Jurnal Kecerdasan Buatan dan Teknologi Informasi Vol.
No.
Mei 2025, hlm.
e-ISSN: 2964-2922, p-ISSN: 2963-6191 DOI : https://doi.
org/10.
69916/jkbti.
OPTIMALISASI PRESTASI AKADEMIK SISWA MELALUI PENGELOMPOKAN
INDEKS PRESTASI DENGAN K-MEANS CLUSTERING
Nana Suarna*1.
Nining Rahaningsih2.
Annisa Annastia Suarna3 Teknik Informatika.
STMIK IKMI Cirebon.
Cirebon.
Indonesia Komputerisasi Akuntansi.
STMIK IKMI Cirebon.
Cirebon.
Indonesia Ilmu Komunikasi.
Fakultas Ilmu Sosial dan Ilmu Politik.
Universtias Gunung Djati.
Cirebon.
Indonesia Email: 1nana.
ikmi@gmail.
com, 2niningr157@yahoo.
id, 3annisa.
annastia03@gmail.
(Diterima : 23 April 2025.
Direvisi : 22 Mei 2025.
Disetujui : 25 Mei 2.
Abstrak Prestasi akademik merupakan indikator penting dalam menilai kemampuan dan perkembangan siswa selama proses Namun, banyak lembaga pendidikan yang masih menghadapi tantangan dalam mengidentifikasi kelompok siswa berdasarkan performa akademik secara efisien, sehingga intervensi pembelajaran yang tepat sulit Penelitian ini bertujuan untuk mengoptimalkan prestasi akademik siswa melalui pengelompokan indeks prestasi dengan metode K-Means Clustering.
Metode K-Means digunakan karena kemampuannya dalam mengelompokkan data ke dalam beberapa klaster homogen berdasarkan kesamaan nilai.
Data yang digunakan berupa indeks prestasi siswa dari beberapa semester.
Proses pengelompokan dilakukan dengan menetapkan sejumlah klaster awal, kemudian dilakukan iterasi untuk mengoptimalkan posisi centroid hingga mencapai Hasil penelitian menunjukkan bahwa siswa dapat dikelompokkan ke dalam tiga kategori utama, yaitu siswa dengan prestasi tinggi, sedang, dan rendah.
Pengelompokan ini memberikan gambaran yang lebih jelas kepada pihak sekolah dalam menyusun strategi pembinaan dan pemberian program khusus yang sesuai dengan kebutuhan masing-masing kelompok siswa.
Dengan penerapan K-Means Clustering, institusi pendidikan dapat melakukan pemantauan dan evaluasi akademik secara lebih terstruktur serta memberikan intervensi yang lebih tepat sasaran.
Penelitian ini menyimpulkan bahwa teknik pengelompokan data dapat menjadi solusi inovatif dalam mendukung peningkatan mutu pendidikan melalui pendekatan berbasis data.
Keywords: evaluasi pendidikan, indeks prestasi, k-means clustering, pengelompokan data, prestasi akademik.
OPTIMIZATION OF STUDENTS' ACADEMIC PERFORMANCE THROUGH GRADE
POINT INDEX CLUSTERING USING K-MEANS CLUSTERING
Abstract Academic performance is a key indicator in assessing students' abilities and progress throughout the learning However, many educational institutions still face challenges in efficiently identifying groups of students based on academic performance, making it difficult to implement targeted learning interventions.
This study aims to optimize students' academic achievement through grade point index clustering using the K-Means Clustering K-Means is employed due to its ability to group data into several homogeneous clusters based on value The data used in this study consists of students' grade point indices from several semesters.
The clustering process involves setting an initial number of clusters, followed by iterations to optimize the position of centroids until convergence is achieved.
The results show that students can be categorized into three main groups:
high achievers, average performers, and low achievers.
This clustering provides schools with clearer insights for developing guidance strategies and implementing tailored programs that suit the needs of each student group.
applying K-Means Clustering, educational institutions can monitor and evaluate academic performance in a more structured manner and deliver more targeted interventions.
This study concludes that data clustering techniques can serve as an innovative solution to support the improvement of education quality through a data-driven Keywords: academic performance, data clustering, k-means clustering, grade point index, educational Nana suarna, dkk, optimalisasi prestasi akademik siswa melalui pengelompokan indeks prestasi dengan k-means clustering PENDAHULUAN Prestasi akademik merupakan salah satu indikator utama dalam menilai keberhasilan proses pembelajaran di lingkungan pendidikan.
Dalam praktiknya, banyak sekolah menghadapi tantangan dalam memetakan capaian siswa secara objektif dan efisien, yang berakibat pada kurang optimalnya strategi pembinaan individual .
Sementara itu, data indeks prestasi yang dimiliki seringkali belum dimanfaatkan secara maksimal untuk mendukung pengambilan keputusan berbasis data .
ata-driven decision makin.
Beberapa penelitian sebelumnya telah menerapkan metode clustering dalam pengelompokan siswa berdasarkan prestasi akademik mereka, seperti pada penelitian .
berpendapat Proses pembelajaran melalui berbagai interaksi dan pengalaman belajar memiliki pengaruh yang cukup besar untuk mengembangkan keaktifan siswa guna meningkatkan mutu pendidikan.
Penelitian sebelumnya .
menyimpulkan bahwa penerapan metode data mining dalam bidang pendidikan, termasuk teknik klasifikasi dan clustering untuk analisis prestasi siswa.
Namun, sebagian besar fokus pada aspek prediktif tanpa mengarahkan hasilnya pada strategi pembinaan konkret .
Penelitian .
menunjukkan bahwa faktor jarak rumah ke sekolah memiliki pengaruh yang sangat terbatas terhadap prestasi akademik siswa, sementara penghasilan orang tua tidak berpengaruh signifikan.
Melalui penerapan algoritma K-Means, data prestasi siswa dikelompokkan menjadi dua kategori, yaitu "Tinggi" dan "Rata-rata".
Selanjutnya, model Decision Tree digunakan untuk mengklasifikasikan faktor-faktor yang memengaruhi prestasi tersebut.
Namun, dari hasil evaluasi diketahui bahwa algoritma Decision Tree tidak cocok digunakan untuk memprediksi prestasi siswa dalam penelitian ini, karena tingkat akurasinya hanya 68% dan nilai AUC sebesar 0.
561 , yang berada dalam kategori failure menurut skala performa AUC.
Penelitian ini menyimpulkan bahwa jenis kelamin menjadi faktor utama dalam perbedaan prestasi, di mana siswa perempuan cenderung memiliki prestasi lebih tinggi dibandingkan siswa laki-laki.
Sedangkan .
Menyajikan hasil pengelompokan data nilai siswa SMAN 1 Tengaran berdasarkan rata-rata nilai mata pelajaran dan absensi selama semester satu hingga lima.
Penelitian ini menggunakan algoritma K-Means dengan bantuan software RStudio dan menentukan jumlah cluster optimal melalui metode Elbow.
Silhouette, dan Gap.
Hasil menunjukkan bahwa siswa dikelompokkan ke dalam tiga kategori, yaitu rendah, cukup, dan tinggi.
Dari pengelompokan tersebut, ditemukan 8 siswa pada kelompok tinggi, yang kemudian dianalisis lebih lanjut untuk menentukan top rank menggunakan metode Simple Additive Weighting (SAW).
Adapun .
menyajikan hasil pengelompokan siswa berdasarkan nilai akademik yang terdiri dari dua kategori, yaitu knowledge .
dan skill .
, sesuai kurikulum 2013.
Dengan menggunakan algoritma K-Means, siswa dikelompokkan menjadi tiga kelompok, yaitu pintar, sedang, dan cukup.
Hasil menunjukkan bahwa dari total 266 siswa, terdapat 71 siswa dalam kelompok pintar , 92 siswa dalam kelompok sedang , dan 103 siswa dalam kelompok cukup.
Selain itu, analisis menunjukkan bahwa nilai keterampilan memiliki pengaruh signifikan terhadap pengelompokan akademik Jurnal ini merekomendasikan agar sekolah memanfaatkan hasil pengelompokan untuk menyesuaikan strategi pengajaran, sehingga dapat meningkatkan keseimbangan antara nilai pengetahuan dan keterampilan.
Penerapan K-Means Clustering sendiri telah digunakan dalam berbagai sektor untuk segmentasi data, namun implementasinya secara spesifik dalam konteks pengelompokan prestasi akademik siswa masih terbatas dan belum banyak diadopsi oleh institusi pendidikan tingkat menengah .
, .
Penelitian ini dilakukan sebagai respons terhadap kebutuhan akan pendekatan analisis data yang lebih adaptif, guna mengoptimalkan pemetaan dan pembinaan prestasi Dengan menggunakan algoritma K-Means, diharapkan proses pengelompokan siswa berdasarkan indeks prestasi dapat memberikan dasar yang kuat bagi pengambilan keputusan yang lebih tepat sasaran, seperti pemberian bimbingan akademik, program remedial, atau percepatan belajar.
Tujuan penelitian ini adalah untuk menerapkan metode K-Means Clustering dalam mengelompokkan siswa berdasarkan indeks prestasi mereka, serta mengevaluasi efektivitas pendekatan ini dalam mendukung peningkatan kualitas pendidikan.
Kebaruan dari penelitian ini terletak pada integrasi analisis klaster sebagai alat pendukung strategi akademik yang lebih terarah dan berbasis data.
METODE PENELITIAN
Penelitian ini menggunakan metode analisis data K-Means Clustering untuk mengelompokkan siswa berdasarkan Indeks Prestasi Akademik (IPA) yang dimiliki masing-masing.
Proses dimulai dengan pengumpulan data IPA siswa sebagai basis data awal.
Data yang diperoleh kemudian melalui tahap praproses, termasuk normalisasi, guna meminimalisir kesalahan dan memastikan keakuratan hasil analisis.
Setelah data dinormalisasi, algoritma K-Means diterapkan untuk melakukan pengelompokan .
siswa ke dalam beberapa kategori berdasarkan kemiripan nilai akademik mereka.
Penentuan jumlah klaster .
yang optimal dilakukan menggunakan pendekatan Knowledge Discovery in Database (KDD).
, dan analisis ini didukung oleh aplikasi RapidMiner sebagai alat bantu pemrosesan data.
Hasil dari pengelompokan ini diharapkan dapat memberikan informasi yang bermanfaat bagi pihak sekolah dalam merancang strategi pembelajaran yang lebih terarah dan efektif, sesuai dengan karakteristik dan kemampuan akademik masing-masing kelompok siswa.
Algoritma K-Means bekerja dengan cara membagi data ke dalam k kelompok .
, di mana setiap data akan dimasukkan ke dalam klaster berdasarkan kedekatan nilai terhadap pusat klaster .
Rumus utama yang digunakan untuk menghitung jarak .
iasanya jarak Euclidea.
antara data dan pusat klaster \mu.
Nana Suarna, dkk, optimalisasi prestasi akademik siswa melalui pengelompokan indeks prestasi dengan k-means clustering ycu ycc.
cu, yuN) = oc.
cuycn Oe yuNycn )2 .
ycn=1 Di mana:
xi adalah nilai fitur ke-i dari data, i adalah nilai fitur ke-i dari pusat klaster, d.
,) adalah jarak Euclidean antara titik data dan pusat klaster.
Tujuan dari K-Means adalah meminimalkan total jarak kuadrat antara setiap titik data dan pusat klasternya.
yco ya = Oc Oc |.
cuycn Oe yuNyc |.
yc=1 ycuycnoAyc Dengan:
J adalah fungsi objektif yang ingin diminimalkan.
Cj adalah klaster ke-j AAj adalah pusat dari klaster Cj.
Oi adalah data dalam klaster tersebut.
HASIL DAN PEMBAHASAN
Pada penelitian ini, digunakan data siswa sebanyak 279 yang belum diproses, setelah melalui proses transformasi data jumlahnya berkurang menjadi 168 data siswa dengan 9 atributnya.
Pembahasan dalam penilitian akan difokuskan pada tiga aspek yang melibatkan menerapkan algoritma K-Means untuk mengelompokkan siswa berdasarkan nilai indeks prestasi akademik mereka, mengidentifikasi kelompok-kelompok prestasi akademik siswa berdasarkan hasil pengelompokan menggunakan algoritma K-Means dan menyediakan informasi yang dapat digunakan oleh pihak sekolah untuk membuat keputusan terkait strategi peningkatan kualitas pendidikan nerdasarkan hasil pengelompokan indeks prestasi akademik siswa.
Penerapan algoritma K-Means pada pengelompokan siswa berdasarkan hasil indeks prestasi akademik Penerapan algoritma K-Means dalam penelitian ini bertujuan untuk mengelompokkan siswa berdasarkan pola nilai akademik masing-masing.
Pengelompokan dilakukan menggunakan data nilai rapor guna memperoleh gambaran yang lebih jelas mengenai performa akademik siswa di SMK Veteran, serta untuk memahami perbedaan tingkat kinerja siswa secara lebih terstruktur.
Proses pengelompokan diawali dengan melakukan serangkaian uji coba terhadap jumlah klaster, dimulai dari 2 hingga 10 cluster, untuk menentukan jumlah klaster yang optimal.
Evaluasi hasil pengelompokan dilakukan menggunakan Davies Bouldin Index (DBI), yang merupakan salah satu metrik validasi internal dalam pengukuran kualitas klaster.
Berdasarkan hasil evaluasi tersebut, diperoleh bahwa konfigurasi dua klaster menghasilkan nilai DBI terendah, yaitu sebesar 0,738, yang menunjukkan bahwa pengelompokan pada jumlah dua klaster memiliki kualitas terbaik dibandingkan jumlah klaster lainnya.
Dua klaster tersebut memiliki karakteristik akademik yang berbeda secara signifikan, sehingga dapat dikategorikan sebagai Cluster "Baik" dan Cluster "Sangat Baik".
Pengelompokan ini diharapkan dapat membantu pihak sekolah dalam menyusun strategi pembelajaran yang lebih efektif dan sesuai dengan kebutuhan masing-masing kelompok siswa.
Hasil identifikasi kelompok-kelompok prestasi akademik siswa berdasarkan hasil pengelompokan menggunakan algoritma K-Means.
Berdasarkan hasil yang diperoleh dari penerapan model pengelompokan tingkat prestasi akademik siswa menggunakan algoritma K-Means, diperoleh dua klaster siswa dengan karakteristik nilai rata-rata yang berbeda.
Cluster_0, yang dikategorikan sebagai kelompok baik, terdiri dari 141 siswa dengan nilai rata-rata berada dalam rentang 70 hingga 80.
Nilai tertinggi dalam kelompok ini mencapai 80,8, sedangkan nilai terendah berada pada angka 70,8.
Sebagian besar siswa dalam klaster ini memiliki nilai rata-rata antara 73 hingga 78, yang menunjukkan bahwa mereka memiliki capaian akademik yang cukup baik.
Sementara itu.
Cluster_1, yang dikategorikan sebagai kelompok sangat baik, terdiri dari 27 siswa dengan nilai rata-rata lebih tinggi, yakni dalam rentang 80 hingga di atas 90.
Nilai tertinggi dalam klaster ini mencapai 90,7, dan sebagian besar siswa memiliki nilai rata-rata antara 82 hingga 87.
Hal ini menunjukkan bahwa siswa dalam kelompok ini memiliki prestasi akademik yang lebih unggul dibandingkan dengan siswa di Cluster_0.
Melalui penerapan model ini, siswa dapat dikelompokkan ke dalam dua kategori utama berdasarkan prestasi akademik mereka, yaitu kelompok baik (Cluster_.
dan kelompok sangat baik (Cluster_.
Hasil pengelompokan ini diharapkan dapat menjadi acuan dalam perancangan strategi pembelajaran yang lebih tepat sasaran sesuai dengan karakteristik masing-masing kelompok siswa.
Hasil model pengelompokan tingkat prestasi akademik siswa.
Nana Suarna, dkk, optimalisasi prestasi akademik siswa melalui pengelompokan indeks prestasi dengan k-means clustering Berdasarkan hasil pengelompokan indeks prestasi akademik siswa di SDN Lebakwangi menggunakan algoritma K-Means, diperoleh dua kategori utama yang mencerminkan pola capaian akademik siswa, yaitu Cluster_0 (Bai.
dan Cluster_1 (Sangat Bai.
Cluster_0 mencakup 141 siswa dengan nilai rata-rata 76.
242, yang sebagian besar berada dalam rentang nilai 71Ae81.
Siswa dalam kelompok ini menunjukkan hasil yang cukup baik, terutama pada mata pelajaran PJOK .
dan SBDP .
, namun masih terdapat mata pelajaran inti seperti Matematika yang nilainya relatif lebih rendah .
, sehingga memerlukan perhatian dan penguatan pembelajaran.
Sementara itu.
Cluster_1 terdiri dari 27 siswa dengan rata-rata nilai 85.
181, menunjukkan performa akademik yang sangat baik secara menyeluruh, terutama pada mata pelajaran PKN .
Bahasa Indonesia .
, dan Matematika .
Kategori ini terdiri dari siswa dengan nilai 80Ae90, yang menggambarkan pemahaman akademik yang mendalam di berbagai mata pelajaran.
Pengelompokan ini mengacu pada ketentuan nilai Kriteria Ketuntasan Minimal (KKM), dan dapat menjadi dasar bagi sekolah untuk memberikan intervensi yang lebih tepat, seperti dukungan belajar tambahan bagi siswa di Cluster_0, serta program pengayaan atau pembelajaran lanjutan yang sesuai potensi bagi siswa di Cluster_1.
Seperti pada tabel 5 berikut.
Tabel 1.
Pengkategorian Nilai KKM Rentang Nilai Kategori 87 - 100 Sangat Baik 76 - 87 Baik Cukup Kurang Analisis dan Penerapan Metode KDD Berdasarkan hasil penelitian yang dilakukan, dengan mengumpulkan data nilai rapor siswa dalam bentuk file Langkah selanjutnya menganalisis dan menerapkan metode Knowledge Discovery in Database (KDD) yang mencakup lima tahapan, yaitu Data Selection.
Prepocessing Data, transformation Data.
Data Mining dan Evaluation.
Data Informasi yang diperoleh berupa hasil nilai rapor siswa semester genap tahun 2024 di dengan total 279 data Seperti pada tabel 1 berikut :
Nama Kela Tabel 1.
Data siswa
Mt Sbk Pjo
Indo
Sunda
Ing
Rata-rata 80,25 83,25 80,67 78,92 77,75 RAFI
HARDIANTSYAH
AISAH PUTRI
RAMADHANI
ANDINI TASYA
RAHMA
ANTON
FEBRIANTO
MEITRA
RAMADHANI
AJENG KARTIKA
76,75
DWI PUTRA
ALFIA
KHOIRUNNISA
ILHAM RIZKY
SAPUTRA
75,83
74,83
73,58
OCTAVIA RIANA
CARYTA
VIRGINIA
PUTRI
APRILIANA
SAYYIDA
AMELIA YASMIN
ZAKKY AHMAD
ZIKRY
MUHAMAD
MARUF
71,67
70,67
69,75
69,25
Nana Suarna, dkk, optimalisasi prestasi akademik siswa melalui pengelompokan indeks prestasi dengan k-means clustering RAIHAN ARDI
67,75
DESTIA AHMAD
Data Selection Dari data rapor nilai siswa yang terdiri dari 12 atribut seperti kelas, mata pelajaran Pendidikan agama Islam.
Pendidikan Kewarganegaraan.
Bahasa Indonesia.
Matematika.
Seni Budaya dan Prakarya.
Pendidikan Jasmani olahraga dan kesehatan.
Bahasa Sunda.
Bahasa Inggris.
IPA.
IPS, dan Nilai rata-rata.
Selanjutnya dilakukan penyeleksian data termasuk atribut yang akan digunakan dengan menghilangkan atribut IPA.
IPS dan kelas.
Di dalam data selection melibatkan penggunaan operator read excel berfungsi untuk mengakses dan membaca informasi data yang terdapat dalam file MS-Excel.
Untuk import data dan memasukan operator read excel.
Langkahnya sebagai Gambar 1.
Operator read excel Setelah memasukan data langkah selanjutnya menambahkan operator set role yang bertujuan untuk menjadikan nama sebagai id pada atribut, dengan cara mengklik edit list pada parameter lalu pilih dan apply.
Gambar set role seperti tampilan gambar 2.
Gambar 2.
Hasil Set Role Langkah selanjutnya menambahkan operator select attribute untuk menentukan atribut yang digunakan, dengan mengklik di parameter attribute filter type kemudian pilih a subset.
Pada tahap ini tidak menggunakan attribute IPA.
IPS dan kelas karena kelas 1 dan kelas 2 tidak memiliki nilai IPA dan IPS sedangkan tidak menggunakan atribut kelas karena pengelompokan ini satu sekolah tidak pengelompokan perkelas.
Terlihat pada gambar 3 berikut.
Gambar 3.
Select Atribute Gambar 4.
Hasil Select Atribute Model pemrosesan pada tahap Data Selection rapidminer terlihat pada gambar 5 berikut.
Nana Suarna, dkk, optimalisasi prestasi akademik siswa melalui pengelompokan indeks prestasi dengan k-means clustering Gambar 5.
Hasil Set Role Gambar 5 menunjukkan alur proses dalam aplikasi RapidMiner, yang merupakan salah satu platform data science Berikut penjelasan ringkas dari setiap komponen dalam alur tersebut:
Read Excel: Operator ini digunakan untuk membaca data dari file Excel.
Output dari proses ini berupa dataset yang akan digunakan untuk analisis lebih lanjut.
Set Role: Operator ini digunakan untuk menentukan peran .
dari atribut tertentu, seperti menetapkan atribut mana yang menjadi label .
arget variabe.
atau id.
Ini penting untuk membedakan fitur dengan target dalam proses pembelajaran mesin.
Select Attributes: Operator ini memungkinkan pengguna untuk memilih atribut mana saja yang akan digunakan dalam proses selanjutnya.
Atribut yang tidak dipilih akan dikeluarkan dari dataset.
Data Prepocessing Pada tahap preprocessing, menggunakan penggunaan operator remove duplicates dengan tujuan untuk menghapus data yang duplikat agar hasil clustering akurat.
Berdasarkan hasil dari operator remove duplicates yang telah dilakukan, terdapat data yang duplikat sebanyak 3.
Jadi, data yang awalnya 309 data menjadi 279 data.
Terlihat pada gambar 6 berikut.
Gambar 6.
Memasukan Operator Remove Duplicates Gambar 7.
Hasil dari Remove Duplicates Data Transformation Pada tahap data transformation ini menggunakan operator nominal to numerical untuk merubah jika ada nilai yang nominal akan dirubah kedalam format numerik agar dapat digunakan dalam proses analisis data tampilan operator nominal to numeric seperti pada gambar 8.
Gambar 8.
Operator nominal to numerical Nana Suarna, dkk, optimalisasi prestasi akademik siswa melalui pengelompokan indeks prestasi dengan k-means clustering Gambar 9.
Hasil dari operator nominal to numerical Gambar 9 menampilkan tampilan ExampleSet dari RapidMiner setelah data berhasil dimuat, kemungkinan dari file Excel, seperti yang ditunjukkan pada gambar sebelumnya.
Berikut penjelasan ringkas:
Data: Merupakan nilai-nilai akademik siswa dalam berbagai mata pelajaran, seperti PAI.
PKN.
INDONESIA.
MATEMATIKA.
IPA.
IPS.
SUNDA.
INGGRIS, dan RATA-RATA.
Kolom pertama (Nam.
: Menunjukkan nama-nama siswa.
Kolom-kolom lainnya: Berisi nilai dalam bentuk numerik dari masing-masing mata pelajaran.
Kolom RATA-RATA: Merupakan nilai rata-rata dari semua mata pelajaran untuk setiap siswa.
Data Mining Setelah data dinormalisasikan dengan parameter multiply, lalu proses data mining ini menggunakan operator KMeans untuk mengelompokkan siswa berdasarkan nilai indeks prestasi akademik mereka.
Dengan cara menghitung cluster dari 2 sampai 10 dengan membandingkan nilai DBI yang paling kecil, lalu setelah mendapatkan nilai DBI yang paling kecil maka cluster tersebut merupakan cluster yang optimal.
Dengan bantuan operator performance untuk mengevaluasi kinerja dari model K-Means, yang mengukur seberapa baik data tersebut dikelompokkan dalam cluster, dengan memilih main criterion Davies Bouldin dan maximize pada parameter.
Gambar 10.
Memasukan operator K-Means pada Rapidminer Gambar 11.
Model pemrosesan pada tahap Data Mining Gambar 11 menampilkan proses analisis data menggunakan RapidMiner dengan alur yang lebih kompleks.
Berikut penjelasan ringkas tiap komponen:
Read Excel: Membaca data dari file Excel.
Set Role: Menentukan peran dari atribut .
isalnya, mana yang menjadi ID, label, dl.
Select Attributes: Memilih atribut yang relevan untuk analisis.
Multiply: Menggandakan dataset agar bisa digunakan di dua jalur proses yang berbeda secara paralel.
Nominal to Numerical: Mengubah atribut bertipe nominal .
menjadi numerik agar bisa digunakan dalam algoritma yang membutuhkan data numerik.
Remove Duplicates: Menghapus data duplikat untuk memastikan keunikan dan akurasi hasil.
Clustering: Melakukan pengelompokan data menggunakan algoritma clustering seperti K-Means.
Performance: Mengevaluasi performa dari hasil clustering.
Nana Suarna, dkk, optimalisasi prestasi akademik siswa melalui pengelompokan indeks prestasi dengan k-means clustering Evaluasi Hasil Pada tahap ini telah dilakukan pengujian terhadap penentuan jumlah cluster menggunakan operator K-Means.
Pengujian cluster dimulai dari cluster 2 sampai dengan cluster 10 dengan melihat nilai DBI yang paling kecil, dengan nilai DBI yang semakin kecil .
on negati.
jumlah cluster yang optimal akan semakin baik.
Hal ini dapat dilihat pada tabel 2 dibawah ini.
Tabel 2.
Hasil Uji Cluster Cluster Anggota Cluster Nilai DBI Cluster 2 Total number of items: 168 Cluster 3 Total number of items: 168 Cluster 4 Total number of items: 168 Cluster 5 Total number of items: 168 Cluster 6 Total number of items: 168 Cluster 7 Total number of items: 168 Cluster 8 Total number of items: 168 Cluster 9 Total number of items: 168 Cluster 10 Total number of items: 168 Supaya lebih jelas melihat nilai hasil Clusternya, tabel 2 yang menampilkan nilai DBI dari hasil Cluster 2 Dari gambar tersebut terlihat bahwa Cluster 2 memiliki nilai DBI yang paling terkecil diantara Cluster lainnya, yaitu sebesar 0.
Seperti tampilan gambar 12.
Gambar 12.
Grafik Hasil Evaluasi Nilai Indeks DBI Pada cluster tabel 3 merupakan hasil Cluster yang menampilkan nilai titik pusat .
setiap Clusternya, dimana titik pusat tersebut menggambarkan posisi rata-rata data dalam setiap kelompok.
Tabel 3.
Anggota Cluster_0 Cluster_0 NAMA NILAI RATA-RATA KATEGORI Adiva Rain Destria Baik Alisha Putri Ramadhani Baik Andi Tahlana Pratama Baik Andini Sri Febriani Baik Arsyla Meidisa Putri Cukup Arya Kusuma Jaya Cukup Asyifa Raysha Putri Cukup Azka Aditya Irawan Cukup Azka Khairunnisa Baik Cahya Wiguna Cukup Muhamad Denies A Baik A Bintang Cahya Putra Baik Rasya Purnama Saputra Baik Nana Suarna, dkk, optimalisasi prestasi akademik siswa melalui pengelompokan indeks prestasi dengan k-means clustering Tabel 4.
Anggota Cluster_1 Cluster_1 NAMA Arumi Rizkiya Ramadhani Faradiba Assyauqia Sya'bani NILAI RATA-RATA KATEGORI Baik Baik Nazwan Annafi Alcina Kianinara Putri Gumi Baik Baik Anandara Farrania H Baik Salsabila Kalifa Fauni Baik Syaqila Anggita Baik Agni Nurfitri Ramadhani Sangat Baik Alsyahda Elviana Nur P Sangat Baik Anisa Dinda Septiani Sangat Baik A Rafi Padilah Baik A Sabila Indriani Baik Anindia Keysa Putri Baik KESIMMPULAN Setelah melakukan eksperimen dan menganalisis data dalam penelitian ini, penulis dapat menyimpulkan bahwa penerapan algoritma K-Means dalam pengelompokan data nilai rapor siswa berhasil menghasilkan dua cluster optimal berdasarkan nilai Davies Bouldin Index (DBI) terendah sebesar 0.
738, yang menunjukkan perbedaan karakteristik akademik yang jelas antar kelompok.
Hasil analisis menunjukkan terbentuknya dua kelompok, yaitu Cluster_0 (Bai.
dengan 141 siswa yang memiliki rata-rata nilai antara 74.
922 hingga 80.
284, dan Cluster_1 (Sangat Bai.
dengan 27 siswa yang rata-rata nilainya berkisar antara 80.
111 hingga 89.
Cluster_0 mencerminkan siswa dengan capaian akademik cukup baik namun masih memerlukan peningkatan, khususnya dalam mata pelajaran inti seperti Matematika.
Sementara itu, siswa dalam Cluster_1 menunjukkan performa akademik yang lebih tinggi dan stabil di berbagai mata pelajaran.
Model ini dapat dimanfaatkan oleh pihak sekolah untuk memberikan intervensi pendidikan yang lebih tepat sasaran, seperti bimbingan tambahan bagi siswa di Cluster_0 serta program pembelajaran yang lebih menantang bagi siswa di Cluster_1.
DAFTAR PUSTAKA