PENERAPAN ALGORITMA X-MEANS UNTUK MENINGKATKAN MODEL PENGELOMPOKAN PRESTASI SISWA BERDASARKAN NILAI AKADEMIK DI MAN 2 KOTA CIREBON

Bertio Fajar Pratama; Ade Irma Purnamasari; Denni Pratama; Fatihanursari Dikananda

Authors

Bertio Fajar Pratama STMIK IKMI Cirebon, Indonesia
Ade Irma Purnamasari STMIK IKMI Cirebon, Indonesia
Denni Pratama STMIK IKMI Cirebon, Indonesia
Fatihanursari Dikananda STMIK IKMI Cirebon, Indonesia

Keywords:

X-MEANS, Clustering, Educational Data mining, Davies-Bouldin Index, Prestasi Siswa

Abstract

Penelitian ini bertujuan untuk menerapkan algoritma X-MEANS dalam pengelompokan prestasi siswa berdasarkan nilai akademik di MAN 2 Kota Cirebon. Permasalahan utama dalam klastering akademik adalah kebutuhan menentukan jumlah klaster secara manual sebagaimana pada algoritma K-Means, yang berpotensi menghasilkan pengelompokan kurang stabil dan bergantung pada subjektivitas peneliti. Untuk mengatasi hal tersebut, penelitian ini menggunakan algoritma X-MEANS yang mampu menyesuaikan jumlah klaster secara otomatis berdasarkan struktur data. Dataset yang digunakan terdiri dari nilai akademik 263 siswa pada delapan mata pelajaran, yang terlebih dahulu melalui tahapan pra-pemrosesan berupa pembersihan data, seleksi atribut, pengkodean, dan normalisasi agar sesuai dengan kebutuhan pemodelan. Proses klastering dilakukan menggunakan X-MEANS di Jupyter Notebook, sedangkan kualitas hasil pengelompokan dievaluasi menggunakan Davies–Bouldin Index (DBI). Hasil penelitian menunjukkan bahwa algoritma X-MEANS secara otomatis menghasilkan lima klaster optimal dengan nilai DBI sebesar 0,6294, yang mengindikasikan bahwa klaster yang terbentuk cukup kompak dan terpisah dengan baik. Melalui analisis centroid dan pemetaan klaster, kelima klaster tersebut kemudian dikelompokkan ke dalam tiga kategori prestasi, yaitu 84 siswa berprestasi, 125 siswa cukup berprestasi, dan 54 siswa yang memerlukan penguatan akademik, sehingga memberikan gambaran pola akademik yang lebih representatif, terukur, dan mudah diinterpretasikan oleh pihak sekolah. Temuan ini menunjukkan bahwa X-MEANS adaptif dan relevan dalam konteks Educational Data Mining (EDM), serta dapat dimanfaatkan sebagai dasar pengambilan keputusan akademik yang lebih tepat sasaran, seperti perencanaan program remedial, pengayaan, dan pemantauan perkembangan prestasi siswa secara berkelanjutan di tingkat sekolah menengah.

References

M. Yağcı, “Educational data mining: prediction of students’ academic performance using machine learning algorithms,” Smart Learning Environments, vol. 9, no. 1, 2022, doi: 10.1186/s40561-022-00192-z.

G. Raftopoulos, G. Davrazos, and S. Kotsiantis, “Evaluating Fairness Strategies in Educational Data Mining : A Comparative Study of Bias Mitigation Techniques,” 2025.

Z. Wang, “Higher Education Management and Student Achievement,” vol. 2022, 2022.

N. Izzati, M. Talib, N. Aini, A. Majid, and S. Sahran, “applied sciences Identification of Student Behavioral Patterns in Higher Education Using K-Means Clustering and Support Vector Machine,” 2023.

A. F. Mohamed Nafuri, N. S. Sani, N. F. A. Zainudin, A. H. A. Rahman, and M. Aliff, “Clustering Analysis for Classifying Student Academic Performance in Higher Education,” Applied Sciences (Switzerland), vol. 12, no. 19, 2022, doi: 10.3390/app12199467.

C. Ramdani, I. Artikel, and K. Kunci, “Komparasi Algoritme X-Means dan K-Medoids pada Klasterisasi Data Akademik Mahasiswa,” 2023.

V. Wulandari, Y. Syarif, and Z. Alfian, “Comparison of Density-Based Spatial Clustering of Applications with Noise ( DBSCAN ), K-Means and X-Means Algorithms on Shopping Trends Data,” vol. 1, no. February, pp. 1–8, 2024.

S. A. Mukhsyi, A. I. Purnamaari, and A. Bahtiar, “Improving Student Achievement Clustering Model Using K-Means Algorithm in Pasundan Majalaya Vocational School,” vol. 4, no. 2, 2025.

S. Raihanah and T. Wahyudi, “K-Means Clustering of Social Studies Performance at Junior High School,” vol. 13, no. 2, pp. 460–472, 2024, doi: 10.14421/ijid.2024.4632.