Pengelompokan Data Nilai Siswa Menggunakan Metode K-Means Clustering

Aditia Yudistira; Rio Andika

doi:10.58602/jaiti.v1i1.22

Aditia Yudistira Institut Pertanian Bogor
Rio Andika Institut Pertanian Bogor

DOI: https://doi.org/10.58602/jaiti.v1i1.22

Abstract

Data mining merupakan sebuah metode dalam bidang ilmu komputer yang digunakan dalam mencari pengetahuan dari data sehingga menjadi sebuah informasi yang bermanfaat. Tahapan dalam proses data mining berguna untuk mencari sebuah pola tertentu dari data penilaian yang sangat banyak. Tujuan penelitian ini yaitu mengetahui dan membentuk cluster data siswa berdasarkan nilai akademik, nilai sikap, dan nilai disiplin sehingga menjadi sebuah cluster sehingga hasil cluster siswa dapat menjadi acuan dalam meningkatkan nilai siswa dalam proses pembelajaran selanjutnya. Hasil evaluasi dan penilaian terhadap siswa dilakukan oleh tenaga pengajar atau guru dalam melakukan penilaian selama proses pembelajaran. Dalam proses pembelajaran terdapat 3 kategori penilaian yaitu nilai siswa, disiplin, serta sikap. Hasil pengelompokan data nilai siswa menggunakan metode K-Means clustering menunjukan bahwa berdasarkan hasil cluster data siswa menggunakan dataset siswa dalam satu semester, maka didapatkan cluster 0 berjumlah 59 siswa, cluster 1 berjumlah 94 siswa, dan cluster 2 berjumlah 1 siswa. Hasil pengujian menggunakan elbow method maka jumlah cluster yang baik yang digunakan adalah 3 cluster, sehingga dalam penelitian ini menggunaka 3 cluster yaitu cluster 0, cluster 1, dan cluster 2. Hasil pengujian menggunakan silhouette coefficient maka jumlah cluster yang baik yang digunakan adalah 3 cluster dengan nilai silhouette coefficient yaitu 0.489, dan lebih baik dari nilai silhouette coefficient cluster lainnya.

Downloads

Download data is not yet available.

References

H. Sulistiani, S. Setiawansyah, and D. Darwis, “Penerapan Metode Agile untuk Pengembangan Online Analytical Processing (OLAP) pada Data Penjualan (Studi Kasus: CV Adilia Lestari),” J. CoreIT J. Has. Penelit. Ilmu Komput. dan Teknol. Inf., vol. 6, no. 1, pp. 50–56, 2020.

A. Aldino, A. Saputra, A. Nurkholis, and S. Setiawansyah, “Application of Support Vector Machine (SVM) Algorithm in Classification of Low-Cape Communities in Lampung Timur,” Build. Informatics, Technol. Sci., vol. 3, no. 3 SE-Articles, Dec. 2021, doi: 10.47065/bits.v3i3.1041.

N. Nurdin and D. Astika, “Penerapan Data Mining Untuk Menganalisis Penjualan Barang Dengan Menggunakan Metode Apriori Pada Supermarket Sejahtera Lhokseumawe,” TECHSI-Jurnal Tek. Inform., vol. 7, no. 1, pp. 132–155, 2019.

M. J. Zaki and W. J. Meira, Data Mining and Machine Learning Fundamental Concepts and Algorithms, vol. 53, no. 9. 2020.

C. Rygielski, J.-C. Wang, and D. C. Yen, “Data mining techniques for customer relationship management,” Technol. Soc., vol. 24, no. 4, pp. 483–502, 2002.

M. S. Sungkar and M. T. Qurohman, “Penerapan Algoritma C5.0 Untuk Prediksi Kelulusan Pembelajaran Mahasiswa Pada Matakuliah Arsitektur Sistem Komputer,” J. Media Inform. Budidarma, vol. 5, no. 3, p. 1166, 2021, doi: 10.30865/mib.v5i3.3116.

E. Muningsih, H. M. Nur, F. F. Dwi Imaniawan, Saifudin, V. R. Handayani, and F. Endiarto, “Comparative Analysis on Dimension Reduction Algorithm of Principal Component Analysis and Singular Value Decomposition for Clustering,” J. Phys. Conf. Ser., vol. 1641, no. 1, 2020, doi: 10.1088/1742-6596/1641/1/012101.

N. Noviyanto, “Penerapan Data Mining dalam Mengelompokkan Jumlah Kematian Penderita COVID-19 Berdasarkan Negara di Benua Asia,” Paradig. - J. Komput. dan Inform., vol. 22, no. 2, pp. 183–188, 2020, doi: 10.31294/p.v22i2.8808.

G. Gustientiedina, M. H. Adiya, and Y. Desnelita, “Penerapan Algoritma K-Means Untuk Clustering Data Obat-Obatan,” J. Nas. Teknol. dan Sist. Inf., vol. 5, no. 1, pp. 17–24, 2019, doi: 10.25077/teknosi.v5i1.2019.17-24.

M. N. D. Satria, “Application of SAW in the Class Leader Selection Decision Support System,” Chain J. Comput. Technol. Comput. Eng. Informatics, vol. 1, no. 1, pp. 27–31, 2023.

S. Maryana and D. Suhartini, “Implementasi Certainty Factor Untuk Diagnosa Penyakit Sapi,” Chain J. Comput. Technol. Comput. Eng. Informatics, vol. 1, no. 1, pp. 14–20, 2023.

M. Cui, “Introduction to the k-means clustering algorithm based on the elbow method,” Accounting, Audit. Financ., vol. 1, no. 1, pp. 5–8, 2020.

M. A. Syakur, B. K. Khotimah, E. M. S. Rochman, and B. D. Satoto, “Integration k-means clustering method and elbow method for identification of the best customer profile cluster,” in IOP conference series: materials science and engineering, 2018, vol. 336, no. 1, p. 12017.

K. R. Shahapure and C. Nicholas, “Cluster quality analysis using silhouette score,” in 2020 IEEE 7th International Conference on Data Science and Advanced Analytics (DSAA), 2020, pp. 747–748.

F. Batool and C. Hennig, “Clustering with the average silhouette width,” Comput. Stat. Data Anal., vol. 158, p. 107190, 2021.