OPTIMALISASI MODEL PROFIL BEBAN KERJA GURU BERBASIS LOG AKTIVITAS DIGITAL DAN K-MEANS CLUSTERING

Abstract

Pengukuran beban kerja guru selama ini masih didominasi oleh data survei subjektif dan analisis tingkat makro yang kurang mampu menangkap dinamika aktual secara objektif dan granular. Kondisi ini menyulitkan pihak manajemen sekolah dalam mengidentifikasi ketimpangan beban kerja, seperti risiko overload atau under-utilized pada tingkat individu. Untuk mengatasi kesenjangan tersebut, penelitian ini bertujuan mengoptimalkan model segmentasi profil beban kerja guru secara mikro dengan mengintegrasikan log aktivitas digital yang objektif sebagai variabel input utama. Studi kasus dilakukan pada SMP Pesantren Nurul Anshor menggunakan data presensi digital berbasis QR Code periode Agustus–Oktober. Data dipra-proses dan direkayasa menjadi fitur esensial, yaitu Total Jam Mengajar (KBM) dan Proporsi Jam Tugas Non-KBM, kemudian disegmentasi menggunakan algoritma K-Means Clustering. Penentuan jumlah klaster optimal divalidasi menggunakan Elbow Method dan Silhouette Score. Berdasarkan 645 baris data valid, hasil pemodelan merekomendasikan K = 3 klaster yang diinterpretasikan sebagai klaster Overload (beban kerja dan tugas non-KBM tinggi), klaster Ideal (seimbang), dan klaster Underload (beban kerja rendah). Analisis profiling ini secara eksplisit menyingkap disparitas distribusi tugas antar guru yang tidak dapat ditangkap oleh analisis statistik umum. Implikasi penelitian ini memberikan kontribusi pada literatur Educational Data Mining dengan membuktikan bahwa integrasi log aktivitas digital dan unsupervised learning mampu menyediakan peta beban kerja yang akurat. Hal ini memungkinkan intervensi manajerial yang terpersonalisasi, adil, dan tepat sasaran untuk mencegah burnout. Rekomendasi penelitian lanjutan mencakup penggabungan variabel kualitatif dan komparasi dengan algoritma clustering lain guna meningkatkan keandalan segmentasi.