Jurnal SAINTEKOM (Sains dan Teknologi Komputas.
Vol.
No.
Juni, 2025 Lembaga Penelitian.
Pengembangan, dan Pengabdian Kepada Masyarakat UNBIN e-ISSN: x Received: 31 Maret 2025.
Accepted: 28 April 2025.
Published: Juni 2025 Penerapan Metode K-Means Clustering Untuk Pemetaan Kompetensi Peserta Didik Baru Berdasarkan Hasil Tes Diagnostik Muchammad Okgistiyan1*.
Irmayansyah2 Program Studi Sistem Informasi.
Fakultas Informatika dan Komputer.
Universitas Binaniaga Indonesia email: muchokgistiyan@gmail.
email: irmayansyah@unbin.
*Corresponding Author
ABSTRACT
The mapping of student competencies is an essential step in grouping students based on the results of diagnostic tests.
Ineffective grouping can hinder decision-making for students with low scores.
This research develops a prototype application to map student competencies using the K-Means Clustering algorithm.
The prototype application analyzes data and calculates groupings, followed by reanalysis to evaluate students' competencies in each group.
Variables such as literacy and numeracy scores were used as clustering parameters.
This mapping aims to provide information that helps schools determine which students require additional learning hours.
System feasibility testing by experts resulted in a 100% suitability rating, categorized as "Highly Suitable.
" User satisfaction testing using PSSUQ also achieved an overall score of 100%, indicating the application's usability.
The validity of the clustering was assessed using the Silhouette Coefficient, yielding a score of 0.
467, which categorizes the clustering as "Weak.
Keywords: Mapping.
K-Means Clustering.
Diagnostic Test.
Literacy.
Numeracy.
Silhouette Coefficien.
ABSTRAK
Proses pemetaan kompetensi peserta didik merupakan langkah penting dalam pengelompokan berdasarkan hasil tes diagnostik.
Pengelompokan yang tidak efektif dapat menghambat pengambilan keputusan yang tepat terhadap peserta didik yang nilainya rendah.
Penelitian ini mengembangkan sebuah prototype aplikasi untuk memetakan kompetensi peserta didik menggunakan algoritma K-Means Clustering.
Pada penelitian ini dibuat sebuah prototype aplikasi yang dapat melakukan pemetaan kompetensi peserta didik dengan menerapkan Algoritma K-means Clustering yaitu dengan cara menganalisis data dan melalukan perhitungan pengelompokan, yang kemudian perhitungan pengelompokan dianalisis kembali untuk melihat kompetensi peserta didik di masing-masing Variabel yang digunakan mencakup nilai literasi dan numerasi sebagai parameter pengelompokan.
Hal ini dilakukan untuk memetakan kompetensi peserta didik agar dapat menyajikan informasi yang bisa menjadi acuan sekolah untuk mengambil kebijakan peserta didik mana yang harus mendapatkan jam Pada aplikasi yang dibangun telah dilakukan uji kelayakan oleh ahli sistem dan diperoleh persentase kelayakan sebesar 100% yang dapat dikategorikan ke dalam interpretasi AuSangat LayakAy.
Telah dilakukan juga uji kelayakan oleh pengguna dengan menggunakan kuesioner PSSUQ sesuai dengan kategori PSSUQ diantaranya yaitu nilai kepuasan secara keseluruhan (Overal.
sebesar 100%, yang artinya aplikasi ini layak digunakan.
Serta telah dilakukan juga uji validitas cluster menggunakan Silhouette Coefficient terhadap algoritma K-means yang diterapkan dengan nilai yang diperoleh sebesar 0,467 yang berarti cluster yang dibentuk termasuk kedalam kategori AuLemahAy.
Kata Kunci: Pemetaan.
K-Means Clustering.
Tes Diagnostik.
Literasi.
Numerasi.
Silhouette Coefficient.
PENDAHULUAN
Latar Belakang Pemerataan pendidikan sedang digalakkan melalui penyebaran jalur Penerimaan Peserta didik Baru (PPDB).
Menurut Perwali No.
13 Tahun 2024 tentang Pedoman PPDB Kota Bogor.
PPDB terdiri dari beberapa jalur, yaitu Jalur Afirmasi.
Jalur Prestasi Akademik/Non-Akademik.
Jalur Maslahat GTK/Perpindahan Orang Tua.
Jalur Anak Berkebutuhan Khusus, dan Jalur Zonasi.
Jalur Afirmasi adalah satu jalur penerimaan peserta didik baru yang memberikan penegasan dan penguatan untuk memberikan layanan akses pendidikan kepada kelompok peserta didik yang berasal dari keluarga ekonomi tidak mampu.
Jalur Prestasi Akademik/Non-Akademik dan Prestasi Nilai Rapor adalah salah satu jalur penerimaan peserta didik baru atas penghargaan bagi peserta didik di bidang akademik/non-akademik pada tingkat internasional, nasional, provinsi, dan/atau tingkat Kota/Kabupaten, serta prestasi nilai rapor.
Jalur Maslahat GTK/Perpindahan Orang Tua adalah satu jalur penerimaan peserta didik baru bagi peserta didik yang domisili mengikuti perpindahan tempat tugas orang tua dan/atau bagi anak guru/tenaga Jalur Anak Berkebutuhan Khusus adalah salah satu jalur penerimaan peserta didik baru untuk calon peserta didik baru yang mengalamai keterbatasan atau keluarbiasaan, baik itu dalam segi fisik, mental intelektual, sosial, dan emosional.
Jalur Zonasi adalah salah satu jalur penerimaan peserta didik baru berdasarkan sistem pembagian wilayah dengan mempertimbakan letak geografis, wilayah administrasi, dan letak satuan pendidikan terhadap domisili calon peserta didik.
Dari sekian banyak jalur penerimaan peserta didik baru, semua peserta didik dengan kemampuan belajar yang berbeda-beda akan berkumpul menjadi satu.
Maka dari itu, sekolah mengadakan Tes Diagnostik sebelum pembelajaran di tahun ajaran baru dimulai.
Tes Diagnostik bertujuan untuk melihat kemampuan peserta didik dalam memahami pelajaran.
Tes diagnostik yang diadakan di sekolah meliputi tes Literasi dan Numerasi.
Paul Black, dkk.
3, p.
menyatakan bahwa.
Audiagnostic assessments provide essential information about students' starting points, helping teachers to adjust their teaching strategies to better address the diverse needs within the classroomAy.
Dalam kutipan tersebut dijelaskan bahwa pentingnya tes diagnostik untuk memberikan informasi awal tentang kemampuan belajar peserta didik, yang dapat digunakan oleh guru untuk menyesuaikan strategi pembelajaran.
K-Means Clustering K-means adalah algoritma clustering berbasis prototipe yang sederhana dan bersifat partitional .
emisahkan data menjadi kelompo.
Algoritma ini berusaha menemukan K cluster yang tidak tumpang tindih.
Setiap cluster direpresentasikan oleh centroid-nya .
entroid dari suatu cluster biasanya merupakan rata-rata dari titik-titik yang ada dalam cluster tersebu.
(Junjie Wu, 2012, p.
Jurnal SAINTEKOM (Sains dan Teknologi Komputas.
Vol.
No.
Juni, 2025 Lembaga Penelitian.
Pengembangan, dan Pengabdian Kepada Masyarakat UNBIN e-ISSN: x Data mining adalah proses menemukan pola-pola menarik dan informasi bermanfaat dari kumpulan data yang Proses ini melibatkan berbagai teknik, seperti klasifikasi.
Clustering, regresi, dan asosiatif, untuk mengekstrak informasi yang berguna dari data yang tidak terstruktur.
Jiawei Han, dkk.
2, p.
menyatakan bahwa, data mining dapat didefinisikan sebagai "the process of discovering interesting patterns and knowledge from large amounts of dataAy.
Jiawei Han, dkk.
2, p.
juga menyatakan bahwa.
Audata mining adalah salah satu langkah dalam proses Knowledge Discovery in Databases (KDD) yang meliputi pembersihan data, transformasi data, penambangan data, evaluasi pola, dan presentasi pengetahuanAy.
Penerapan K-Means Clustering dalam pendidikan, khususnya untuk pemetaan hasil tes diagnostik peserta didik, memungkinkan guru dan pendidik untuk mengelompokkan peserta didik berdasarkan hasil tes yang mereka Hal ini membantu dalam mengidentifikasi pola-pola atau kelompok peserta didik dengan karakteristik serupa dalam hal kompetensi yang dimiliki.
Dengan mengelompokkan peserta didik ke dalam klaster, pendidik dapat merancang strategi pembelajaran yang lebih efektif dan disesuaikan dengan kebutuhan masing-masing Pada penelitian sebelumnya, dilakukan penelitian menggunakan metode K-Means untuk pengelompokan hasil belajar dengan judul AuPenerapan K-Means Clustering Dalam Pengelompokan Hasil Belajar Peserta Didik Dengan Metode ElbowAy yang dilakukan oleh Adella Putri Riani.
Apriade Voutama, dan Taufik Ridwan.
Pada penelitian sebelumnya memiliki fokus yang sama dengan penelitian yang ingin dilakukan saat ini yaitu untuk membantu mengetahui kemampuan peserta didik baru.
Namun pada penelitian sebelumnya masih memiliki kekurangan pada penggunaan variabel dan belum ada pengujian hasil Clustering K-Means.
Berdasarkan uraian diatas, metode K-Means Clustering diharapkan dapat membantu menyelesaikan permasalahan sesuai judul penelitian ini yaitu tentang AuPenerapan Metode K-Means Clustering Untuk Pemetaan Kompetensi Peserta Didik Baru Berdasarkan Hasil Tes DiagnostikAy.
METODE
Tahapan Penelitian Tahapan penelitian merupakan langkah-langkah dari proses pengembangan yang dilakukan.
proses pengembangan dimulai dari analisis kebutuhan, penetapan metode, penerapan algoritma k-means, desain produk, dan membangun Setelah proses membangun protoype selesai, proses selanjutnya adalah evaluasi dan revisi.
Jika prototype sudah sesuai, maka proses berlanjut ke proses produk akhir, menandakan bahwa proses pengembangan telah selesai.
Berikut adalah gambaran alur dari proses pengembangan:
Gambar 1.
Tahapan Penelitian Jurnal SAINTEKOM (Sains dan Teknologi Komputas.
Vol.
No.
Juni, 2025 Lembaga Penelitian.
Pengembangan, dan Pengabdian Kepada Masyarakat UNBIN e-ISSN: x Metode Penelitian Model teoritis Algoritma K-Means yaitu metode untuk membagi data yang ada kedalam satu atau lebih cluster.
Metode ini membagi data kedalam cluster sehingga pada cluster tersebut terdapat data yang memiliki karakteristik yang sama.
Adapun model konseptual yang digunakan dalam penelitian ini yaitu model Sistem Pendukung Keputusan.
Sistem pendukung keputusan atau SPK merupakan sistem yang dirancang untuk membantu dalam pengambilan sebuah keputusan.
Pengambilan keputusan digunakan untuk memecahkan suatu permasalahan.
Permasalahan yang rumit membutuhkan pengambilan keputusan yang rumit juga.
Pada penelitian ini permasalahan yang ada yaitu dalam menentukan pemetaan kompetensi peserta didik baru.
Dengan menggunakan konsep Sistem Pendukung keputusan yang terdiri dari tiga komponen.
Gambar 2 Model Konseptual Sumber: (Riadi dan Muchlisin, 2.
Pertama database management, komponen ini merupakan pengorganisasian data yang relevan dengan masalah pada penelitian ini yaitu data hasil tes diagnostik peserta didik baru.
Kedua Model base, konsep ini merupakan suatu model yang merepresentasikan permasalahan dalam penentuan pemetaan kompetensi peserta didik baru kedalam format kuantitatif.
Dengan mengembangkan dan membandingkan solusi alternative, model base ini memungkinkan pengambil keputusan menganalisa secara Ketiga user interface merupakan gabungan antara komponen database management dan model base.
User interface menampilkan tampilan sistem yang dimengerti oleh pihak sekolah.
Model procedural yang digunakan dalam penelitian ini yaitu model prototyping.
Gambar 3 Alur Prototyping Sumber: (Pressman dan Maxim, 2.
Langkah-langkah pada model prototyping adalah yang pertama yaitu melakukan komunikasi antara pengembang dan pihak sekolah tentang tujuan pembuatan sistem dan mengidentifikasi kebutuhan.
Kedua, melakukan perencanaan berdasarkan hasil diskusi dengan pihak sekolah.
Ketiga, melakukan pemodelan dengan membuat model dan desain yang fokus pada gambar dari segi software apakah dapat dilihat dan digunakan oleh pihak sekolah.
Keempat yaitu melakukan konstruks i.
embentukan model prototyp.
dengan memulai pembuatan prototype.
Kelima yaitu melakukan penyerapahan prototype kepada pihak sekolah untuk dievaluasi dan pemberian nilai tentang kekurangan atau kebutuhan pihak sekolah terhadap sistem.
Jurnal SAINTEKOM (Sains dan Teknologi Komputas.
Vol.
No.
Juni, 2025 Lembaga Penelitian.
Pengembangan, dan Pengabdian Kepada Masyarakat UNBIN e-ISSN: x Uji coba produk Instrumen pengumpulan data pada penelitian ini terdiri dari 2 instrumen, yaitu pengujian untuk ahli dan pengujian untuk pengguna.
Untuk uji ahli menggunakan Blackbox Testing, dan untuk pengguna menggunakan PSSUQ.
Rumus yang digunakan adalah sebagai berikut.
ycEyceycycyceycuycycaycyce yayceycoycaycycaycoycaycu(%) = ycIycoycuyc ycycaycuyci yccycnycuycaycyceycycycaycycn y 100% ycIycoycuyc ycycaycuyci yccycnEaycaycycaycyycoycaycu Menurut (Arikunto, 2009, .
terdapat 5 kategori kelayakan, skala ini akan memperlihatkan rentang dari bilangan Nilai maksimal yang diharapkan adalah 100% dan minimum 0%.
Tabel 1.
Rentang Kategori Kelayakan Persentase Pencapaian < 21% 21% - 40% 41% - 60% 61% - 80% 81% - 100% Interpretasi Sangat Tidak Layak Tidak Layak Cukup Layak Layak Sangat Layak Sumber: (Arikunto 2.
Uji Hasil Berdasarkan hasil penerapan metode pada sistem dilakukan uji hasil menggunakan metode Silhouette Coefficient.
Terdapat 3 langkah untuk menghitung Silhouette Coefficient, yaitu menghitung cohesion atau jarak data ke semua data pada cluster yang sama, menghitung separation atau jarak rata-rata semua titik data di cluster tetangga terdekat, dan yang terakhir menghitung silhouette coefficient.
Rumus menghitung Silhouette Coefficient adalah sebagai berikut.
Hitung rata-rata jarak dari suatu dokumen misalkan i dengan semua dokumen lain yang ada dalam satu cluster.
Oc ycc.
cn, y.
Oe 1 ycOOya ,ycOycn Dengan j adalah dokumen lain dalam satu cluster A dan d.
adalah jarak antara dokumen i dengan j.
Hitung rata-rata jarak dari dokumen i tersebut dengan semua dokumen di cluster lain, kemudian diambil nilai ycc .
cn, ya ) = Oc ycc .
cn, y.
ycyunya Dengan d.
,C) adalah jarak rata-rata dokumen I dengan semua objek pada cluster lain C dimana A O C.
Setelah menghitung d .
untuk semua c, maka diambil nilai terkecil dengan menggunakan persamaan 3.
cn ) = yca .
cn ) = ycoycnycuyaOya ycc.
cn, ya ) Cluster B yang mencapa minimum .
aitu, d.
,B) = b.
) disebut tetangga dari objek .
ini adalah cluster terbaik kedua untuk objek .
Nilai sillhouette coefficient adalah sebagai berikut.
cn ) = yca ( ycn ) Oe yca .
cn ) max.
cn ), yca .
cn )) HASIL DAN PEMBAHASAN Hasil Hasil Analisis Proses Berdasarkan analisis kebutuhan yang telah dilakukan, pengelompokan nilai hasil tes diagnostik akan dilakukan dengan menggunakan metode K-Means Clustering.
Adapun proses bisnis lama yang berlangsung adalah sebagai berikut:
Jurnal SAINTEKOM (Sains dan Teknologi Komputas.
Vol.
No.
Juni, 2025 Lembaga Penelitian.
Pengembangan, dan Pengabdian Kepada Masyarakat UNBIN e-ISSN: x Gambar 4.
Proses Bisnis Lama Pada proses bisnis lama yang tertera di Gambar 4, terdapat alur yang terputus ketika tes diagnostik telah Alur yang dilakukan pada bisnis lama berhenti setelah wakasek kurikulum melakukan rekapitulasi nilai hasil tes diagnostik, dan tidak ada tindak lanjut dalam pengambilan keputusan jam pelajaran tambahan kepada peserta didik yang nilainya dirasa kurang.
Jam pelajaran tambahan diadakan berdasarkan hasil observasi Wali Kelas yang mendapati peserta didiknya tidak bisa mengikuti proses KBM di kelas.
Gambar 5.
Proses Bisnis Baru Hasil Analisis Metode Metode pengelompokan yang diterapkan adalah K-Means Clustering untuk mengelompokkan nilai hasil tes diagnostik untuk pemetaan kompetensi peserta didik.
Pendekatan ini menggunakan nilai tes diagnostik sebagai dasar untuk mengidentifikasi pola dan membentuk kelompok peserta didik menjadi 2 klaster, yaitu Nilai Rendah dan Nilai Tinggi.
Hasil dari pengelompokan ini membantu Wakasek bidang Kurikulum memetakan kompetensi peserta didik dan membuat kebijakan terkait jam tambahan untuk peserta didik yang nilai tes diagnostiknya kurang.
Hasil Analisis Kebutuhan Sistem Pada pengembangan sistem ini pemodelan objek dijelaskan dalam bentuk usecase diagram berdasarkan pada proses pemetaan kompetensi peserta didik.
Pada pengembangan sistem ini, terdapat 1 aktor dan 6 usecase dalam pemetaan kompetensi peserta didik berdasarkan nilai hasil tes diagnostik.
1 aktor tersebut yaitu pengguna dan 6 usecase tersebut yaitu usecase login, import data, menampilkan hasil import data, menampilkan hasil clustering, menampilkan laporan hasil clustering, dan logout.
Dari usecase tersebut dapat dijelaskan alur kegiatan yang dapat dilakukan yaitu diawali dari pengguna melakukan login terlebih dahulu untuk dapat mengakses sistem.
Kemudian pengguna bisa melakukan import data dalam format .
csv, melihat data yang telah diimport, melihat hasil clustering, dan melihat laporan hasil clustering.
Usecase diagram dapat dilihat pada Gambar 6.
Jurnal SAINTEKOM (Sains dan Teknologi Komputas.
Vol.
No.
Juni, 2025 Lembaga Penelitian.
Pengembangan, dan Pengabdian Kepada Masyarakat UNBIN e-ISSN: x Gambar 6 Use Case Diagram Pada gambar 3, dapat dilihat bahwa terdapat 2 jenis pengguna, yaitu Wakasek Kurkilum dan Wali Kelas.
Wakasek Kurikulum memiliki akses penuh terhadap sistem, sementara Wali Kelas hanya dapat melihat laporan hasil clustering.
Produk Akhir Pada halaman ini terdapat card yang memuat keterangan total siswa, rata-rata nilai literasi, dan ratarata nilai numerasi.
Pada halaman ini juga ditampilkan pie chart yang memuat presentasi tiap cluster.
Pada halaman ini juga terdapat filter untuk memilih cluster mana yang akan ditampilkan.
Terdapat juga button fungsi untuk mengcopy, mendownload file dengan format excel, .
csv, dan .
pdf, dan juga fungsi untun print jika user ingin langsung mencentak laporan hasil clustering.
Tampilan halaman proses clustering dapat dilihat pada gambar 7.
Gambar 7 Tampilan Aplikasi
PEMBAHASAN
Perhitungan Iterasi K-Means Perhitungan Metode K-Means Cluster pemetaan kompetensi peserta didik dibuat berdasarkan nilai hasil tes diagnostik.
Dalam nilai hasil tes diagnostik terdapat 2 variabel, yaitu nilai Literasi dan Numerasi.
Algoritma K-means secara umum digunakan untuk membagi data kedalam beberapa kelompok.
Berikut tahapan algoritma Kmeans.
Persiapan Data Jurnal SAINTEKOM (Sains dan Teknologi Komputas.
Vol.
No.
Juni, 2025 Lembaga Penelitian.
Pengembangan, dan Pengabdian Kepada Masyarakat UNBIN e-ISSN: x Pada perhitungan ini, dataset yang digunakan yaitu menggunakan variabel nilai literasi dan numerasi.
Dataset yang telah dikumpulkan tersebut terdiri dari 654 baris dan 2 kolom.
Tabel 2.
Data Peserta Didik No.
No.
NAMA LENGKAP (Sesuai Akt.
Ananda Dinar Ramadhani Abdad Farras Orlando Abdullah hisyam Abiyyu Dzaky Putra Widiyanto Adelia Apriliyanti Adelia Apriliyanti Adelia Dwi Batrisya Yusup Adelia Malona Adika Dhia Wicaksono Adila Dwi Ariyani NAMA LENGKAP (Sesuai Akt.
Zulfiandra Satria Wardhani Literasi Literasi Numerasi Numerasi Menentukan Jumlah Cluster Berdasarkan data dari Tabel 1 akan dibentuk 2 klaster, yaitu.
Klaster 1 merupakan klaster Nilai Rendah dan klaster 2 merupakan klaster Nilai Tinggi.
Inisiasi Pusat Cluster Awal Data nilai hasil diagnostik akan dibagi kedalam 2 klaster sehingga diperlukan 2 titik centroid awal untuk Klaster 1(C.
dan Klaster 2 (C.
Langkah pertama untuk menghitung centroid awal adalah menghitung nilai rentang masing-masing variabel cluster dengan rumus sebagai berikut:
ycoycnycu Oe ycoycaycu 95 Oe 10 = 42.
ycOycaycycnycaycayceyco ycuycycoyceycycaycycn = 91 Oe 16 = 37.
ycOycaycycnycaycayceyco ycoycnycyceycycaycycn Setelah mendapatkan nilai rentang masing-masing variabel, tahapan selanjutnya adalah menghitung nilai batas cluster dengan rumus sebagai berikut:
ycoycnycu ycuycnycoycaycn ycyceycuycycaycuyci ycOycaycycnycaycayceyco ycoycnycyceycycaycycn = 10 42.
5 = 52.
ycOycaycycnycaycayceyco ycuycycoyceycycaycycn = 16 37.
5 = 53.
Tahapan selanjutnya yaitu menghitung nilai centroid masing-masing cluster dengan rumus sebagai Variabel Literasi .
C1 = yca
C2 = yca
ycaOeyca
ycaOeyca
= 10
Variabel Numerasi.
5Oe10 = 52.
= 31.
5Oe10 = 73.
C1 = yca
C2 = yca
ycaOeyca
ycaOeyca
= 16
5Oe16 = 53.
= 34.
5Oe16 = 72.
Dari perhitungan dengan rumus di atas, diperoleh Centroid awal nilai literasi .
yaitu C1=31.
25 dan C2=73.
Untuk centroid awal nilai numerasi.
, diperoleh nilai C1=34.
75 dan C2=72.
Nilai Centroid tiap variabel dapat dilihat pada tabel berikut:
Tabel 3.
Nilai Centroid Awal Centroid Awal Literasi .
Numerasi .
Hitung Jarak Dengan Centroid Perhitungan jarak data dengan centroid dilakukan untuk menentukan jarak terpendek yang akan digunakan untuk menentukan pengelompokan klaster.
Euclidean Distance digunakan untuk menghitung jarak data dengan centroid.
Euclidean Distance merupakan pehitungan jarak dari 2 titik Jurnal SAINTEKOM (Sains dan Teknologi Komputas.
Vol.
No.
Juni, 2025 Lembaga Penelitian.
Pengembangan, dan Pengabdian Kepada Masyarakat UNBIN e-ISSN: x dan untuk mempelajari hubungan antara sudut dan jarak.
Rumus Euclidean Distance adalah sebagai ycc.
cy, yc ) = Oo.
cycn Oe ycyycn )2 Keterangan:
d = jarak/distance p = titik p .
ata sisw.
q = centroid Iterasi 1 Perhitungan jarak dengan klaster 1:
Data ke-1:
cy, yc ) = Oo.
cycn Oe ycyycn )2 ycc .
cy, yc ) = Oo.
25 Oe .
75 Oe .
2 ycc .
cy, yc ) = 22.
Tabel 4.
Hasil Perhitungan Jarak Dengan Klaster 1 Data Data ke-2 Data ke-3 Data ke-4 Data ke-5 Data ke-6 Data ke-7 Data ke-8 Data ke-9 Data ke-10 Data Data ke-654 Perhitungan jarak dengan klaster 2:
Hasil Perhitungan Hasil Perhitungan A Data ke-1:
cy, yc ) = Oo.
cycn Oe ycyycn )2 ycc .
cy, yc ) = Oo.
75 Oe .
25 Oe .
2 ycc .
cy, yc ) = 35.
Tabel 5.
Hasil Perhitungan Jarak Dengan Klaster 2 Data Data ke-2 Data ke-3 Data ke-4 Data ke-5 Data ke-6 Data ke-7 Data ke-8 Data ke-9 Data ke-10 Data Data ke-654 Hasil Perhitungan Hasil Perhitungan A Jurnal SAINTEKOM (Sains dan Teknologi Komputas.
Vol.
No.
Juni, 2025 Lembaga Penelitian.
Pengembangan, dan Pengabdian Kepada Masyarakat UNBIN e-ISSN: x Hasil clustering iterasi ke-1 dapat dilihat pada Tabel 5.
Tabel 6.
Hasil Clustering Iterasi ke-1 No.
No.
NAMA LENGKAP (Sesuai Akt.
Ananda Dinar Ramadhani Abdad Farras Orlando Abdullah hisyam Abiyyu Dzaky Putra Widiyanto Adelia Apriliyanti Adelia Azrilla Adelia Dwi Batrisya Yusup Adelia Malona Adika Dhia Wicaksono Adila Dwi Ariyani NAMA LENGKAP (Sesuai Akt.
A Zulfiandra Satria Wardhani Jenis Kelamin Perempuan Laki-laki Laki-laki Laki-laki Perempuan Perempuan Perempuan Perempuan Perempuan Perempuan Jenis Kelamin Laki-laki Literasi Literasi A.
Numerasi Jarak Euclid Cluster 1 Jarak Euclid Cluster 2 Numerasi Jarak Euclid Cluster 1 Jarak Euclid Cluster 2 Cluster Nilai Rendah Nilai Tinggi Nilai Rendah Nilai Rendah Nilai Rendah Nilai Rendah Nilai Rendah Nilai Tinggi Nilai Tinggi Nilai Rendah Cluster Nilai Rendah Pada proses iterasi ini menggunakan rumus yang sama hingga nilai centroid tidak berubah.
Nilai centroid tidak berubah ketika sudah sampai pada proses iterasi ke-6.
Hasil pengelompokkan dan nilai centroid iterasi ke-6 dapat dilihat pada tabel berikut.
Tabel 7.
Hasil Iterasi ke-6 No.
NAMA LENGKAP (Sesuai Akt.
1 Ananda Dinar Ramadhani 2 Abdad Farras Orlando 3 Abdullah hisyam 4 Abiyyu Dzaky Putra Widiyanto 5 Adelia Apriliyanti 6 Adelia Azrilla 7 Adelia Dwi Batrisya Yusup 8 Adelia Malona 9 Adika Dhia Wicaksono 10 Adila Dwi Ariyani No.
NAMA LENGKAP (Sesuai Akt.
A A 654 Zulfiandra Satria Wardhani Literasi Literasi Numerasi Jarak Euclid Cluster 1 Jarak Euclid Cluster 2 Numerasi Jarak Euclid Cluster 1 Jarak Euclid Cluster 2 Cluster Nilai Rendah Nilai Tinggi Nilai Rendah Nilai Tinggi Nilai Rendah Nilai Rendah Nilai Rendah Nilai Tinggi Nilai Tinggi Nilai Rendah Cluster Nilai Rendah Tabel 8.
Nilai centroid akhir Centroid Literasi .
Numerasi .
Menghitung Silhouette Coefficient Jika nilai a.
dan b.
sudah didapat, tahapan terakhir dari uji ahli ini yaitu menghitung nilai Silhouette Coefficient.
Perhitungan silhouete coefficient adalah sebagai berikut:
Data ke-1:
= 32903702 Oe 21.
= 0.
69860583, 35.
Untuk data ke-2 hingga data ke-654 masih menggunakan rumus dan proses yang sama dengan data ke-1 untuk mencari Silhouette Coefficient.
Dari hasil perhitungan Silhouette Coefficient, didapat nilai rata-rata sebesar 0,467.
Nilai ini masuk kedalam kategori sebaran cluster lemah.
KESIMPULAN
Berdasarkan hasil penelitian yang dilakukan, maka kesimpulan yang didapatkan adalah sebagai berikut:
Pengelompokan kompetensi berdasarkan hasil tes diagnostik menghasilkan dua kategori, yaitu Nilai Rendah dan Nilai Tinggi.
Untuk menentukan hasil clustering menggunakan dua variabel, yaitu variabel Litrasi dan Numerasi.
Hal ini membantu pihak sekolah memahami kemampuan awal peserta didik untuk menyusun strategi pembelajaran yang lebih terarah.
Penerapan algoritma K-Means Clustering untuk pemetaan Kompetensi peserta didik baru belum akurat dan efektif dikarenakan hasil evaluasi algoritma K-Means Clustering dengan nilai Silhouette Coefficient menghasilkan nilai 0,467.
Nilai ini menunjukkan bahwa struktur klasterisasi berada dalam kategori lemah, dengan kualitas pemisahan cukup baik dan masih ada ruang untuk diperbaiki.
DAFTAR PUSTAKA