ANALISIS PENGELOMPOKAN TINGKAT PELANGGARAN SANTRI MENGGUNAKAN ALGORITMA K-MEANS CLUSTERING DI PONDOK PESANTREN AL-MA’RIFAH

Abdul Rohman; Nana Suarna; Agus Bahtiar; Ade Irma Purnamasari

Authors

Abdul Rohman STMIK IKMI Cirebon, Indonesia
Nana Suarna STMIK IKMI Cirebon, Indonesia
Agus Bahtiar STMIK IKMI Cirebon, Indonesia
Ade Irma Purnamasari STMIK IKMI Cirebon, Indonesia

Keywords:

K-Means Clustering, data mining, pelanggaran santri

Abstract

Penerapan teknologi machine learning dalam pengelolaan perilaku peserta didik membuka peluang baru dalam meningkatkan efektivitas sistem pembinaan di lingkungan pendidikan, termasuk pesantren. Penelitian ini bertujuan untuk menganalisis pola pelanggaran santri di Pondok Pesantren Al-Ma’rifah menggunakan algoritma K-Means Clustering. Data penelitian terdiri dari catatan pelanggaran santri yang mencakup jenis pelanggaran, frekuensi, tingkat keparahan, serta total poin pelanggaran. Proses analisis meliputi data preprocessing, penentuan jumlah cluster optimal menggunakan Elbow Method, penerapan algoritma K-Means, serta evaluasi hasil klasterisasi menggunakan nilai Silhouette Score. Hasil penelitian menunjukkan bahwa data pelanggaran santri dapat dikelompokkan ke dalam 3 cluster utama, yaitu pelanggaran ringan, sedang dan berat. Nilai Silhouette Score sebesar 0,33 menunjukkan kualitas pengelompokan yang cukup baik dan dapat digunakan sebagai dasar identifikasi pola perilaku santri. Temuan ini memberikan kontribusi praktis bagi pihak pesantren dalam merancang strategi pembinaan yang lebih objektif, terukur, dan berbasis data. Selain itu, penelitian ini memperkuat bukti bahwa pendekatan data mining melalui K-Means efektif untuk membantu lembaga pendidikan dalam memahami perilaku disiplin peserta didik secara lebih mendalam.

References

M. Yağcı, “Educational data mining: Prediction of students’ academic performance using machine learning algorithms,” Smart Learning Environments, vol. 9, no. 1, pp. 1–14, 2022, doi: 10.1186/s40561-022-00192-z.

C. A. Palacios, J. A. Reyes-Suárez, L. A. Bearzotti, V. Leiva, and C. Marchant, “Knowledge discovery for higher education student retention based on data mining: machine learning algorithms and case study in Chile,” Entropy, vol. 23, no. 4, p. 485, 2021, doi: 10.3390/e23040485.

R. Maqsood, P. Ceravolo, M. Ahmad, and M. S. Sarfraz, “Examining students’ course trajectories using data mining and visualization approaches,” International Journal of Educational Technology in Higher Education, vol. 20, p. 55, 2023, doi: 10.1186/s41239-023-00423-4.

A. Abukader, A. Alzubi, and O. R. Adegboye, “Intelligent system for student performance prediction: an educational data mining approach using meta-heuristic-optimized LightGBM with SHAP-based learning analytics,” Applied Sciences, vol. 15, no. 20, p. 10875, 2025, doi: 10.3390/app152010875.

F. Aydın, “Educational data mining: construction of a tree-based model to predict students’ performance,” Bartın University Journal of Faculty of Education, vol. 14, no. 1, pp. 181–195, 2025, doi: 10.14686/buefad.1390209.

T. Wang, B. Xiao, and W. Ma, “Student Behavior Data Analysis Based on Association Rule Mining,” International Journal of Computational Intelligence Systems, vol. 15, p. 32, 2022, doi: 10.1007/s44196-022-00087-4.

J. Zhang, Y. Kuang, and J. Zhou, “Data Mining Technology for Smart Campus in Behavior Association Analysis of College Students,” Scalable Computing: Practice and Experience, vol. 25, no. 6, 2024, doi: 10.12694/scpe.v25i6.2187.

L. Li, C. P. Chen, L. Wang, and W. Bao, “Exploring Artificial Intelligence in Smart Education,” Sustainability, vol. 15, no. 10, p. 7940, 2023.

X. Luo, “Learning analytics based on big data: student behaviour prediction and personalized educational strategy formulation,” Applied and Computational Engineering (ACE), vol. 116, 2024, doi: 10.54254/2755-2721/116/20251732.

M. Zubair, B. Alqadri, and F. Artina, “Kesadaran Mahasiswa Terhadap Penyebaran Paham Radikalisme Melalui Media Literasi Online,” Pemikiran dan Penelitian Ilmu-Ilmu Sosial, Hukum & Pengajarannya, vol. XVII, no. 1, pp. 115–127, 2022.