Penerapan Data Mining untuk Pemetaan Siswa Berprestasi menggunakan Metode Clustering K-Means
DOI:
https://doi.org/10.53842/juki.v6i1.474Keywords:
Data Mining, Prestasi, Nilai Siswa, Clustering, K-MeansAbstract
Pendidikan memiliki peranan penting sebagai modal utama membangun kararkter bangsa. Keberhasilan murid dievaluasi berdasarkan pelajaran teoritis dan praktis, serta kehadiran murid selama di dalam kelas. Jumlah pemrosesan data yang terus meningkat mengharuskan penggunaan strategi dan metode sehingga dapat ditransformasikan menjadi informasi dan pengetahuan yang dapat dimanfaatkan oleh pendidik dalam proses pembuatan kebijakan. Tujuan penelitian ini yaitu mengelompokan prestasi siswa berdasarkan nilai siswa menggunakan data mining dengan menerapkan algoritma K-Means. Dalam penelitian ini data yang digunakan adalah nilai raport PAS Ganjil SMK TON’S periode tahun 2023/2024. Perhitungan klasterisasi dengan algoritma K-Means berhasil mengelompokkan 24 siswa menjadi 3 cluster. Dimana siswa dengan kategori tinggi sebanyak 6 siswa, siswa dengan kategori cukup sebanyak 8 siswa, dan siswa dengan kategori rendah sebanyak 10 siswa. Berdasarkan hasil evaluasi, didapat nilai Davies Bouldin Index (DBI) 0.144 atau mendekati dengan 0 sehingga dapat disimpulkan bahwa hasil cluster yang dihasilkan cukup baik. Dengan hasil clustering yang telah diterapkan diharapkan bisa membantu dalam mengambil keputusan dengan tepat untuk menentukan siswa berprestasi.
Kata Kunci : Data Mining, Prestasi, Nilai Siswa, Clustering, K-Means
Education plays an important role as the main capital in building the nation's character. Student success is evaluated based on theoretical and practical lessons, as well as student attendance during class. The increasing volume of data processing necessitates the use of strategies and methods to transform it into information and knowledge that educators can utilize in the policy-making process. The purpose of this research is to group student achievements based on student grades using data mining by applying the K-Means algorithm. In this study, the data used are the odd semester report card of TON’S Vocational High School for the 2023/2024 period. The clustering calculation with the K-Means algorithm successfully grouped 24 students into 3 clusters, with 6 students in the high category, 8 students in the fair category, and 10 students in the low category. Based on the evaluation results, a Davies Bouldin Index (DBI) value of 0.144 was obtained, which is close to 0, so it can be concluded that the resulting cluster results are quite good. With the clustering results that have been applied, it is hoped that they can help in making precise decisions to determine high-achieving students.
Keyword : Data Mining, Achievement, Student Grades, Clustering, K-Means
Downloads
References
I. Amirulloh, “PEMETAAN KELOMPOK KERJA SISWA DENGAN METODE CLUSTERING K-MEANS DAN ALGORITMA GREEDY,” Jurnal Informatika dan Rekayasa Perangkat Lunak, vol. 1, no. 2, Sep. 2019, doi: 10.36499/jinrpl.v1i2.2953.
E. A. Saputra and Y. Nataliani, “Analisis Pengelompokan Data Nilai Siswa untuk Menentukan Siswa Berprestasi Menggunakan Metode Clustering K-Means,” Journal of Information Systems and Informatics, vol. 3, no. 3, pp. 424–439, Oct. 2021, doi: 10.51519/journalisi.v3i3.164.
A. Yudhistira and R. Andika, “Pengelompokan Data Nilai Siswa Menggunakan Metode K-Means Clustering,” Journal of Artificial Intelligence and Technology Information (JAITI), vol. 1, no. 1, pp. 20–28, Feb. 2023, doi: 10.58602/jaiti.v1i1.22.
S. Dewi, S. Defit, and Y. Yuhandri, “Akurasi Pemetaan Kelompok Belajar Siswa Menuju Prestasi Menggunakan Metode K-Means,” Jurnal Sistim Informasi dan Teknologi, pp. 28–33, Mar. 2021, doi: 10.37034/jsisfotek.v3i1.40.
S. Kurniawan, A. M. Siregar, and H. Y. Novita, “Penerapan Algoritma K-Means dan Fuzzy C-Means Dalam Mengelompokan Prestasi Siswa Berdasarkan Nilai Akademik,” vol. IV, no. 1, 2023.
D. O. Dacwanda and Y. Nataliani, “Implementasi k-Means Clustering untuk Analisis Nilai Akademik Siswa Berdasarkan Nilai Pengetahuan dan Keterampilan,” AITI, vol. 18, no. 2, pp. 125–138, Nov. 2021, doi: 10.24246/aiti.v18i2.125-138.
Y. Elda, S. Defit, Y. Yunus, and R. Syaljumairi, “Klasterisasi Penempatan Siswa yang Optimal untuk Meningkatkan Nilai Rata-Rata Kelas Menggunakan K-Means,” Jurnal Informasi dan Teknologi, pp. 103–108, Sep. 2021, doi: 10.37034/jidt.v3i3.130.
M. Triandini, S. Defit, and G. W. Nurcahyo, “Data Mining dalam Mengukur Tingkat Keaktifan Siswa dalam Mengikuti Proses Belajar pada SMP IT Andalas Cendekia,” Jurnal Informasi dan Teknologi, pp. 167–173, Sep. 2021, doi: 10.37034/jidt.v3i3.120.
N. Barkah, E. Sutinah, and N. Agustina, “Metode Asosiasi Data Mining Untuk Analisa Persediaan Fiber Optik Menggunakan Algoritma Apriori,” Jurnal Kajian Ilmiah, vol. 20, no. 3, pp. 237–248, Sep. 2020, doi: 10.31599/jki.v20i3.288.
K. I. Wardoyo, M. Maryaningsih, and J. Fredricka, “KLASTERISASI SISWA PENYANDANG DISABILITAS BERDASARKAN TINGKAT TUNAGRAHITA MENGGUNAKAN ALGORITMA K-MEANS,” JURNAL MEDIA INFOTAMA, vol. 19, no. 1, pp. 1–10, Apr. 2023, doi: 10.37676/jmi.v19i1.3307.