Salah satu cara untuk memastikan mahasiswa memahami betul suatu pengetahuan adalah dengan cara diberi soal uraian. Soal uraian memberikan evaluasi yang lebih akurat dibandingkan dengan jenis soal lainnya. Namun hal ini memunculkan masalah baru dimana dosen seringkali masih belum menemukan cara yang efektif dalam menilai jawaban soal uraian. Banyaknya jumlah mahasiswa menjadikan proses penilaian memakan waktu lama. Padahal, dalam kenyataanya, banyak kemiripan jawaban antar mahasiswa. Jawaban yang mirip-mirip ini dapat dikelompokkan dan diberi nilai yang sama. Sayangnya, jika dilakukan secara manual, pengelompokan ini memakan waktu yang sangat lama. Klasterisasi merupakan salah satu cara yang dapat digunakan untuk mengetahui variasi jawaban siswa secara keseluruhan. TF-IDF dan K-Means merupakan algoritma Klasterisasi yang dinilai paling kuat dan paling populer. Dengan menggunakan TF-IDF dan K-Means dalam membantu dosen mengelompokkan jawaban uraian mahasiswa ternyata cukup efektif karena dengan persentase kesesuaian hasil pengelompokkan sebesar 65% dosen dapat mengelompokkan jawaban uraian dengan waktu jauh lebih cepat dari mengelompokkan jawaban uraian secara manual.