PENERAPAN ALGORITMA K-MEANS UNTUK MENGELOMPOKKAN SISWA SMK NEGERI 1 MAJALAYA BERDASARKAN PRESTASI AKADEMIK

Rifky Rayandi Maulana; Nana Suarna; Agus Bahtiar; Fathurrohman .

Authors

Rifky Rayandi Maulana STMIK IKMI Cirebon, Indonesia
Nana Suarna STMIK IKMI Cirebon, Indonesia
Agus Bahtiar STMIK IKMI Cirebon, Indonesia
Fathurrohman . STMIK IKMI Cirebon, Indonesia

Keywords:

K-Means Clustering, Data Mining, Prestasi Akademik, Klasterisasi

Abstract

Pengelompokan siswa berdasarkan prestasi akademik secara manual di SMK Negeri 1 Majalaya masih dilakukan secara subjektif dan tidak efisien, sehingga menyulitkan pihak sekolah dalam merancang strategi pembelajaran yang tepat sasaran. Penelitian ini bertujuan untuk menerapkan algoritma K-Means Clustering guna mengelompokkan siswa berdasarkan nilai akademik secara objektif, menentukan jumlah klaster optimal, serta memanfaatkan hasil klasterisasi sebagai dasar pengambilan keputusan akademik dan perancangan strategi pembelajaran diferensiasi. Metode yang digunakan adalah pendekatan kuantitatif deskriptif dengan menerapkan algoritma K-Means menggunakan bahasa pemrograman Python di platform Google Colab. Data yang digunakan merupakan nilai rata-rata 535 siswa dari 12 mata pelajaran akademik dan kejuruan yang diperoleh dari SMK Negeri 1 Majalaya. Tahapan penelitian meliputi akuisisi data, pra-pemrosesan (pembersihan dan normalisasi menggunakan StandardScaler), penerapan algoritma K-Means, penentuan jumlah klaster optimal menggunakan metode Elbow dan Silhouette Score, serta interpretasi hasil klasterisasi. Hasil penelitian menunjukkan bahwa jumlah klaster optimal adalah dua, yaitu kelompok siswa berprestasi cukup/belum optimal (322 siswa) dan berprestasi baik (214 siswa). Nilai Silhouette Score sebesar 0,5290 dan Calinski-Harabasz Index sebesar 846,14 menunjukkan bahwa model memiliki kemampuan pemisahan antar klaster yang baik. Kesimpulannya, algoritma K-Means terbukti efektif digunakan untuk mengelompokkan siswa berdasarkan prestasi akademik secara objektif dan dapat dijadikan dasar bagi sekolah dalam merancang program pengayaan, pembinaan, dan remedial yang lebih terarah.

References

Y. Zhang, T. Chen, and L. Wang, “A Comprehensive Review of Student Performance Clustering Techniques in Educational Data Mining,” IEEE Access, vol. 9, pp. 109845–109862, 2021, doi: 10.1109/ACCESS.2021.3101234.

N. I. Mohd Talib, N. A. Abd Majid, and S. Sahran, “Identification of student behavioral patterns in higher education using K-Means clustering and support vector machine,” Applied Sciences, vol. 13, no. 5, p. 3267, 2023, doi: 10.3390/app13053267.

A. Al-Zawqari, D. Peumans, and G. Vandersteen, “A flexible feature selection approach for predicting students’ academic performance in online courses,” Computers & Education: Artificial Intelligence, vol. 3, p. 100103, 2022, doi: 10.1016/j.caeai.2022.100103.

S. J. Alalawi, I. N. Mohd Shaharanee, and J. Mohd Jamil, “Clustering student performance data using K-Means algorithms,” Journal of Computational Innovation and Analytics (JCIA), vol. 2, no. 1, pp. 41–55, 2023, doi: 10.32890/jcia2023.2.1.3.

D. A. N. Wulandari, R. Annisa, L. Yusuf, and T. Prihatin, “Educational data mining for student academic prediction using K-Means clustering and Naïve Bayes classifier,” Jurnal Pilar Nusa Mandiri, vol. 16, no. 2, pp. 155–160, 2020, doi: 10.33480/pilar.v16i2.1432.

I. J. on I. for Development, “K-means clustering for grouping student performance patterns in Social Studies,” International Journal on Informatics for Development, 2024, doi: 10.14421/ijid.2024.4632.

R. Nagaswetha, D. Narendar Singh, B. Pavitra, G. Ashwini, and G. Anil Kumar, “Data mining for student performance analysis by clustering K-Means algorithm,” Mathematical Statistician and Engineering Applications, vol. 71, no. 3, pp. 1271–1287, 2022, doi: 10.17762/msea.v71i3.467.

D. Andi Akram Nur Risal, D. Darma Andayani, M. I. Suherman, and A. Baso Kaswar, “Utilizing the K-Means clustering algorithm for analyzing student achievement assessment at SMK Negeri 1 Gowa,” Journal of Embedded Systems, Security and Intelligent Systems, vol. 5, no. 1, pp. 60–67, 2024, doi: 10.59562/jessi.v5i1.2178.