e- ISSN : 2961-8878 p- ISSN : 2961-8010 Juni 2024.
Vol.
3 No.
PELATIHAN PENGGUNAAN ALGORITMA K-MEANS CLUSTERING
UNTUK MENGIDENTIFIKASI KARAKTERISTIK SISWA
Mokhammad Ridwan Yudhanegara1.
Karunia Eka Lestari2 Pendidikan Matematika.
Universitas Singaperbangsa Karawang yudhanegara@staff.
id1, karunia@staff.
ABSTRAK
Salah satu bentuk inovasi di bidang pendidikan adalah pengembangan aplikasi yang dapat digunakan baik dalam pembelajaran maupun administrasi sekolah.
Pengelompokkan siswa berdasarkan kondisi siswa dengan berbagai macam karakteristiknya sangatlah penting.
Informasi dari pengelompokkan tersebut dapat dijadikan sebagai acuan bahan pertimbangan bagi guru atau pihak sekolah untuk melakukan langkah secara terstruktur dalam rangka meningkatkan kualitas siswa dan standar mutu sekolah.
Clustering adalah metode yang dapat digunakan untuk membagi kumpulan data .
ke dalam kelompok .
berdasarkan kemiripan antar Kegiatan pelatihan yang merupakan bagian dari program pengabdian kepada masyarakat ini dilaksanakan di SDN Karanganyar 01 Karawang.
Kegiatan pelatihan ini diikuti oleh 25 peserta yang sebagian besar adalah Guru.
Data yang digunakan berupa data hasil nilai mata pelajaran IPA dan IPS siswa.
Data dianalis menggunakan metode k-means clustering menggunakan aplikasi XLSTAT.
Pelatihan pengklasteran dengan menggunakan metode k-means diharapkan mempermudah para guru maupun tenaga pendidik dalam mengidentifikasi karakteristik siswa.
Kata Kunci: k-means, clustering, karakteristik siswa.
ABSTRACT
One type of innovation in the field of education is the development of applications that can be used both in learning and school administration.
Grouping students based on student conditions with various characteristics is very important.
Information from the grouping can be used as a reference for consideration for teachers or schools to take structured steps in order to improve the quality of students and school quality Clustering is a method that can be used to divide a collection of data .
into groups .
based on similarities between objects.
This training activity which is part of the community service program was held at SDN Karanganyar 01 Karawang.
This training activity was attended by 25 participants, most of whom were teachers.
The data used are the results of students' science and social studies scores.
The data was analyzed using the k-means clustering method using the XLSTAT application.
Training in the use of k-means is expected to make it easier for teachers and educators to identify student characteristics.
Keywords: k-means, clustering, student characteristics.
PENDAHULUAN
Salah satu bentuk inovasi di bidang pendidikan adalah pengembangan aplikasi yang dapat digunakan baik dalam pembelajaran maupun administrasi sekolah.
Membentuk kelompok belajar siswa dalam kelas sesuai dengan kriteria yang ada dapat dilakukan sebagai upaya meningkatkan mutu pendidikan melalui layanan pembelajaran (Sulistiyawati & Supriyanto, 2.
Pengelompokkan siswa berdasarkan karakteristiknya sangatlah penting dilakukan, karena informasi yang dihasilkan dapat dijadikan sebagai acuan bahan pertimbangan bagi guru dan pihak sekolah untuk melakukan langkah secara terstuktur dalam rangka meningkatkan kualitas dan standar mutu jenjang sekolah yang Clustering adalah metode yang dapat digunakan untuk membagi kumpulan data .
ke dalam e- ISSN : 2961-8878 p- ISSN : 2961-8010 Juni 2024.
Vol.
3 No.
berdasarkan kemiripan antar objek (Yudhanegara & Lestari, 2.
(Yudhanegara et al.
(Yudhanegara et al.
, 2020.
(Yudhanegara et al.
, 2.
Menurut Yudhanegara et al.
bahwa prinsip utama dari metode clustering menggunakan k-means adalah menyusun k buah partisi atau pusat massa .
dari sekumpulan data.
Pengelompokan cluster yang memiliki kesamaan dan memisahkan perbedaan dapat dilakukan dengan menerapkan algoritma k-means.
Algoritma k-means clustering merupakan bidang kajian dalam analisis data mining berdasarkan pada kesamaan data yang tidak terkait .
(Rencher & Christensen, 2.
Algoritma k-means dapat digunakan untuk mengetahui kelompok siswa berdasarkan aspek kognitif maupun kemempuan ekonomi siswa.
Kelompok siswa dalam aspek kognitif seperti mengurutkan nilai siswa dalam mata pelajaran IPA dan IPS disekolah sehingga dapat bermanfaat dalam mengambil kebijakan.
Untuk pengelompokkan secara kemampuan ekonomi siswa misalnya dapat dilakukan dengan cara mengambil data/informasi penghasilan orang tua siswa, pengeluaran, dan jumlah anggota keluarga.
K-means custering telah digunakan dalam beberapa penelitian yang memiliki titik berat pada hal Diantaranya disebutkan oleh Nur et al.
yang menggunakan penerapan algoritma kmeans pada siswa baru sekolah menengah kejuruan untuk pengelompokkan jurusan.
Parjito & Permata .
menggunakan teknik k-means clustering dalam penentuan nilai huruf pada permainan susun kata.
Dwitri et al.
menggunakan metode algoritma k-means dalam menentukan tingkat penyebaran pandemi Covid-19 di Indonesia.
Pengklasteran dengan metode k-means akan memudahkan para pendidik/guru dalam mengidentifikasi karakteristik siswa, walaupun data yang disajikan berukuran besar dan dengan fitur/variabel yang beragam.
Metode k-means ini juga sangat aplikatif sehingga banyak dijumpai dalam berbagai perangkat lunak pengolah data/ statistika.
Setelah dilakukan observasi langsung terhadap para guru yang ada di desa Karanganyar kecamatan Klari kabupaten Karawang, hampir semua guru tidak mengetahui metode pengklasteran.
Begitu juga dengan salah satu metode pengklasteran yaitu k-means, semuanya tidak menganal.
Untuk itu program pengabdian kepada masyarakat melalui pelatihan penggunaan k-means clustering untuk mengidentifikasi karakteristik siswa dengan menggunakan aplikasi XLSTAT sangat diperlukan bagi tenaga pendidik dan METODE PELAKSANAAN PENGABDIAN Tahapan pelaksanaan dari kegiatan pengabdian masyarakat ini meliputi beberapa tahap yakni: 1.
Sosialisasi kegiatan, 2.
Analisis Data, 3.
Penyajian materi, 4.
Pelaksanaan Workshop XLSTAT sekaligus pelatihan pengolahan data karakteristik siswa menggunakan Microsoft Excel XLSTAT, dan 5.
Evaluasi Pelatihan.
Sosialisasi Kegiatan Kegiatan sosialisasi diawali dengan memberikan penjelasan mengenai metode k-means.
K-means clustering dalam mengelompokkan karakteristik siswa dengan menggunakan Add-In XLSTAT dari Microsoft Excel yang mana diharapkan dengan penggunaan pengelompokkan karakteristik ini, guru dapat lebih baik dalam memahami siswa dalam proses belajar mengajar sehingga mendapatkan hasil belajar yang lebih baik.
Karakteristik siswa sangat penting untuk diketahui oleh pendidik, karena ini sangat penting untuk dijadikan acuan dalam merumuskan strategi pengajaran (Septianti & Afiani, 2.
Analisis Data Pada tahap ini, hasil observasi yang diambil dilakukan analisis dan dipresentasikan di SDN 1 Karanganyar.
Data yang digunakan adalah data primer, yaitu peneliti mengambil 26 sampel nilai.
Tahap cluster data nilai IPA dan IPS di SDN 01 Karanganyar menggunakan metode k-means menggunakan perangkat lunak Add-In dari Microsoft Excel.
Penyajian Materi Penyajian materi dilakukan dalam rangkaian acara workshop, yang diberikan oleh narasumber yaitu Dr.
Mokhammad Ridwan Yudhanegara dan Dr.
Karunia Eka Lestari dengan materi XLSTAT .
Pada penyaian materi ini diperkenalkan mengenai metode k-means clustering dalam pengelompokkan K-means clustering adalah pendekatan sederhana untuk mempartisi kumpulan data menjadi k cluster e- ISSN : 2961-8878 p- ISSN : 2961-8010 Juni 2024.
Vol.
3 No.
yang berbeda dan tidak tumpang tindih.
Untuk melakukan k-means clustering, pertama-tama kita harus menentukan jumlah cluster yang diinginkan.
Metode k-means akan menetapkan setiap pengamatan tepat satu dari k cluster (Semuel & Reba, 2.
Pelaksanaan Workshop Pada tahap ini dilaksanakan praktek penggunaan k-means clustering dalam mengelompokkan karakteristik siswa menggunakan data yang sudah didapatkan lalu diambil sampel dan dianalisis.
Pengambilan sampel menggunakan metode purposive sampling.
Evaluasi Pelatihan Untuk mengetahui efektif atau tidaknya pelatihan, sebagai evaluasi maka dari itu diperlukan informasi dari peserta sebagai rencana kegiatan pengabdian kepada masyarakat berikutnya.
Pada akhir pelaksanakan kegiatan pelatihan, seluruh peserta diminta untuk mengisi angket respon terhadap pelaksanaan pelatihan (Lestari et al.
, 2.
HASIL DAN PEMBAHASAN
Kegiatan pengabdian kepada masyarakat ini telah dilaksanakan pada hari Sabtu, 3 September 2022.
Kegiatan ini dimulai pukul 10.
00 Ae 13.
00 WIB yang bertempat di ruang kelas SDN Karanganyar 01 desa Karanganyar, kecamatan Klari, kabupaten Karawang.
Kegiatan pelatihan ini diikuti oleh 25 peserta yang sebagian besar adalah Guru.
Adapun penyelenggara kegiatan ini adalah Lembaga Penelitian dan Pengabdian kepada Masyarakat (LPPM) Universitas Singaperbangsa Karawang yang bekerja sama dengan SDN Karanganyar 01 dan pemerintah desa Karanganyar.
Pembahasan Permasalahan Awal tentang Data Sebelum pelatihan dilaksanakan, ada tahapan persiapan data.
Guru diminta untuk menyediakan data tentang siswa berikut permasalahan yang dialami oleh guru dan siswa.
Berdasarkan informasi yang diperoleh, bahwa kesulitan guru dalam mengidentifikasi karakteristik siswa disebabkan oleh banyaknya jumlah siswa, dan kondisi data yang sifatnya dinamis atau sering mengalami perubahan (Yudhanegara & Lestari, 2.
Misalnya seorang siswa terkadang nilai matematikanya bagus dan terkadang jelek.
Terdapat beberapa mahasiswa yang selalu tinggi di mata pelajaran bahasa, namun pada mata pelajaran lainnya sangat kurang.
Pada tahapan persiapan data ini dibahas pada awal pelatihan.
Permasalahan yang sulit untuk dinyatakan dalam pengklasteran, solusinya adalah dilakukan pengklasteran secara subjektif dengan menggunakan data Data kualitatif tersebut menggunakan angket, wawancara, dan lembar observasi.
Teknik pengklasterannya dilakukan dengan cara clustering hierarki.
Namun tidak secara detail dibahas pada pelatihan.
Hal ini dikarenakan memerlukan waktu untuk memperoleh data kualitatif tersebut.
Kegiatan Penjelasan Analisis Cluster dengan K-Means dan Simulasi Pada kegiatan ini dijelaskan cara melakukan pengklasteran menggunakan data nilai pengetahuan siswa.
Didapat sebanyak 26 data siswa yang berasal dari SDN Karanganyar 01.
Data tersebut berupa data hasil nilai mata pelajaran IPA dan IPS siswa.
Data yang didapat diproses dengan menggunakan metode k-means clustering pada aplikasi XLSTAT .
com, 2.
Clustering adalah proses membagi kumpulan data ke dalam kelompok/cluster.
Cluster sendiri merupakan kumpulan objek yang dikelompokkan berdasarkan kemiripan antar objek, ditentukan menggunakan jarak .
istance measur.
Suatu objek dikatakan mirip jika mempunyai jarak yang dekat .
Algoritma clustering berfungsi untuk mengelompokan data sesuai dengan karakteristik dan mengukur jarak kemiripan antar data dalam satu kelompok yang memiliki perbedaan satu dengan lainnya (Marlina et al.
, 2.
Menurut Yudhanegara et al.
k-means adalah algoritma untuk mengelompokkan n objek/data berdasarkan atribut/fitur ke dalam k cluster, dengan k < n dan k > 0.
Algoritma k-means merupakan algoritma mudah diimplementasikan dan relatif cepat jika ditinjau dari waktu.
K-means clustering sendiri merupakan salah satu metode clustering non-hirarki yang bertujuan untuk mengelompokkan data dalam bentuk satu atau lebih kelompok.
e- ISSN : 2961-8878 p- ISSN : 2961-8010 Juni 2024.
Vol.
3 No.
Gambar 1.
Pelaksanaan Pelatihan Tahap awal dalam menggunakan metode k-means clustering pada aplikasi XLSTAT yaitu menentukan Pada kasus ini jumlah kelas yang diinginkan sebanyak 3 kelas/cluster.
Kelas 1 dikatakan sebagai kategori Average, kelas 2 sebagai kategori GoodA dan kelas 3 sebagai kategori Borderline.
Berikut Tabel 1 dan Tabel 2 yang merupakan hasil clustering menggunakan aplikasi XLSTAT untuk pengelompokkan nilai IPA dan IPS.
Class Tabel 1.
Kelas Centroid Nilai IPA Nilai IPA Sum of weights Within-class variance 52,778 9,000 13,194 72,273 11,000 41,818 37,500 6,000 37,500 Class Tabel 2.
Kelas Centroid Nilai IPS Nilai IPS Sum of weights Within-class variance 72,500 8,000 21,429 53,636 11,000 25,455 34,286 7,000 61,905 Setelah mendapatkan nilai centroid dari setiap nilai IPA dan IPS, maka dapat diperoleh hasil cluster untuk setiap kategori mata pelajaran.
Berikut hasil nilai centroid akhir yang diperoleh dari aplikasi XLSTAT.
Tabel 3.
Nilai Centroid Akhir Pada Aplikasi XLSTAT Nilai IPA Class 1 (Averag.
2 (Goo.
3 (Borderlin.
Objects Sum of weights Within-class variance 17,778 41,818 30,000 Minimum distance to centroid
2,000
2,273
4,000
Average distance to centroid
3,400
5,207
4,800
Maximum distance to centroid
8,000
12,727
6,000
S13
e- ISSN : 2961-8878 p- ISSN : 2961-8010 Juni 2024.
Vol.
3 No.
Class 1 (Averag.
S10
S11
S20
S21
S22
S23
S24
2 (Goo.
3 (Borderlin.
S15
S12
S25
S14
S16
S17
S18
S19
S26
Tabel 4.
Nilai Centroid Akhir Pada Aplikasi XLSTAT Nilai IPS Class 1 (Averag.
2 (Goo.
3 (Borderlin.
Objects Sum of weights Within-class variance 21,429 25,455 61,905 Minimum distance to centroid
2,500
3,636
4,286
Average distance to centroid
3,750
4,628
6,531
Maximum distance to centroid
7,500
6,364
14,286
S12
S13
S11
S15
S14
S18
S16
S10
S25
S17
S20
S26
S19
S21
S22
S23
S24
Setelah didapatkan nilai centroid akhir pada tiap nilai IPA dan IPS, maka dapat diperoleh tabel kontingensi nilai IPA dan IPS.
Tabel 5.
Hasil Contingency Table Kategori Nilai IPA dan IPS Average Borderline Good Average Borderline Good Penjelasan Tabel 5 yaitu terdapat 7 siswa dengan nilai IPA dan IPS masuk kedalam kategori Average.
Selanjutnya erdapat 1 siswa dengan nilai IPA masuk kedalam kategori Average serta nilai IPS masuk kedalam kategori Borderline.
Kemudian terdapat 2 siswa dengan nilai IPA masuk kedalam kategori Average serta nilai IPS masuk kedalam kategori Good.
Lalu terdapat 2 siswa dengan nilai IPA masuk kedalam kategori Borderline serta nilai IPS masuk kedalam kategori Average.
Terdapat 3 siswa dengan nilai IPA dan IPS masuk kedalam kategori Bordeline.
Setelah itu, terdapat 2 siswa dengan nilai IPA masuk kedalam kategori Good serta nilai IPS masuk kedalam kategori Average.
Terdapat 3 siswa dengan nilai IPA masuk kedalam kategori Good serta e- ISSN : 2961-8878 p- ISSN : 2961-8010 Juni 2024.
Vol.
3 No.
nilai IPS masuk kedalam kategori Borderline.
Terkhir, terdapat 6 siswa dengan nilai IPA dan IPS masuk kedalam kategori Good.
Respon Peserta terhadap Pelatihan Pada umumnya respon peserta terhadap pelatihan ini adalah positif.
Hasil angket peserta terhadap pelatihan disajikan pada Tabel 6 sebagai berikut.
Tabel 6.
Hasil Angket sebagai Respon terhadap Pelatihan Jumlah Peserta yang Menjawab Pernyataan Tidak Setuju Netral Setuju Pelatihan metode pengklasteran/clustering dengan menggunakan k-means sangat dibutuhkan oleh saya.
Saya tidak bisa mengikuti kegiatan pelatihan dengan Pelatihan ini tidak terlalu penting bagi saya.
Saya senang mengikuti pelatihan.
Saya akan mengaplikasikan hasil pelatihan pada proses pembelajaran.
Saya memerlukan pelatihan metode lainnya dalam untuk pengklasteran.
KESIMPULAN DAN UCAPAN TERIMA KASIH
Kesimpulan Berdasarkan hasil dan pembahasan yang telah diuraikan di atas tentang pengelompokkan siswa dengan metode k-means clustering dengan menggunakan perangkat lunak Add-In XLSTAT dari micrsoft excel dapat disimpulkan bahwa pengelompokkan siswa menggunakan metode k-means clustering sangat cocok digunakan untuk pengelompokkan karakteristik siswa.
Program ini ini membantu guru untuk mengelompokkan siswa berdasarkan karakteristiknya, tujuannya adalah membantu guru dalam menentukan metode pembelajaran yang sesuai dengan kondisi pada tiap kelompok/cluster siswa.
Perangkat lunak yang digunakan sangat familiar, yaitu berbasis microsoft excel, sehingga guru dengan mudah dapat mengiplemntasikannya secara langsung.
Ucapan Terima Kasih Penulis megucapkan terima kasih kepada program HIPLA LPPM Universitas Singaperbangsa Karawang tahun 2022 yang sudah membiaya kegiatan pengabdian kepada masyarakat untuk diimplementasikan kegiatan melalui pelatihan.
Selanjutnya terima kasih diucapkan kepada Kepala Desa Karanganyar Kecamatan Klari Kabupaten Karawang dan Kepala SDN Karanganyar 01 yang sudah bersedia menjadi mitra.
Penulis juga mengucapkan terima kasih kepada Rivqy Ramdhani Putra Dipa.
Shafa Khadijah, dan Risky Nugroho yang sudah membantu jalannya pelatihan.
Daftar Pustaka