Analisis Data Mining dengan Algoritma K-Means Clustering untuk Menentukan Siswa Berprestasi di MTS miftahul ulum bengkak
DOI:
https://doi.org/10.35473/jamastika.v4i2.4527Abstract
Tujuan dari penelitian ini adalah melakukan analisis terhadap data nilai siswa di MTs Miftahul Ulum Bengkak dengan menerapkan algoritma K-Means Clustering, sehingga dapat diperoleh pengelompokan siswa berdasarkan tingkat prestasinya. secara objektif dan efisien. Latar belakang penelitian ini adalah masih digunakannya metode manual dalam penentuan siswa berprestasi yang cenderung subjektif dan memakan waktu lama. Penelitian ini menggunakan lima jenis data nilai siswa sebagai bahan analisis Penelitian ini berfokus pada lima mata pelajaran inti, yaitu Bahasa Indonesia, Bahasa Inggris, Matematika, IPA, dan IPS, yang digunakan sebagai dasar dalam proses analisis. Proses analisis dilakukan menggunakan perangkat lunak RapidMiner Studio dengan tahapan menentukan jumlah cluster, perhitungan jarak menggunakan Euclidean Distance, dan pembentukan cluster berdasarkan kemiripan nilai rata-rata siswa. Berdasarkan hasil analisis, penerapan algoritma K-Means mampu mengelompokkan data siswa ke dalam tiga kelompok utama yang mewakili perbedaan tingkat prestasi., yaitu Cluster 0 yang berisi 7 siswa berprestasi tinggi, Cluster 1 berisi 3 siswa berprestasi sedang, dan Cluster 2 berisi 1 siswa berprestasi rendah. Berdasarkan hasil analisis, metode K-Means Clustering terbukti efektif dalam mengelompokkan data secara akurat sesuai dengan karakteristik yang dimiliki masing-masing siswa. dan dapat membantu pihak sekolah dalam mengidentifikasi siswa berprestasi berdasarkan data nilai akademik.
Kata Kunci: Data, K-Means Clustering, Siswa Berprestasi, MTs Miftahul Ulum Bengkak.
The purpose of this study is to analyze student grade data at MTs Miftahul Ulum Bengkak by applying the K-Means Clustering algorithm, so that student grouping can be obtained based on their achievement level. objectively and efficiently. The background of this study is that manual methods are still used in determining high-achieving students which tend to be subjective and time-consuming. This study uses five types of student grade data as analysis material. This study focuses on five core subjects, namely Indonesian, English, Mathematics, Science, and Social Studies, which are used as the basis for the analysis process. The analysis process is carried out using RapidMiner Studio software with the stages of determining the number of clusters, calculating distances using Euclidean Distance, and forming clusters based on the similarity of students' average scores. Based on the results of the analysis, the application of the K-Means algorithm is able to group student data into three main groups that represent differences in achievement levels, namely Cluster 0 which contains 7 high-achieving students, Cluster 1 contains 3 medium-achieving students, and Cluster 2 contains 1 low-achieving student. Based on the analysis results, the K-Means Clustering method proved effective in accurately grouping data according to each student's characteristics and can help schools identify high-achieving students based on academic grades.
Keywords: Data Mining,K-Means Clustering,High-Achieving Students, MTs Miftahul Ulum Bengkak.
References
Apriandi, D., Sari, R. M., & Sarif, M. I. (2024). Analisis clustering untuk menentukan siswa berprestasi di SMK Swasta TI Panca Dharma Stungkit menggunakan metode K-Means. Jurnal Minfo Polgan, 13(1), 1–8. https://ejournal.polgan.ac.id/index.php/minfo/article/view/3100
Asmawi, M., Syafei, W., & Yamin, M. (2019). Pemanfaatan teknologi informasi dan komunikasi dalam dunia pendidikan. Jurnal Teknologi dan Pembelajaran, 5(1), 12–19.
Kharis, S. A. A., & Zili, A. H. A. (2022). Learning analytics dan educational data mining pada data pendidikan. Jurnal Riset Pembelajaran Matematika Sekolah (JRPMS), 6(2), 133–142. https://journal.unesa.ac.id/index.php/jrpms/article/view/22987
Qodariyah, L., Rengganis, D., & Setiawati, E. (2023). Penerapan algoritma K-Means untuk clustering data nilai siswa dalam menentukan siswa berprestasi. Jurnal Informatika dan Komputer (JIKO), 3(1), 55–63. https://doi.org/10.33395/jiko.v3i1.234
Mardi, Y. (2014). Data mining: Klasifikasi menggunakan algoritma C4.5. Jurnal Edik Informatika – Penelitian Bidang Komputer Sains dan Pendidikan Informatika, 1(2), 75–82. https://doi.org/10.31537/jei.v1i2.145
Saputra, E. A., & Nataliani, Y. (2021). Analisis pengelompokan data nilai siswa untuk menentukan siswa berprestasi menggunakan metode clustering K-Means. Journal of Information Systems and Informatics (JISI), 3(1), 78–87. https://doi.org/10.24002/jisi.v3i1.101
Utami, R. D., & Mulyana, E. (2022). Penerapan algoritma K-Means clustering untuk menentukan prestasi belajar siswa. Jurnal Teknologi Informasi dan Komunikasi (JTIK), 9(1), 33–42. https://doi.org/10.33395/jtik.v9i1.2189
Rahayu, N. D., Rahman, F., & Maharani, D. (2023). Penerapan algoritma K-Means clustering untuk menentukan siswa berprestasi di SMAN 1 Tanjungpinang. Jurnal Komputer dan Informatika (JUKI), 2(3), 101–109. https://doi.org/10.33395/juki.v2i3.175
Alpaydin, E. (2020). Introduction to Machine Learning (4th ed.). MIT Press.
Handoko, D., & Purnomo, W. (2021). Implementasi algoritma K-Means dalam pengelompokan data akademik siswa. Jurnal Teknologi Informasi dan Komputer, 4(2), 56–63.
Fadillah, R., & Arifin, M. (2022). Penerapan K-Means untuk analisis prestasi akademik siswa. Jurnal Informatika Edukasi, 9(1), 23–31.
Alturki, S., & Alturki, N. (2021). Using Educational Data Mining to Predict Students’ Academic Performance for Applying Early Interventions. Journal of Information Technology Education: Innovations in Practice, 20, 121–137. https://www.informingscience.org/Publications/4835
Alshareef, F., Alhakami, H., Alsubait, T., & Baz, A. (2020). Educational Data Mining Applications and Techniques. International Journal of Advanced Computer Science and Applications (IJACSA), 11(4). https://doi.org/10.14569/IJACSA.2020.0110494
Hendrian, S. (2018). Algoritma klasifikasi data mining untuk memprediksi siswa dalam memperoleh bantuan dana pendidikan. Faktor: Jurnal Ilmiah, 11(3). https://journal.lppmunindra.ac.id/index.php/Faktor_Exacta/article/view/2777
Sarker, S., Rahman, M., & Alam, M. (2024). Analyzing students’ academic performance using educational data mining techniques. Heliyon, 10(3), e25519. https://www.sciencedirect.com/science/article/pii/S2666920X24000663
