Supervisor

Dr. Irhamah S.Si., M.Si

UNDERGRADUATE PROGRAMME

DEPARTMENT OF STATISTICS

FACULTY OF MATHEMATICS, COMPUTING, AND DATA

SCIENCES

INSTITUT TEKNOLOGI SEPULUH NOPEMBER

SURABAYA 2018

(6)

(7)

(8)

(Halaman ini sengaja dikosongkan)

MODEL HIBRIDA SINGULAR SPECTRUM

ANALYSIS DAN AUTOMATIC ARIMA UNTUK

(9)

ANALISIS K-MEANS & FUZZY C-MEANS

UNTUK PENGELOMPOKAN KINERJA

LABORATORIUM INSTITUT TEKNOLOGI

SEPULUH NOPEMBER SURABAYA

Nama Mahasiswa

: Ratih Saraswati

NRP

: 0621 0940000 087

Departemen

: Statistika

Dosen Pembimbing : Dr. Irhamah S.Si, M.Si,

Abstrak

Unit

Pengelolaan,

Pengendalian,dan

Pengawasan

Program (UP4) Institut Teknologi Sepuluh Nopember (ITS)

Surabaya, mempunyai tugas dalam pengendalian dan

evaluasi

kinerja

ITS

Surabaya.

Unit

Pengelolaan,

Pengendalian,dan Pengawasan Program mempunyai tugas

mengawasi dan mengendalikan implementasi program kerja

ITS, serta mengelola program khusus. Dalam penelitian ini

akan mengevaluasi kinerja pencapaian Laboratorium ITS,

peneliti akan menggunakan metode k-means & fuzzy c-means

dengan penjabaran lebih luas. Dari 2 metode yang dilakukan,

hasil yang didapat dengan menggunakan metode K-Means 2

klaster lebih baik mengelompokkan kinerja laboratorium ITS

dibandingkan dengan metode Fuzzy C-Means dilihat dari

perbandingan nilai icdrate ataupun Silhouette Index (SI).

hari kebutuhan akan air bersih semakin meningkat tetapi

Kata

Kunci

:

Laboratorium,

Unit

Pengelolaan,

Pengendalian, dan Pelaksanaan Program

(UP4) ITS, Analisi Klaster, K-Means, Fuzzy

C-Means

(10)

(11)

ANALYSIS OF K-MEANS & FUZZY C-MEANS

FOR PERFORMANCE OF LABORATORIUM

SEPULUH NOPEMBER INSTITUTE OF

TECHNOLOGY SURABAYA

AT PDAM GIRI TIRTA SARI IN CENTRAL JAVA

Student Name

: Ratih Saraswati

Student Number

: 0621 0940000 087

Department

: Statistics

Supervisor

: Dr. Irhamah S.Si, M.Si,

Abstract

Unit of The Management, Control and Supervision the

Program (UP4) in ITS Surabaya, has a duty in controlling

and evaluating the performance of ITS Surabaya. Unit of The

Management, Control and Supervision the Program has the

task of supervising and controlling the implementation of ITS

work program, as well as managing special programs. In this

research will evaluate the achievement performance of ITS

Laboratory, the researcher will use k-means & fuzzy c-means

method with broader description. Of the 2 methods

performed, the results obtained by using the K-Means 2

cluster method better classify the performance of ITS

laboratory compared with the method of Fuzzy C-Means seen

from the comparison of the value of icdrate or Silhouette

Index (SI).

h

Keywords : Laboratorium, Unit of The Management,

Control and Supervision the Program (UP4),

Analysis Clusterr, K-Means, Fuzzy C-Means

(12)

(13)

KATA PENGANTAR

Alhamdulillahirabbil’alamin, puji syukur penulis

panjatkan atas rahmat dan hidayah yang diberikan Allah

SWT sehingga penulis dapat menyelesaikan laporan Tugas

Akhir yang berjudul “Analisis K-Means & Fuzzy C-Means

Untuk Pengelompokan Kinerja Laboratorium Institut

Teknologi Sepuluh Nopember Surabaya” dengan lancar.

Penulis sadar bahwa Tugas Akhir ini dapat diselesaikan

dengan bantuan dan dukungan berbagai pihak. Oleh karena

itu, penulis menyampaikan terima kasih kepada:

1. Dr. Suhartono selaku Ketua Departemen Statistika.

2. Dr. Irhamah, S.Si, M.Si, selaku dosen pembimbing yang

telah meluangkan waktu dan dengan sabar memberi

bimbingan, saran, dukungan, serta motivasi selama

penyusunan Tugas Akhir.

3. Dr. Mashuri S.Si, M.Si selaku dosen penguji yang telah

banyak memberi masukan kepada penulis.

4. Dr. Sutikno, M.Si selaku Ketua Program Studi Sarjana

yang telah memberikan fasilitas, saran, dan prasarana.

5. Dr. Ismaini Zain S.Si. M.Si, selaku dosen wali yang telah

banyak memberikan saran selama proses belajar di

Departemen Statistika.

6. Dra. Lucia Aridinanti MS selaku Ketua Program Studi

Sarjana periode 2012-2017 yang selalu memberi

dukungan moril.

7. Kedua orang tua penulis, Subariyanto & Ni Made

Mariati, yang telah memberikan doa, dukungan,

kekuatan, serta kasih sayang kepada penulis.

8. Adik

penulis,

Wisnu

Satyagraha,

yang

selalu

memberikan doa, dukungan, dan perhatian kepada

penulis.

(14)

9. Pihak UP4 ITS Surabaya yang telah memberikan izin

pengambilan data kepada penulis.

10. Ananggadipa Raswanto selaku sahabat penulis yang

selalu mendengarkan keluh kesah penulis selama

penyusunan Tugas Akhir.

11. Andra, Ajeng, Fea, dan Anisa, adek-adek Statistika yang

selalu memberi perhatian kepada penulis.

12. Teman-teman angkatan 2009, yang selalu mendukung,

menghibur dan mendoakan kesehatan penulis.

13. Semua pihak yang membantu dalam penyusunan Tugas

Akhir.

Besar harapan penulis untuk mendapatkan kritik dan

saran yang membangun sehingga Tugas Akhir ini dapat

memberikan manfaat bagi semua pihak yang terkait.

Surabaya, Juli 2018

(15)

DAFTAR ISI

LEMBAR PENGESAHAN I ... i

ABSTRAK ...iii

KATA PENGANTAR ...vii

DAFTAR ISI ... ix

DAFTAR GAMBAR ... xi

DAFTAR TABEL ... xiii

BAB I PENDAHULUAN ...1 1.1 Latar Belakang ... 1 1.2 Rumusan Masalah ... 4 1.3 Tujuan Penelitian ... 5 1.4 Manfaat Penelitian ... 5 1.5 Batasan Masalah ... 6

BAB II TINJAUAN PUSTAKA ... 7

2.1 Statistika Deskriptif ... 7

2.2 Distribusi Normal Multivariat ...7

2.3 Uji Kaizer-Meyer-Olkin (KMO) ...9

2.4 Uji Bartlett ...9

2.5 Analisis Pengelompokan (Klaster) ...10

2.6 K-Means ...12

2.7 Fuzzy C-Means ... 13

2.8 Silhouette Index ...15

BAB III METODELOGI PENELITIAN ...17

3.1 Sumber Data ...17

3.2 Variabel Penelitian ... 17

3.3 Struktur Data Penelitian ... 19

3.4 Langkah Penelitian ...20

3.5 Daigram Alir ... 21

BAB IV PEMBAHASAN ... 23

(16)

4.2 Analisis Klaster ... 26

4.3 Perbandingan Silhouette Index ... 61

BAB V PENUTUP ... 63

5.1 Kesimpulan ... 63

5.2 Saran ... 64

DAFTAR PUSTAKA LAMPIRAN

(17)

DAFTAR GAMBAR

Gambar 3.1 Tahapan Penelitian ... 19

Gambar 4.1 Karakteristik Laboratorium berdasarkan

Jenis ... 21

Gambar 4.2 Karakteristik Berdasarkan Ketersediaan

Road Map Laboratorium ... 22

Gambar 4.3 Jumlah Dosen Anggota Laboratorium

(Termasuk Ketua) ... 23

Gambar 4.4 Jumlah Dana Hibah Penelitian (Rp Juta) ... 25

Gambar 4.5 Jumlah dana hibah penelitian yang Diketuai oleh Dosen Laboratorium terkait (Rp Juta) ... 26

Gambar 4.6 Jumlah dana Kerjasama Riset dan PPM dengan Instansi/Industri yang diketuai oleh Dosen

Laboratorium terkait (Rp Juta) ... 27

Gambar 4.7 Jumlah Indeks H di Scopus ... 27

Gambar 4.8 Jumlah Judul Penelitian ... 28

Gambar 4.9 Jumlah judul penelitian yang Diketuai oleh Dosen dari Laboratorium terkait ... 28

Gambar 4.10 Jumlah kegiatan pengabdian kepada masyarakat

yang Diketuai Dosen Laboratorium terkait... 29

Gambar 4.11 Jumlah kelas mata kuliah/praktikum yang

dikelola/dilayani oleh Laboratorium ... 29

Gambar 4.12 Jumlah Kerjasama Riset dan PPM dengan

Instansi/Industri per tahun yang diketuai oleh Dosen Laboratorium terkait ... 30

Gambar 4.13 Jumlah Sitasi Dosen dalam Google Scholar .... 30 Gambar 4.14 Jumlah Sitasi Dosen dalam Scopus ... 32 Gambar 4.15 Hasil Klaster Berdasarkan Jenis Lab ... 39

(18)

(19)

DAFTAR TABEL

Tabel 4.1 Validasi Cluster ... 33

Tabel 4.7 Nilai Optimal Pada Cluster ... 33

Tabel 4.8 Jumlah Pembagian Klaster ... 33

Tabel 4.9 Cluster Centers ... 34

Tabel 4.10 Pembagian Klaster Berdasarkan Jenis Laboratorium ... 37

Tabel 4.11 Validasi Cluster Fuzzy C-Means ... 37

Tabel 4.12 Nilai Optimal Pada Cluster ... 37

Tabel 4.13 Jumlah Pembagian Klaster ... 38

Tabel 4.14 Pembagian Klaster Berdasarkan Jenis Laboratorium Dengan FCM ... 38

(20)

(21)

DAFTAR LAMPIRAN

(22)

(23)

BAB I PENDAHULUAN

PENDAHULUAN

1.1 Latar Belakang

ITS memiliki lebih dari 179 laboratorium yang tersebar di 10 fakultas. Laboratorium tersebut digunakan untuk menunjang perkuliahan yang berbasis lab, penelitian dosen dan mahasiswa, serta memberikan kesempatan kepada mereka untuk berkolaborasi memikirkan suatu hal yang besar dan menciptakan program riset yang berdampak. Selain itu, ITS juga memiliki tiga laboratorium unggulan yang dikelola di bawah naungan Lembaga Penelitian dan Pengabdian kepada Masyarakat (LPPM). Laboratorium tersebut juga bisa digunakan oleh para peneliti dari institusi lain yang membutuhkan fasilitas dan instrumen untuk mendukung penelitian.

ITS dibentuk guna menunjang dan mewadahi berbagai kegiatan civitas kampus sebagaimana amanah dari Tri Dharma Perguruan Tinggi yang diemban setiap Perguruan Tinggi. Dengan demikian aktivitas yang dilakukan oleh lembaga ini adalah mengembangkan pendidikan dan pengajaran, penelitian serta melakukan pengabdian masyarakat. Untuk terus menjaga kinerja Laboratorium ITS diperlukan evaluasi terhadap kinerja yang ada.

Dengan berlakunya Undang-Undang Nomor 18 Tahun 2012 tentang Sistem Nasional Penelitian, Pengembangan dan Penerapan Iptek, dan Undang-Undang Nomor 12 Tahun 2012 tentang Pendidikan Tinggi serta dengan mempertimbangkan kondisi umum di tingkat global dan nasional, Kemenristekdikti telah menetapkan visinya sebagai berikut: "Terwujudnya pendidikan tinggi yang bermutu serta kemampuan iptek dan inovasi untuk mendukung daya saing bangsa". Visi tersebut memiliki makna upaya yang sungguh-sungguh dalam mewujudkan pendidikan tinggi yang bermutu yang mampu mengembangkan ilmu pengetahuan dan teknologi serta mampu memberikan sumbangsih berupa riset dan produk inovasi dalam upaya untuk meningkatkan daya saing bangsa.

(24)

Sementara itu, misi Kemenristedikti dalam mewujudkan visi tersebut di atas adalah:

1. Meningkatkan akses, relevansi, dan mutu pendidikan tinggi untuk menghasilkan SDM yang berkualitas; dan 2. Meningkatkan kemampuan Iptek dan inovasi untuk

menghasilkan nilai tambah produk inovasi. Terlihat bahwa peningkatan akses ke perguruan tinggi, relevansi dan mutu pendidikan tinggi merupakan wahana untuk dapat menghasilkan SDM yang lebih berkualitas dalam penguasaan iptek dan kemampuan menghasilkan produk inovasi.

Selajutnya, sasaran strategis Kemenristekdikti adalah : 1. Meningkatnya kualitas pembelajaran dan

kemahasiswaan pendidikan tinggi;

2. Meningkatnya kualitas kelembagaan Iptek dan pendidikan tinggi;

3. Meningkatnya relevansi, kualitas, dan kuantitas sumber daya Iptek dan

4. pendidikan tinggi

5. Meningkatnya relevansi dan produktivitas riset dan pengembangan; dan

6. Menguatnya kapasitas inovasi.

Beberapa indikator utama dari sasaran strategis Renstra Kemenristekdikti yang relevan dan perlu diturunkan dalam Renstra ITS PTNBH adalah sebagai berikut:

1. Jumlah mahasiswa yang berwirausaha 2. Prosentase lulusan bersertifikat kompetensi 3. Jumlah prodi terakreditasi unggul

4. Jumlah mahasiswa peraih emas tingkat nasional dan internasional

5. Prosentase lulusan yang langsung bekerja 6. Jumlah perguruan tinggi masuk top 500 dunia 7. Jumlah perguruan tinggi berakreditasi A (Unggul) 8. Jumlah Publikasi Internasional

(25)

10. Jumlah Pusat Unggulan Iptek 11. Jumlah dosen berkualifikasi S3 12. Jumlah HKI yang didaftarkan 13. Jumlah Prototype R&D (TRL 6)

14. Jumlah Prototype laik industri (TRL 7-9)

15. Jumlah Produk inovasi yang diproduksi dan dimanfaatkan pengguna

Gambar 2.1. Kerangka Kemenristekdikti dalam mendukung daya saing

(Sumber: Renstra Kemenristekdikti 2015-2019) Lembaga yang berkualitas

Sumber daya

berkualitas

Penelitian

dan

pengembang

Inovasi

Tenaga kerja

terampil

Daya

saing

(26)

Gambar 2.2 Posisi Laboratorium di dalam lingkungan ITS (Sumber: RENSTRA ITS Tahun 2015-2020)

1.2 Rumusan Masalah

Rumusan masalah yang akan dibahas pada penelitian ini berdasarkan permasalahan yang telah diuraikan adalah sebagai berikut:

1. Bagaimana karakteristik Laboratorium di ITS berdasarkan faktor-faktor yang mempengaruhi kinerja Laboratorium.

2. Bagaimana pengelompokan Laboratorium di ITS berdasarkan faktor-faktor yang mempengaruhi kinerja Laboratorium K-Means & Fuzzy C-Means?

3. Bagaimana perbandingan hasil pengelompokan Laboratorium di ITS menggunakan metode K-Means &

Fuzzy C-Means untuk memperoleh metode terbaik

(27)

1.3 Tujuan Penelitian

Berdasarkan permasalahan yang telah disebutkan di atas, tujuan penelitian yang ingin dicapai pada penelitian ini adalah sebagai berikut:

1. Mendeskripsikan karakteristik Laboratorium di ITS berdasarkan faktor-faktor yang mempengaruhi kinerja Laboratorium.

2. Mengelompokan Laboratorium di ITS berdasarkan faktor-faktor yang mempengaruhi kinerja Laboratorium menggunakan metode K-Means & Fuzzy C-Means. 3. Membandingan hasil pengelompokan Laboratorium di ITS

menggunakan metode K-Means & Fuzzy C-Means untuk memperoleh metode terbaik berdasarkan Silhouette Index (SI)

1.4 Manfaat Penelitian

Penelitian ini diharapkan dapat memberikan beberapa manfaat bagi berbagai pihak, diantaranya sebagai berikut:

1. Bagi Penulis

Mahasiswa dapat menyelesaikan permasalahan yang ada dengan model materi yang sudah didapat selama perkuliahan. Selain itu juga melatih mahasiswa agar dapat mengetahui kondisi yang sebenarnya bila melakukan penelitian yang bersifat riset.

2. Bagi Institut Teknologi Sepuluh Nopember

Mahasiswa dapat memberikan kritik dan sarannya kepada pihak ITS agar dapat lebih baik lagi ke depannya dalam peningkatan kualitas riset Laboratorium ITS.

1.5 Batasan Masalah

Batasan pada penelitian ini adalah laboratorium ITS. Penggunaan data sekunder dari UP4 ITS selama tahun 2017. Data residual dari percobaan diasumsikan berdistribusi normal, identik, dan independen.

(28)

(29)

BAB II

TINJAUAN PUSTAKA

Tinjauan pustaka pada penelitian ini akan membahas mengenai konsep dasar Analisis Pengelompokan (Klaster).

2.1 Statistika Deskriptif

Statistika deskriptif adalah suatu metode yang berkaitan dengan pengumpulan dan penyajian data sehingga memberikan informasi yang berguna (Walpole, 1995). Statistika deskriptif dalam penelitian ini digunakan untuk menyajikan karakteristik Laboratorium Penelitian di Institut Teknologi Sepuluh Nopember Surabaya.

2.2 Uji Kaizer-Meyer-Olkin (KMO)

Uji kecukupan sampel dapat diukur berdasarkan nilai Kaizer-Meyer-Olkin (KMO) yang ditunjukkan oleh persamaan (2.4) dengan hipotesis sebagai berikut.

Hipotesis :

H0 : Jumlah data sudah cukup untuk dianalisis

H1: Jumlah data tidak cukup untuk dianalisis

Statistik Uji :

Di mana :

i = 1, 2, 3, ... , p dan j = 1, 2, ... , p

rij = koefisien korelasi antar variabel i dan variabel j a_ij = koefisien parsial antar variabel i dan variabel j Daerah Penolakan : Tolah H0 jika nilai KMO < 0.5

Klasifikasi KMO dapat ditunjukkan pada Tabel 2.1

KMO

=

r

_ij2 j=1 p

å

i=1 p

å

r

_ij2 j=1 p

å

i=1 p

å

-

a

_ij2 j=1 p

å

i=1 p

å

,i ¹ j

(2.1)

(30)

Tabel 2.1 Klasifikasi Kecukupan sampel Menurut Nilai KMO Nilai KMO Keterangan

≤ 0,9 Memuaskan 0,8 – 0,9 Sangat Bagus 0,7 – 0,8 Bagus 0,6 – 0,7 Cukup Bagus 0,5 – 0,6 Tidak Cukup Bagus

≤ 0,5 Tidak Layak

2.3 Uji Bartlett

Uji Bartlett digunakan untuk menguji persamaan korelasi antara dua atau lebih data variabel independen untuk dilihat nilai korelasinya (Johnson & Wichern, 2007). Pengujian ini ditentukan hipotesisnya sebagai berikut.

H₀∶ 𝜌 = 𝐼 H1∶ 𝜌 ≠ 𝐼 Statistik Uji 𝜒_{ℎ𝑖𝑡𝑢𝑛𝑔}2 _{= − [(𝑛 − 1) −}(2𝑝 + 5) 6 ] 𝑙𝑛|𝑅| (2.2) di mana: n = Jumlah observasi p = Jumlah variabel

|𝑅| = Determinan dari matriks korelasi

Keputusan Tolak H0 jika nilai 𝜒ℎ𝑖𝑡𝑢𝑛𝑔2 > 𝜒_𝛼,𝑝(𝑝−1) 2

2 _suatu

matriks korelasi dikatakan menyerupai matriks identitas bilamana nilai determinanannya mendekati 1.

2.4 Analisis Pengelompokan (Klaster)

Analisis pengelompok (Klaster) merupakan suatu teknik statistik multivariat yang mempunyai tujuan utama untuk mengelompokkan objek-objek berdasarkan kesamaan karakteristik

(31)

sedemikian rupa sehingga setiap objek yang paling dekat kesamaannya dengan objek lain berada dalam suatu kelompok yang sama.

Analisis Klaster dapat menunjukkan ada tidaknya hubungan antar observasi atau obyek dalam analisis. Peneliti dapat menggunakan model Klaster yang berbeda, dan untuk masing-masing model Klaster ini, algoritma yang berbeda dapat diberikan. Gagasan sebuah Klaster, seperti yang ditemukan oleh algoritma yang berbeda, sangat bervariasi dalam propertinya. Memahami "model klaster" ini adalah kunci untuk memahami perbedaan antara berbagai algoritma. Model klaster meliputi sebagai berikut: 1. Model konektivitas: misalnya, clustering hirarki

membangun model berdasarkan konektivitas jarak jauh. 2. Model centroid: misalnya, algoritma k-means mewakili

setiap klaster dengan satu vektor mean.

3. Model distribusi: klaster dimodelkan menggunakan distribusi statistik, seperti distribusi normal multivariat yang digunakan oleh algoritma harapan-maksimisasi.

4. Model kepadatan: misalnya, DBSCAN dan OPTICS mendefinisikan kelompok sebagai daerah padat yang terhubung di ruang data.

5. Model subspace: dalam biclustering (juga dikenal sebagai

co-clustering atau two-mode-clustering), klaster dimodelkan

dengan kedua anggota klaster dan atribut yang relevan. 6. Model grup: beberapa algoritma tidak menyediakan model

yang disempurnakan untuk hasilnya dan hanya memberikan informasi pengelompokan.

7. Model berbasis grafik: yaitu subset dari nodus dalam grafik sehingga setiap dua simpul pada subset dihubungkan oleh tepi dapat dianggap sebagai bentuk prototipikal cluster. Relaksasi kebutuhan konektivitas yang lengkap (sebagian kecil dari tepi dapat hilang) dikenal sebagai kuasi-klik, seperti pada algoritma clustering HCS.

8. Model syaraf tiruan: jaringan syaraf tiruan yang tidak diawasi secara umum adalah peta pengorganisasian sendiri

(32)

dan model-model ini biasanya dapat dicirikan serupa dengan satu atau lebih dari model di atas, dan termasuk model subruang ketika jaringan syaraf tiruan menerapkan suatu Bentuk Analisis Komponen Utama atau Independen Analisis Komponen.

Dalam penelitian ini, peneliti akan menggunakan metode

k-means & fuzzy c-k-means dengan penjabaran lebih luas.

2.5 K-Means

K-Means (KM) merupakan salah satu metode data clustering nonhirarki yang berusaha mempartisi data kedalam bentuk satu atau lebih kelompok. Metode ini mempartisi data ke dalam kelompok sehingga data yang memiliki karakteristik yang sama dikelompokan ke dalam satu kelompok yang sama dan data yang mempunyai karakteristik yang berbeda dikelompokan kedalam kelompok lain. Adapun tujuan dari pengelompokan data untuk meminimalisasikan objective function yang diset dalam proses pengelompokan, yang pada umumnya berusaha meminimalisasikan variasi antar kelompok (Agusta, 2007).

2.5.1 Algoritma K-Means

Metode k-means merupakan metode yang algoritmanya mendeskripsikan bahwa tiap-tiap item yang dikelompokan memiliki centroid atau rata-rata terdekat. Adapun langkah-langkah dalam k-means adalah sebagai berikut (Johnson dan Wichern, 2007).

1. Membagi item-item ke dalam k-kelompok

2. Menghitung nilai centroid dengan rumus sebagai berikut. 𝑣_𝑖𝑗 =∑ 𝑥𝑘𝑗

𝑁𝑖

𝑘=1

𝑁_𝑖 di mana:

𝑣𝑖𝑗 adalah centroid / rata-rata klaster ke-i untuk variabel ke-j

𝑁_𝑖 adalah jumlah data yang menjadi klaster ke- 𝑖, 𝑘 adalah indeks dari klaster

(33)

𝑥_𝑘𝑗 adalah nilai data ke-k yang ada di dalam klaster tersebut untuk variabel ke-j

3. Kemudian mengelompokan item berdasarkan centroid terdekat (jarak yang digunakan adalah jarak euclidean), dengan rumus sebagai berikut.

𝐷𝑒 = √(∑(𝑥𝑖− 𝑠𝑖)2 𝑝

𝑖=1

)

di mana:

𝐷_𝑒 adalah jarak euclidean 𝑖 adalah banyaknya objek 𝑝 adalah banyaknya variabel 𝑥 merupakan koordinat objek 𝑠 merupakan koordinat centroid

4. Menghitung kembali centroid kelompok ketika menerima item baru maupun item yang keluar.

5. Melakukan iterasi 2 dan 3 hingga tidak ada lagi item yang bisa masuk maupun keluar lagi di mana kriteria konvergensi telah terpenuhi.

2.6 Fuzzy C-Means

Metode Fuzzy C-Means (FCM) merupakan salah satu metode pengelompokan yang dikembangkan dari K-Means dengan menerapkan sifat fuzzy keanggotaannya. Menurut Bezdek (1984) metode FCM mengalokasikan kembali data ke dalam masing-masing kelompok memanfaatkan teori fuzzy. Dalam metode FCM dipergunakan variabel membership function (uik), yang merujuk

pada seberapa besar kemungkinan suatu data bisa menjadi anggota ke dalam suatu kelompok. FCM meperkenalkan suatu variabel m yang merupakan weighting exponent dari membership function. Variabel ini dapat mengubah besar pengaruh dari membership function, dalam proses clustering menggunakan metode FCM, m mempunyai wilayah nilai lebih besar dari 1 (m>1). Sampai sekarang tidak ada ketentuan yang jelas berapa besar nilai m yang

(34)

optimal dalam melakukan proses optimasi suatu permasalahan clustering. Nilai m yang umum digunakan adalah 2.

Membership function untuk suatu data ke suatu kelompok

tertentu dihitung menggunakan rumus (2.5) sebagai berikut (Sukim, 2011). 𝑢_𝑖𝑘 = ∑ [(𝐷(𝑥𝑘, 𝑣𝑖 𝐷(𝑥_𝑘, 𝑣_𝑗) 2 𝑚−1 ] −1 𝑐 𝑖=1 di mana:

𝑢_𝑖𝑘 = Membership function data ke-k ke kelompok ke-i 𝑣𝑖 = Nilai centroid kelompok ke-i

𝑣_𝑗 = Nilai centroid kelompok ke-j m = Weighting exponent

c = Banyaknya cluster

Membership function mempunyai jangkauan nilai 0 ≤

𝑢𝑖𝑘 ≤ 1. Data item yang mempunyai tingkat kemungkinan yang

lebih tinggi ke suatu kelompok akan mempunyai nilai membership

function ke kelompok tersebut yang mendekatai angka 1 dan

kelompok yang lain mendekati angka 0, dengan syarat 1 < m < ∞, 0 ≤ 𝑢𝑖𝑘 ≤ 1,∑𝑐𝑖=1𝑢𝑖𝑘 = 1. Untuk menghitung nilai centroid

cluster dapat menggunakan rumus sebagai berikut.

𝑣

𝑖=∑_∑𝑛𝑘=1𝑢𝑖𝑘𝑚𝑥𝑘 𝑢_𝑖𝑘𝑚

𝑛 𝑘=1

Untuk metode FCM, objective function yang digunakan adalah sebagai berikut.

𝐽(𝑋, 𝑈, 𝑉) = ∑ ∑(𝑢_𝑖𝑘)𝑚_𝐷(𝑥 𝑘, 𝑣𝑖)2 𝑐 𝑖=1 𝑛 𝑘=1 di mana: n = Banyaknya data k = Variabel ke-k i = Kelompok ke- c = Banyaknya cluster

(2.5)

(2.7)

(2.6)

)

(35)

𝑢_𝑖𝑘 = Keanggotan variabel ke-k ke kelompok ke-i 0 ≤ 𝑢_𝑖𝑘 ≤ 1

∑𝑐𝑖=1𝑢𝑖𝑘 = 1

𝑣_𝑖 = Niali centroid kelompok ke-i 𝑚 = Weighting exponent

𝐷(𝑥_𝑘, 𝑣_𝑖)2 _{= Distance space yang digunakan} 2.7 Internal Cluster Dispersion rate (Icdrate)

Perbandingan metode pengelompokan dapat diukur dengan menghitung rata-rata persebaran internal cluster terhadap partisi secara keseluruhan. Metode ini sering digunakan dalam menaksir akurasi dari algoritma pengelompokan. Semakin kecil nilai icdrate, semakin baik hasil pengelompokannya. Perhitungan internal cluster dispersion rate (icdrate) sebagai berikut :

𝑖𝑐𝑑𝑟𝑎𝑡𝑒 = 1 −𝑆𝑆𝐵_𝑆𝑆𝑇= 1 −𝑆𝑆𝑇−𝑆𝑆𝑊_𝑆𝑆𝑇 = 1 − 𝑅2 _(2.10)

SST = Total jumlah kuadrat jarak terhadap rata-rata keseluruhan

SSW = Total jumlah dari kuadrat jarak sampel terhadap rata-rata kelompoknya

2.8 Silhouette Index (SI)

Analisa metode silhouette dapat digunakan untuk validasi algoritma K-Means. Hal ini dilakukan dengan melihat besar nilai s dari hasil perhitungan dengan menggunakan bantuan software R. Hasil perhitungan nilai silhouette coeffisien dapat bervariasi antara -1 hingga 1. Jika si = 1 berarti objek i sudah berada dalam cluster yang tepat. Jika nilai si = 0 maka objek i berada di antara dua cluster sehingga objek tersebut tidak jelas harus dimasukan ke dalam cluster A atau cluster B. Akan tetapi, jika si = -1 artinya struktur cluster yang dihasilkan overlapping, sehingga objek i lebih tepat dimasukan ke dalam cluster yang lain. (Haldiki 2002).

(36)

(37)

BAB III

METODOLOGI PENELITIAN

Unit Pengelolaan, Pengendalian dan Pelaksanaan Program (UP4) Institut Teknologi Sepuluh Nopember (ITS) Surabaya, mempunyai tugas dalam pengendalian dan evaluasi kinerja ITS Surabaya.

3.1 Sumber Data

Sumber data dalam penelitian ini adalah data sekunder yang didapatkan dari pihak UP4 ITS periode 2017.

3.2 Variabel Penelitian

Dalam penelitian ini variabel yang digunakan adalah data kinerja masing-masing Laboratorium di ITS. Variabel-variabel yang digunakan yaitu sebagai berikut:

1. Ketersediaan Road Map Laboratorium (X001)

2. Rasio Jumlah Sitasi di Scopus/ Jumlah Dosen Anggota Lab (X002)

3. Rasio Jumlah Sitasi Dosen dalam Google Scholar/ Jumlah Dosen Anggota Lab (X003)

4. Rasio Jumlah Indeks H di Scopus/ Jumlah Dosen Anggota Lab (X004)

5. Rasio Jumlah Dosen yang Menjadi Editor atau Reviewer Jurnal Internasional/ Jumlah Dosen Anggota Lab (X005) 6. Rasio Jumlah Dosen yang Menjadi Anggota Asosiasi Profesi

Internasional/ Jumlah Dosen Anggota Lab (X006)

7. Rasio Jumlah Dosen yang Diundang sebagai Invited Speaker di Seminar Internasional/ Jumlah Dosen Anggota Lab (X007)

8. Rasio Jumlah Dosen menulis Buku Teks berISBN / Jumlah Dosen Anggota Lab (X008)

9. Jumlah HKI yang Didaftarkan (X009)

10. Rasio Jumlah Publikasi di Jurnal Nasional/ Jumlah Dosen Anggota Lab (X010)

11. Rasio Jumlah Publikasi di Jurnal Internasional/ Jumlah Dosen Anggota Lab (X011)

(38)

12. Jumlah Publikasi di Jurnal Internasional Terindeks Scopus, Thomson dll/ Jumlah Dosen Anggota Lab (X012)

13. Rasio Jumlah Publikasi di Seminar Internasional/ Jumlah Dosen Anggota lab (X013)

14. Jumlah Publikasi bersama (Co-Authorship) Internasional (X014)

15. Rasio Jumlah judul penelitian yang Diketuai oleh Dosen dari Laboratorium terkait / Jumlah Dosen Anggota Lab (X015) 16. Jumlah judul penelitian / Jumlah Dosen Anggota Lab

(X016)

17. Rasio Jumlah penelitian dengan Mitra dari PT Luar Negeri / Jumlah Dosen Anggota Lab (X017)

18. Rasio Jumlah dana pengabdian kepada masyarakat yang Diketuai Dosen Lab terkait (Rp Juta) / Jumlah Dosen Anggota Lab (X018)

19. Rasio Jumlah dana hibah penelitian (Rp Juta) (Total) / Jumlah Dosen Anggota Lab (X019)

20. Rasio Jumlah Kerjasama Riset dan PPM dengan Instansi atauIndustri per tahun yang diketuai oleh Dosen Lab terkait / Jumlah Dosen Anggota Lab (X020)

21. Rasio Jumlah dana Kerjasama Riset & PPM dengan Instansi atau Industri yang diketuai oleh Dosen Lab terkait (Rp Juta) / Jumlah Dosen Anggota Lab (X021)

22. Rasio Jumlah kegiatan pengabdian kepada masyarakat yang Diketuai Dosen Lab terkait / Jumlah Dosen Anggota Lab (X022)

23. Jumlah kelas mata kuliah atau praktikum yang dikelola atau dilayani oleh Laboratorium (X023)

24. Jumlah mahasiswa yang terlibat dalam penelitian Dosen (X024)

25. Jumlah mahasiswa yang terlibat dalam pengabdian Dosen (X025)

26. Jumlah modul atau buku ajar yang dikembangkan pada periode berjalan (X026)

(39)

27. Jumlah keterlibatan dosen dalam konsorsium/forum riset nasional (X027)

28. Jumlah keterlibatan dosen dalam konsorsium/forum riset internasional (X028)

29. Rasio Jumlah Dosen yang Mengikuti Pelatihan atau Workshop / Jumlah Dosen Anggota Lab (X029)

30. Jumlah Teknologi Tepat Guna (Produk Teknologi yang Mudah Diimplementasikan dan Berpotensi bisa Memecahkan Persoalan Masyarakat Luas atau Industri, SK LPPM) (X030)

31. Jumlah Sertifikat Lab Based Education (LBE) (X031)

3.3 Struktur Data Penelitian

Berikut ini merupakan struktur data yang digunakan dalam penelitian ini: Data Variabel X1 X2 ... Xk 1 X11 X12 ... X1k 2 X21 X22 ... X2k . . . . . . . . . . . . . . . n Xn1 Xn2 ... Xnk 3.4 Langkah Penelitian

Langkah yang dilakukan pada penelitian ini yaitu untuk dapat mengoptimalkan variabel respon. Tahapan langkah analisisnya yaitu sebagai berikut.

1. Melakukan statistika deskriptif.

2. Menyusun matrik ukuran N x k, di mana N merupakan banyaknya observasi (Laboratorium di ITS) dan k adalah banyaknya variabel (indikator kinerja Laboratorium di ITS).

(40)

3. Melakukan uji Kaiser Meyer Olkin (KMO) dan uji Bartlett pada semua variabel untuk mengetahui kecukupan data dan ada tidaknya korelasi antar variabel.

4. Melakukan standardisasi / transformasi pada semua variabel. 5. Melakukan pengelompokan dengan menggunakan metode

K-Means dan Fuzzy C-K-Means dengan tahapan sebagai berikut

6. Menggambarkan peta pengelompokkan dari metode K-Means dan Fuzzy C-Means.

7. Melakukan interpretasi hasil K-Means dan Fuzzy C-Means pada data kinerja Laboratorium di ITS dan Laboratorium Riset ITS.

8. Melakukan perbandingan hasil pengelompokan antara metode

K-Means dan Fuzzy C-Means dengan nilai Silhouette Index (SI)

3.5 Diagram Alir

Langkah penelitian secara grafik dapat ditampilkan melalui diagram alir sebagai berikut.

Gambar 3.1 Diagram Alir Penelitian

Mulai

Merumuskan Masalah dan Tujuan Mengumpulkan data

penlitian

Menentukan Struktur Data Penelitian

(41)

Standarisasi semua Variabel

Pengelompokkan menggunakan Metode

K-Means & Fuzzy C-K-Means

Analisis Hasil Klaster yang terbentuk

Uji Distribusi Normal Multivariat, KMO & Bartlett

Tidak

Ya

Analisis Statistika Deskriptif

Perbandingan Klaster dengan melihat nilai icdrate & Silhouette Index

Selesai A

(42)

(43)

BAB IV PEMBAHASAN

PEMBAHASAN

Pada penelitian ini akan dibahas dua metode analis klaster yaitu K-Means & Fuzzy C-Means. Sebelum melangkah lebih jauh perlu dilakukan Uji Asumsi. Uji asumsi digunakan sebagai syarat dari analisis klaster. Asumsi yang harus dipenuhi pada analisis klaster adalah tidak terdapat korelasi antar variabel independen. Berikut pembahasan lebih lanjut dari kedua uji asumsi tersebut.

Uji kecukupan sampel dapat diukur berdasarkan nilai Kaizer-Meyer-Olkin (KMO). Uji independensi antar variabel digunakan untuk mengetahui apakah terdapat korelasi antar variabel. Berikut hasil kedua pengujian tersebut:

Tabel 4.3 Uji KMO dan Uji Bartlett

Berdasarkan Tabel 4.1. hasil nilai KMO sebesar 0,686 yang menunjukkan lebih besar 0,5 (KMO 0,5). Hal ini berarti data sudah bagus untuk dianalisis. Selain itu juga diketahui hasil uji Bartlett dapat dilihat bahwa nilai Chi-Square adalah 2236,198 dengan derajat bebas sebesar 465, dan P-value (sig.) sebesar 0,000. Karena

P-value 0,000 < 0,05 maka tolak H0 sehingga dapat disimpulkan

bahwa terdapat korelasi antar variabel independen (bebas). Untuk melanjutkan analisis klaster, perlu adanya standardisasi variabel. Hal ini dikarenakan data yang digunakan mempunyai variabilitas satuan, makan perlu dilakukan langkah transformasi terhadap variabel yang relevan ke bentuk zscore.

4.1 Statistika Deskriptif

Laboratorium di ITS tersebar di seluruh fakultas yang ada. Terdapat 179 laboratorium yang terdapat di ITS. Karakteristik Kaiser-Meyer-Olkin Measure of Sampling

Adequacy 0,686

Bartlett's Test of Sphericity

Approx.

Chi-Square 2236,198

df 465

(44)

Laboratorium ITS bisa dibagi berdasarkan jenis laboratorium. Berdasarkan Gambar 4.2 dapat dilihat terdapat 4 kategori lab yang ditersedia dari data. Sebanyak 134 lab adalah lab riset, sebanyak 32 lab adalah lab pengajaran, sebanyak 10 lab adalah lab pelayanan dan terdapat 3 lab yang tidak mengisi sesuai kategori.

Gambar 4.2 Karakteristik Laboratorium berdasarkan Jenis

Karakteristik data selanjutnya adalah mengenai ketersediaan Road Map Laboratorium. Terdapat 155 lab yang memiliki Road Map Laboratorium dan 24 lab belum memiliki Road Map Laboratorium.

Gambar 4.3 Karakteristik Berdasrkan Ketersediaan Road Map

75% 18%

5% 2%

Riset Pengajaran

Pelayanan Tidak Mengisi

87% 13%

(45)

Karakteristik data selanjutnya adalah mengenai statistika deskriptif dari nilai indicator kinerja laboratorium ITS. Ada 31 indikator yang menjadi evaluasi, dari sini bias dilihat dari nilai minimal masih banyak laboratorium yang tidak mengisi / tidak mengidentifikasi nilai indikator yang diminta. Detail nilai maksimal, median, rata-rata dan standar deviasi terlampir di Tabel 4.2.

Tabel 4.2 Statistika Deskriptif Nilai Indikator Lab

Indikator Min Max Median Mean Std.dev X001 0 1.00 1.00 0.87 0.34 X002 0 280.75 8.57 26.72 47.63 X003 0 510.00 29.50 63.95 85.71 X004 0 11.00 1.43 1.82 1.74 X005 0 1.00 0.00 0.16 0.23 X006 0 3.00 0.20 0.36 0.43 X007 0 1.00 0.00 0.07 0.16 X008 0 71.75 0.00 0.54 5.36 X009 0 4.00 0.00 0.22 0.58 X010 0 9.00 0.00 0.27 0.81 X011 0 12.00 0.44 0.74 1.17 X012 0 12.00 0.20 0.51 1.07 X013 0 6.00 1.00 1.24 1.20 X014 0 10.00 0.00 0.77 1.66 X015 0 5.50 0.67 0.68 0.61 X016 0 5.50 0.83 0.91 0.71 X017 0 2.50 0.00 0.10 0.33 X018 0 355.00 3.33 14.46 36.89 X019 0 14529.50 60.88 226.71 1162.35 X020 0 2.00 0.00 0.17 0.34

(46)

X021 0 2365.67 0.00 74.01 246.63 X022 0 2.00 0.22 0.28 0.33 X023 0 89.00 8.00 12.78 13.68 X024 0 34.00 3.00 4.47 5.23 X025 0 86.00 0.00 2.50 7.17 X026 0 12.00 0.00 1.75 2.63 X027 0 11.00 0.00 0.61 1.58 X028 0 32.00 0.00 0.59 2.68 X029 0 2.00 0.25 0.32 0.36 X030 0 4.00 0.00 0.36 0.81 X031 0 2.00 0.00 0.35 0.50

Karena masih ada banyak laboratorium ITS yang tidak mengisi nilai indikator, perlu diketahui berapa jumlah tersebut. Dari sini bisa dilihat dan dievaluasi untuk ke depannya.

Tabel 4.3 Jumlah Lab yang tidak mengisi nilai indicator

berdasarkan %

Lab yang tidak mengisi (%)

≤25 26≤x≤50 51≤x≤75 76≤x≤100 Riset 29 87 14 4 Pengajaran 2 13 10 7 Pelayanan 0 3 5 2 Tidak Mengisi 0 0 0 3 Jumlah 31 103 29 16

Dari Tabel 4.3 dapat dilihat bahwa terdapat 16 lab yang tidak mengisi nilai indikator lebih dari 75%, 29 lab yang tidak mengisi nilai indicator sebesar 51% hingga 75%, 103 lab yang tidak mengisi sebesar 26% hingga 50% ini lebih dominan, dan sebanyak 31 lab yang tidak mengisi nilai indikator ≤25%.

(47)

Terdapat 2 lab yang tidak mengisi sama sekali dari semua indikator yaitu Lab Pengembangan Sistem dan Manajemen Industri Lab Telematika Transportasi. Laboratorium yang tidak mengisi indikator lebih 75% adalah Protomodel, Laboratorium Teknik Kimia, Studio Gambar, Lab. Mesin Fluida dan Sistem, Studio Pemrograman, Lab Listrik Dasar, Studio Aplikasi Terapan, Lab Fisika Dasar, Pengukuran Fisis, Infrastruktur dan Kepelabuhan, Lab Perkembangan Arsitektur, Teknologi Produksi dan Manajemen Perkapalan, Lab Optik/Lab Optoelektronika dan Elektro Magnetika Terapan.

Selain itu, kita bisa analisis lebih lanjut data indikator menjadi Analisis Kuadran. Analisis Kuadran ini dambil dari data dasar kinerja Laboratorium ITS.

Gambar 4.4 Grafik Kuadran Data Rasio Jumlah Sitasi di Scopus

(48)

Tabel 4.4 Jumlah Lab Berdasarkan Kuadran Data Rasio Jumlah

Sitasi di Scopus dengan Jumlah Dosen Anggota Lab Kuadran Jumlah Lab

I 21 II 48 III 79 IV 31

Terdapat 21 Laboratorium yang sudah memiliki nilai Data Indikator di atas rata-rata seluruh Laboratorium ITS. 21 Laboratorium yang patut menjaga kinerja ini adalah Lab Fisika Material, Kimia Material dan Energi, Instrumentasi dan Metode Analisis, Lab. Statistika Bisnis dan Industri, Lab. Statistika Lingkungan dan Kesehatan, Lab. Statistika Ekonomi, Finansial dan Aktuaria, Lab Beton dan bahan bangunan, Lab Mekanika tanah dan batuan, Lab Pengelolaan Limbah Padat dan Limbah B3, Kimia Analisa dan Kimia Organik, Vibrasi dan Akustik, Lab. Pemodelan Kuantitatif dan Analisis Kebijakan Industri, Lab. Mesin Kapal, Lab Konversi Energi Listrik, Lab Elektronika Industri, Lab Elektronika Biomedika, Komputasi Multimedia, Lab. Komputasi Berbasis Jaringan, Lab. Komputasi Cerdas dan Visi, Lab.Sistem Enterprise, Lab. Material dan Struktur Gedung.

21 Laboratorium masuk dalam Kuadran II, dominan Laboratorium masuk dalam Kuadran III sejumlah 79 Lab, dan 31 Laboratorium di dalam Kuadran IV. Selanjutnya Grafik Kuadran atas Data Rasio Jumlah Sitasi Dosen dalam Google Scholar dengan Jumlah Dosen Anggota Lab.

(49)

Gambar 4.5 Grafik Kuadran Data Rasio Jumlah Sitasi Dosen

dalam Google Scholar dengan Jumlah Dosen Anggota Lab

Sesuai dengan data disajikan pada tabel 4.6, sebanyak 31 Laboratorium yang memiliki nilai data dasar kinerja di atas rata-rata dari seluruh Laboratorium ITS.

Sitasi Dosen dalam Google Scholar dengan Jumlah Dosen Anggota Lab

Kuadran Jumlah Lab I 31 II 38 III 80 IV 30

(50)

31 Laboratorium yang masuk dalam Kuadran 1 adalah Kimia Material dan Energi, Instrumentasi dan Metode Analisis, Fundamental Kimia, Lab. Biosains dan Teknologi Tumbuhan, Lab. Statistika Komputasi, Lab. Statistika Bisnis dan Industri, Lab. Statistika Lingkungan dan Kesehatan, Lab. Statistika Ekonomi, Finansial dan Aktuaria, Lab Beton dan bahan bangunan, Lab Keairan dan teknik pantai, Lab Manajemen Konstruksi, Lab Teknologi Pengolahan Air, Lab Pengelolaan Limbah Padat dan Limbah B3, Kimia Analisa dan Kimia Organik, Rekayasa Instrumentasi, Lab. Sistem Manufaktur, Lab. Pemodelan Kuantitatif dan Analisis Kebijakan Industri, Lab. Keandalan dan Keselamatan, Lab. Mesin Kapal, Lab Konversi Energi Listrik, Lab Elektronika Industri, Lab Elektronika Biomedika, Komputasi Multimedia, Lab Bisnis Analitik dan Strategi, Lab. Komputasi Berbasis Jaringan, Lab. Komputasi Cerdas dan Visi, Lab. Sistem Enterprise, Lab. Manajemen Sistem Informasi, Lab. Infrastruktur dan Keamanan Teknologi Informasi, Lab Material dan Struktur Gedung.

Sebanyak 38 Laboratorium masuk dalam Kuadran II, dominan Laboratorium masuk dalam Kuadran III sejumlah 80 Lab, dan 30 Laboratorium di dalam Kuadran IV.

Selanjutnya Grafik Kuadran atas Data Rasio Jumlah Indeks H di Scopus dengan Jumlah Dosen Anggota Lab. Sesuai dengan data disajikan pada tabel 4.7, sebanyak 37 Laboratorium yang memiliki nilai data dasar kinerja di atas rata-rata dari seluruh Laboratorium ITS.

(51)

Gambar 4.6 Grafik Kuadran Data Rasio Jumlah Indeks H di

Scopus dengan Jumlah Dosen Anggota Lab

Indeks H di Scopus/ Jumlah Dosen Anggota Lab Kuadran Jumlah Lab

I 37 II 32 III 77 IV 33

(52)

37 Laboratorium yang masuk dalam Kuadran 1 adalah Lab Fisika Material, Kimia Material dan Energi, Instrumentasi dan Metode Analisis, Fundamental Kimia, Lab. Biosains dan Teknologi Tumbuhan, Lab Pemodelan dan Simulasi Sistem, Lab Riset Operasi dan Pengolahan Data, Lab. Statistika Komputasi, Lab. Statistika Bisnis dan Industri, Lab. Statistika Lingkungan dan Kesehatan, Lab. Statistika Ekonomi, Finansial dan Aktuaria, Lab. Pengembangan dan Perancangan Perkotaan, Lab. Pengembangan Wilayah, Pesisir, dan Lingkungan, Lab Beton dan bahan bangunan, Lab Struktur, Lab Mekanika tanah dan batuan, Lab Keairan dan teknik pantai , Lab Manajemen KonstruksiLab Teknologi Pengolahan Air, Lab Pengelolaan Limbah Padat dan Limbah B3, Mekanika dan Mesin Fluida, Kimia Analisa dan Kimia Organik, Rekayasa Instrumentasi, Vibrasi dan Akustik, Lab. Sistem Manufaktur, Lab. Pemodelan Kuantitatif dan Analisis Kebijakan Industri, Desain Kapal, Lab. Keandalan dan Keselamatan, Lab. Mesin Kapal, Lab Konversi Energi Listrik, Lab Teknik Pengaturan, Lab Elektronika Industri, Komputasi Multimedia, Lab. Komputasi Berbasis Jaringan, Lab. Komputasi Cerdas dan Visi, Lab. Manajemen Sistem Informasi, dan Lab Material dan Struktur Gedung.

Selanjutnya Grafik Kuadran atas Data Rasio Jumlah Dosen yang Menjadi Editor atau Reviewer Jurnal Internasional dengan Jumlah Dosen Anggota Lab. Sesuai dengan data disajikan pada tabel 4.8, sebanyak 37 Laboratorium yang memiliki nilai data dasar kinerja di atas rata-rata dari seluruh Laboratorium ITS.

(53)

Gambar 4.7 Grafik Kuadran Data Rasio Jumlah Dosen yang

Menjadi Editor atau Reviewer Jurnal Internasional dengan Jumlah Dosen Anggota Lab

Dosen yang Menjadi Editor atau Reviewer Jurnal Internasional dengan Jumlah Dosen Anggota Lab

(54)

39 Laboratorium yang masuk dalam Kuadran 1 adalah Lab Instrumentasi, Kimia Material dan Energi, Instrumentasi dan Metode Analisis, Fundamental Kimia, Lab. Ekologi, Lab. Biosains dan Teknologi Tumbuhan, Lab Analisis dan Aljabar, Lab Pemodelan dan Simulasi Sistem, Komputasi Matematika, Lab. Statistika Komputasi, Lab. Statistika Bisnis dan Industri, Lab Komputasi dan Analisa Perencanaan Keruangan, Lab Beton dan bahan bangunan, Lab Struktur, Lab Keairan dan teknik pantai, Lab Perhubungan dan bahan konstruksi Jalan, Lab Manajemen Konstruksi, Lab Teknologi Pengolahan Air, Lab Pengelolaan Limbah Padat dan Limbah B3, Mekanika dan Mesin Fluida, Kimia Analisa dan Kimia Organik, Rekayasa Energi dan Pengkondisian Lingkungan, Rekayasa Instrumentasi, Lab. Sistem Manufaktur, Lab. Ergonomi dan Perancangan Sistem Kerja, Lab. Pemodelan Kuantitatif dan Analisis Kebijakan Industri, Desain Kapal, Lab. Keandalan dan Keselamatan, Lab. Mesin Kapal, Lab Konversi Energi Listrik, Lab Teknik Pengaturan, Lab Elektronika Industri, Lab Elektronika Biomedika, Komputasi Multimedia, Lab Bisnis Analitik dan Strategi, Lab. Komputasi Berbasis Jaringan, Lab. Komputasi Cerdas dan Visi, Lab. Sistem Enterprise, Lab. Manufaktur

Selanjutnya Grafik Kuadran atas Data Rasio Jumlah Dosen yang Menjadi Anggota Asosiasi Profesi Internasional dengan Jumlah Dosen Anggota Lab. Sesuai dengan data disajikan pada tabel 4.9, sebanyak 37 Laboratorium yang masuk dalam Kuadran I

(55)

Menjadi Anggota Asosiasi Profesi Internasional dengan Jumlah Dosen Anggota Lab

Dosen yang Menjadi Anggota Asosiasi Profesi Internasional dengan Jumlah Dosen Anggota Lab

(56)

36 Laboratorium yang masuk dalam Kuadran 1 adalah Kimia Material dan Energi, Lab. Zoologi dan Rekayasa Hewan, Lab. Ekologi, Lab Pemodelan dan Simulasi Sistem, Lab Riset Operasi dan Pengolahan Data, Komputasi Matematika, Lab. Statistika Komputasi, Lab. Statistika Bisnis dan Industri, Lab. Statistika Lingkungan dan Kesehatan, Lab. Statistika Ekonomi, Finansial dan Aktuaria, Lab Perkembangan Arsitektur, Lab Sains dan Teknologi Arsitektur, Lab Perumahan dan Permukiman, Lab Beton dan bahan bangunan, Lab Keairan dan teknik pantai , Lab Perhubungan dan bahan konstruksi Jalan, Lab Manajemen Konstruksi, Lab Pengelolaan Limbah Padat dan Limbah B3, Kimia Analisa dan Kimia Organik, Rekayasa Energi dan Pengkondisian Lingkungan, Lab. Sistem Manufaktur, Lab. Ergonomi dan Perancangan Sistem Kerja, Desain Kapal, Lab. Keandalan dan Keselamatan, Lab. Mesin Kapal, Lab Konversi Energi Listrik, Lab Teknik Pengaturan, Lab Jaringan Telekomunikasi, Lab Elektronika Dasar, Lab Elektronika Industri, Lab Elektronika Biomedika, Komputasi Multimedia, Laboratorium Komputasi Berbasis Jaringan, Laboratorium Komputasi Cerdas dan Visi, Laboratorium Sistem Enterprise, Laboratorium Infrastruktur dan Keamanan Teknologi Informasi. Sebanyak 33 Laboratorium masuk dalam Kuadran II, dominan Laboratorium masuk dalam Kuadran III sejumlah 72 Lab, dan 38 Laboratorium di dalam Kuadran IV.

Selanjutnya Grafik Kuadran atas Data Rasio Jumlah Dosen yang Diundang sebagai Invited Speaker di Seminar Internasional/ Jumlah Dosen Anggota Lab. Sesuai dengan data disajikan pada tabel 4.10, sebanyak 13 Laboratorium yang masuk dalam Kuadran I.

(57)

Diundang sebagai Invited Speaker di Seminar Internasional/ Jumlah Dosen Anggota Lab

Sesuai dengan data disajikan pada Tabel 4.10, sebanyak 13 Laboratorium yang memiliki nilai data dasar kinerja di atas rata-rata dari seluruh Laboratorium ITS.

Dosen yang Diundang sebagai Invited Speaker di Seminar Internasional/ Jumlah Dosen Anggota Lab

(58)

13 Laboratorium yang masuk dalam Kuadran 1 adalah Instrumentasi dan Metode Analisis, Lab. Ekologi, Lab. Statistika Bisnis dan Industri, Lab. Pengembangan Wilayah, Pesisir, dan Lingkungan, Lab Beton dan bahan bangunan, Lab Pengelolaan Limbah Padat dan Limbah B3, Rekayasa Instrumentasi, Lab. Sistem Manufaktur, Lab. Keandalan dan Keselamatan, Lab Jaringan Telekomunikasi, Komputasi Multimedia, Laboratorium Komputasi Cerdas dan Visi,dan Laboratorium Pengolahan dan Pemurnian.

Gambar 4.10 Grafik Kuadran Data Rasio Jumlah Dosen menulis

(59)

Sesuai dengan data disajikan pada tabel 4.11, sebanyak 13 Laboratorium yang memiliki nilai data dasar kinerja di atas rata-rata dari seluruh Laboratorium ITS atau dengan kata lain masuk dalam Kuadran I.

Dosen menulis Buku Teks ber-ISBN / Jumlah Dosen Anggota Lab

11 Laboratorium yang masuk dalam Kuadran 1 adalah Kimia Material dan Energi, Lab. Statistika Komputasi, Lab. Statistika Lingkungan dan Kesehatan, Lab Perancangan Arsitektur, Lab Perumahan dan Permukiman, Lab. Pengembangan dan Perancangan Perkotaan, Lab. Pengembangan Wilayah, Pesisir, dan Lingkungan, Lab Komputasi dan Analisa Perencanaan Keruangan, Lab Beton dan bahan bangunan, Lab Material dan Struktur Gedung dan Laboratorium Pengolahan dan Pemurnian.

Sebanyak 58 Laboratorium masuk dalam Kuadran II, dominan Laboratorium masuk dalam Kuadran III sejumlah 103 Lab, dan 7 Laboratorium di dalam Kuadran IV. Pada Kuadran III banyak laboratorium yang tidak mengisi / tidak menulis Buku Teks ber-ISBN. Hal ini bisa menjadi evaluasi untuk Laboratorium pada Kuadran III.

Selanjutnya Grafik Kuadran atas Data Rasio Jumlah Publikasi di Jurnal Nasional dengan Jumlah Dosen Anggota Lab. Sesuai dengan data disajikan pada tabel 4.12, sebanyak 23 Laboratorium yang masuk dalam Kuadran I.

(60)

Gambar 4.11 Grafik Kuadran Data Rasio Jumlah Publikasi di

Jurnal Nasional dengan Jumlah Dosen Anggota Lab Sesuai dengan data disajikan pada tabel 4.11, sebanyak 23 Laboratorium yang memiliki nilai data dasar kinerja di atas rata-rata dari seluruh Laboratorium ITS atau dengan kata lain masuk dalam Kuadran I.

Publikasi di Jurnal Nasional dengan Jumlah Dosen Anggota Lab Anggota Lab

Kuadran Jumlah Lab I 23 II 46 III 89

(61)

23 Laboratorium yang masuk dalam Kuadran 1 adalah Lab Instrumentasi, Kimia Material dan Energi, Instrumentasi dan Metode Analisis, Fundamental Kimia, Lab Analisis dan Aljabar, Lab Pemodelan dan Simulasi Sistem, Lab Riset Operasi dan Pengolahan Data, Lab. Statistika Komputasi, Lab. Statistika Ekonomi, Finansial dan Aktuaria, Lab Perancangan Arsitektur, Lab Sains dan Teknologi Arsitektur, Lab Perumahan dan Permukiman, Lab Perhubungan dan bahan konstruksi Jalan, Lab Teknologi Pengolahan Air, Lab. Sistem Manufaktur, Lab. Pemodelan Kuantitatif dan Analisis Kebijakan Industri, Konstruksi dan Kekuatan kapal, Lab. Mesin Kapal, Lab Elektronika Industri, Lab. Komputasi Berbasis Jaringan, Lab. Komputasi Cerdas dan Visi, Lab. Manajemen Sistem Informasi, Lab. Infrastruktur dan Keamanan Teknologi Informasi.

Selanjutnya Grafik Kuadran atas Data Rasio Jumlah Publikasi di Jurnal Internasional dengan Jumlah Dosen Anggota Lab. Sesuai dengan data disajikan pada tabel 4.13, sebanyak 30 Laboratorium yang masuk dalam Kuadran I.

Publikasi di Jurnal Internasional dengan Jumlah Dosen Anggota Lab

(62)

Jurnal Internasional/ Jumlah Dosen Anggota Lab

30 Laboratorium yang masuk dalam Kuadran 1 adalah Lab Fisika Material, Lab Instrumentasi, Kimia Material dan Energi, Instrumentasi dan Metode Analisis, Fundamental Kimia, Lab. Ekologi, Lab Analisis dan Aljabar, Lab Pemodelan dan Simulasi Sistem, Lab. Statistika Komputasi, Lab. Statistika Lingkungan dan Kesehatan, Lab Perumahan dan Permukiman, Lab Beton dan bahan bangunan, Lab Struktur, Lab Perhubungan dan bahan konstruksi Jalan, Lab Pengelolaan Limbah Padat dan Limbah B3, Mekanika dan Mesin Fluida, Kimia Analisa dan Kimia Organik, Rekayasa Energi dan Pengkondisian Lingkungan, Rekayasa Instrumentasi, Lab. Ergonomi dan Perancangan Sistem Kerja, Konstruksi dan Kekuatan kapal, Lab. Keandalan dan Keselamatan, Lab Konversi Energi Listrik, Lab Elektronika Dasar, Lab Elektronika Industri, Lab. Komputasi Berbasis Jaringan, Lab. Komputasi Cerdas dan

(63)

Visi, Lab. Sistem Enterprise, Lab Material dan Struktur Gedung, Lab. Pengolahan dan Pemurnian.

Seminar Internasional dengan Jumlah Dosen Anggota Lab Sesuai dengan data disajikan pada tabel 4.14, sebanyak 43 Laboratorium yang memiliki nilai data dasar kinerja di atas rata-rata dari seluruh Laboratorium ITS atau dengan kata lain masuk dalam Kuadran I.

(64)

Publikasi di Seminar Internasional dengan Jumlah Dosen Anggota Lab

Dibanding dengan Rasio Kuadran sebelum-sebelumnya, kuadran ini sangat baik. Jumlah lab pada Kuadran I lebih banyak. 43 Laboratorium yang masuk dalam Kuadran 1 adalah Lab Fisika Material, Lab Optik/ Lab Optoelektronika dan Elektro magnetika terapan, Lab Instrumentasi, Kimia Material dan Energi, Instrumentasi dan Metode Analisis, Fundamental Kimia, Lab. Zoologi dan Rekayasa Hewan, Lab. Ekologi, Lab. Biosains dan Teknologi Tumbuhan, Lab Analisis dan Aljabar, Komputasi Matematika, Lab. Statistika Komputasi, Lab Perancangan Arsitektur, Lab Sains dan Teknologi Arsitektur, Lab Perumahan dan Permukiman, Media Visual, Lab. Pengembangan Wilayah, Pesisir, dan Lingkungan, Lab Beton dan bahan bangunan, Lab Struktur, Lab Perhubungan dan bahan konstruksi Jalan, Lab Manajemen Konstruksi, Lab Transportasi dan Geoteknik, Lab Teknologi Pengolahan Air, Lab Pengelolaan Limbah Padat dan Limbah B3, Mekanika dan Mesin Fluida, Rekayasa Instrumentasi, Lab. Sistem Manufaktur, Lab. Ergonomi dan Perancangan Sistem Kerja, Desain Kapal, Konstruksi dan Kekuatan kapal, Lab. Listrik Kapal dan Otomatisasi, Lab. Keandalan dan Keselamatan, Lab Jaringan Telekomunikasi, Lab Elektronika Industri, Komputasi Multimedia, Lab Bisnis Analitik dan Strategi, Lab. Komputasi Berbasis Jaringan, Lab. Komputasi Cerdas dan Visi, Lab. Sistem Enterprise, Lab. Manajemen Sistem Informasi, Lab. Infrastruktur dan Keamanan Teknologi Informasi, Lab Transportasi dan Geoteknik , Lab Material dan Struktur Gedung

(65)

4.2 Analisis Klaster

Pada analisis ini menggunakan dua metode yaitu K-Means & Fuzzy C-Means. Hasil analisis pada analisis klaster adalah sebagai berikut:

4.2.1 Pengelompokan Kinerja Laboratorium ITS dengan Metode K-Means

Dengan menggunakan program R didapatkan klaster terbaik dengan dilakukan Validasi Klaster untuk 179 Laboratorium ITS. Didapat hasil sebagai berikut:

Tabel 4.14 Nilai icdrate dengan Metode K-Means

Klaster 2 3 4 5 6

icdrate 0,894 0,834 0,794 0,757 0,722 Semakin besar jumlah klaster yang dimiliki nilai icdrate yang didapatkan semakin menurun, menunjukkan bahwa klaster yang didapatkan adalah yang terbaik. Tetapi hal ini tidak menjadi menjadikan klaster terbesar menjadi klaster yang terbaik untuk dipilih karena nilai optimal klaster yang didapat adalah saat pada klaster sebanyak 2, seperti yang ditampilkan pada gambar.

(66)

Tabel 4.15 Nilai Silhouette Index untuk Pemilihan Klaster Optimal Score Metode Klaster Silhouette 0,4482 kmeans 2

Dari hasil validasi pada Tabel 4.15, didapatkan klaster terbaik untuk data capaian Laboratorium adalah 2 klaster karena nilai Silhouette Index optimal pada pembagian 2 klaster. Dari hasil Silhouette Index ini ditindak lanjutin untuk pembagian klasternya.

Tabel 4.12 Jumlah Pembagian Klaster

Jumlah Member Klaster 1 66 Klaster 2 113

Dari tabel 4.16 dapat dilihat nilai Cluster Centers pada klaster masing-masing yang terbentuk. Klaster 1 memiliki nilai positif untuk nilai Cluster Centers untuk indikator kinerja Laboratorium. Hal ini bisa menjadi patokan Laboratorium mana saja yang memiliki capaian terbaik untuk kategori Indikator saat hasil pengelompokan.

Tabel 4.16 Cluster Centers dengan metode K-Means untuk

seluruh Laboratorium ITS

Indikator Lab Klaster 1 Klaster 2

Ketersediaan Road Map

Laboratorium 0.3924 -0.2292 Rasio Jumlah Sitasi di Scopus/

Jumlah Dosen Anggota Lab 0.5740 -0.3352 Rasio Jumlah Sitasi Dosen dalam

Google Scholar/ Jumlah Dosen Anggota Lab

0.6016 -0.3514

Rasio Jumlah Indeks H di Scopus/

(67)

Rasio Jumlah Dosen yang Menjadi Editor atau Reviewer Jurnal Internasional/ Jumlah Dosen Anggota Lab

0.5517 -0.3222

Rasio Jumlah Dosen yang Menjadi Anggota Asosiasi Profesi

Internasional/ Jumlah Dosen Anggota Lab

0.5776 -0.3374

Rasio Jumlah Dosen yang Diundang sebagai Invited Speaker di Seminar Internasional/ Jumlah Dosen Anggota Lab

0.3133 -0.1830

Rasio Jumlah Dosen menulis Buku Teks berISBN / Jumlah Dosen Anggota Lab

0.1367 -0.0799

Jumlah HKI yang Didaftarkan 0.2240 -0.1308 Rasio Jumlah Publikasi di Jurnal

Nasional/ Jumlah Dosen Anggota Lab

0.2779 -0.1623

Rasio Jumlah Publikasi di Jurnal Internasional/ Jumlah Dosen Anggota Lab

0.5132 -0.2997

Jumlah Publikasi di Jurnal Internasional Terindeks Scopus, Thomson dll/ Jumlah Dosen Anggota Lab

0.4703 -0.2747

Rasio Jumlah Publikasi di Seminar Internasional/ Jumlah Dosen Anggota lab

0.7786 -0.4548

Jumlah Publikasi bersama

(Co-Authorship) Internasional 0.5056 -0.2953 Rasio Jumlah judul penelitian yang

Diketuai oleh Dosen dari

Laboratorium terkait / Jumlah Dosen Anggota Lab

(68)

Jumlah judul penelitian / Jumlah

Dosen Anggota Lab 0.5251 -0.3067 Rasio Jumlah penelitian dengan

Mitra dari PT Luar Negeri / Jumlah Dosen Anggota Lab

0.1676 -0.0979

Rasio Jumlah dana pengabdian kepada masyarakat yang Diketuai Dosen Lab terkait (Rp Juta) / Jumlah Dosen Anggota Lab

0.1693 -0.0989

Rasio Jumlah dana hibah penelitian (Rp Juta) (Total) / Jumlah Dosen Anggota Lab

0.1318 -0.0770

Rasio Jumlah Kerjasama Riset dan PPM dengan Instansi atauIndustri per tahun yang diketuai oleh Dosen Lab terkait / Jumlah Dosen Anggota Lab

0.3045 -0.1778

Rasio Jumlah dana Kerjasama Riset & PPM dengan Instansi atau Industri yang diketuai oleh Dosen Lab terkait (Rp Juta) / Jumlah Dosen Anggota Lab

0.1293 -0.0755

Rasio Jumlah kegiatan pengabdian kepada masyarakat yang Diketuai Dosen Lab terkait / Jumlah Dosen Anggota Lab

0.2856 -0.1668

Jumlah kelas mata kuliah atau praktikum yang dikelola atau dilayani oleh Laboratorium

0.4904 -0.2864

Jumlah mahasiswa yang terlibat

dalam penelitian Dosen 0.5561 -0.3248 Jumlah mahasiswa yang terlibat

dalam pengabdian Dosen 0.2638 -0.1541 Jumlah modul atau buku ajar yang

(69)

Jumlah keterlibatan dosen dalam

konsorsium/forum riset nasional 0.3022 -0.1765 Jumlah keterlibatan dosen dalam

konsorsium/forum riset internasional

0.3160 -0.1846

Rasio Jumlah Dosen yang

Mengikuti Pelatihan atau Workshop / Jumlah Dosen Anggota Lab

0.3981 -0.2325

Jumlah Teknologi Tepat Guna (Produk Teknologi yang Mudah Diimplementasikan dan Berpotensi bisa Memecahkan Persoalan Masyarakat Luas atau Industri, SK LPPM)

0.2641 -0.1542

Jumlah Sertifikat Lab Based

Education (LBE) 0.5192 -0.3033

Tabel 4.17 Nilai Rata-Rata Masing-masing Klaster dengan

Metode K-means

Variabel Indikator Klaster 1 Klaster 2

X001 1 0.787610619 X002 _{54.05099501 10.75036538} X003 115.5124256 33.84023388 X004 2.893719874 1.194081619 X005 0.291832057 0.086166501 X006 0.60949648 0.213547453 X007 _{0.116666667 0.037366554} X008 1.272341547 0.111480322 X009 0.348484848 0.14159292 X010 0.49653297 0.138341698 X011 _{1.334288355 0.385103724} X012 1.01688215 0.217025182

(70)

X013 2.177897734 0.696694984 X014 _{1.606060606 0.274336283} X015 1.000711115 0.487388742 X016 1.282187131 0.687670957 X017 0.153040016 0.066603775 X018 _{20.70657777 10.81296101} X019 379.9407423 137.2174977 X020 0.275164482 0.111385984 X021 105.9006318 55.3850461 X022 0.378275891 0.228573025 X023 _19.48484848 _8.85840708 X024 7.378787879 2.769911504 X025 4.393939394 1.398230088 X026 1.984848485 1.619469027 X027 _{1.090909091 0.336283186} X028 1.439393939 0.097345133 X029 0.466801128 0.239242775 X030 0.575757576 0.238938053 X031 _{0.606060606 0.194690265}

Dari Tabel 4.16 dan Tabel 4.17 dapat disimpulkan bahwa karakteristik pada masing-masing klaster. Klaster 1 memiliki nilai indikator yang lebih tinggi dibanding dengan klaster 2.

Tabel 4.18 Karakteristik Klaster dengan Metode K-means

Klaster Karakteristik

1 - Semua Member Memiliki Ketersediaan Road Map Laboratorium Lebih Banyak

- Rasio Jumlah Sitasi di Scopus/ Jumlah Dosen Anggota Lab Tertinggi

(71)

- Rasio Jumlah Sitasi Dosen dalam Google Scholar/ Jumlah Dosen Anggota Lab Tertinggi

- Rasio Jumlah Indeks H di Scopus/ Jumlah Dosen Anggota Lab Tertinggi

- Rasio Jumlah Dosen yang Menjadi Editor atau Reviewer Jurnal Internasional/ Jumlah Dosen Anggota Lab Tertinggi

- Rasio Jumlah Dosen yang Menjadi Anggota Asosiasi Profesi Internasional/ Jumlah Dosen Anggota Lab Tertinggi

- Rasio Jumlah Dosen yang Diundang sebagai Invited Speaker di Seminar Internasional/ Jumlah Dosen Anggota Lab Tertinggi

- Rasio Jumlah Dosen menulis Buku Teks berISBN / Jumlah Dosen Anggota Lab Tertinggi

- Jumlah HKI yang Didaftarkan Tertinggi

- Rasio Jumlah Publikasi di Jurnal Nasional/ Jumlah Dosen Anggota Lab Tertinggi

- Jumlah Publikasi di Jurnal Internasional Terindeks Scopus, Thomson dll/ Jumlah Dosen Anggota Lab Tertinggi

- Rasio Jumlah Publikasi di Seminar Internasional/ Jumlah Dosen Anggota lab Tertinggi

- Jumlah Publikasi bersama (Co-Authorship) Internasional Tertinggi

- Rasio Jumlah judul penelitian yang Diketuai oleh Dosen dari Laboratorium terkait / Jumlah Dosen Anggota Lab Tertinggi

- Jumlah judul penelitian / Jumlah Dosen Anggota Lab Tertinggi

- Rasio Jumlah penelitian dengan Mitra dari PT Luar Negeri / Jumlah Dosen Anggota Lab Tertinggi - Rasio Jumlah dana pengabdian kepada masyarakat

yang Diketuai Dosen Lab terkait (Rp Juta) / Jumlah Dosen Anggota Lab Tertinggi