Penentuan Jurusan Siswa SMA Menggunakan Metode K-Means++

Pratama Agung Rizaldi, Maftahatul Hakimah, Tutuk Indriyani

Abstract

Perkembangan teknologi yang semakin meningkat mempunyai pengaruh besar terhadap sistem pendidikan di sekolah. Hal ini dikarenakan sekolah membutuhkan program yang sangat cepat untuk mengolah data pengelompokkan siswa terhadap jurusan peminatan yang ditawarkan. Pemilihan jurusan yang tepat merupakan hal yang sangat penting bagi siswa karena akan berpengaruh pada cara belajar mereka. Salah satu solusi untuk meminimalisir siswa salah memilih jurusan adalah dengan melakukan analisis data ujian tes masuk jurusan sesuai kemampuan para siswa. Oleh karena itu, tujuan penilitian ini adalah bagaimana mengklasterkan siswa berdasarkan kriteria jurusan yang tersedia. Manfaat penilitian ini diharapkan membantu meminimalisir kesalahan dalam pemilihan jurusan. Pengelompokan siswa diperoleh dengan menerapkan metode k-means ++. Metode ini merupakan pengembangan metode k-means untuk mengatasi permasalahan inisialisasi centroid. Hasil pengujian menunjukkan bahwa metode k-means ++ mampu mengelompokkan siswa tehadap jurusan peminatan di SMA Antartika Sidoarjo. Validasi hasil klaster menggunakan SSE menunjukkan k-means lebih baik daripada k-means++. Sedangkan berdasarkan Silhoutte Coefficient, k-means ++ bisa meningkatkan nilai kepercayaan terhadap keanggotaan setiap klasternya dibandingkan k-means standar.   

Keywords

Data mining; Klastering; K-means++; Silhoutte Coeffcient; SMA Antartika Sidoarjo

Full Text:

PDF

References

Y. S. Nugroho, “Klasifikasi dan Klastering Penjurusan Siswa SMA Negeri 3 Boyolali,” Khazanah Inform. J. Ilmu Komput. dan Inform., vol. 1, no. 1, p. 1, 2015, doi: 10.23917/khif.v1i1.1175.

R. Nainggolan and E. Purba, “Perbaikan Performa Cluster K-means Menggunakan Sum Squared Error (Sse) Pada Analisis Online Customer Review Terhadap Produk Toko Online,” J. TIMES, vol. VIII, no. 2, pp. 1–8, 2019.

A. Aprilia, W. M. Rahmawati, and M. Hakimah, “Penentuan Kategori Status Gizi Balita Menggunakan Penggabungan Metode Klasterisasi Agglomerative Dan K-means,” Semin. Nas. Sains dan Teknol. Terap. VII - Inst. Teknol. Adhi Tama Surabaya, pp. 595–600, 2019.

H. Zhao, “Research on Improvement and Parallelization of K-means Clustering Algorithm,” in IEEE 3rd International Conference on Frontiers Technology of Information and Computer (ICFTIC), 2021, pp. 57–61.

N. Daoudi, S., Anouar Zouaoui, C. M., El-Mezouar, M. C., & Taleb, “Parallelization of the K-means ++ Clustering Algorithm,” vol. 26, no. 1, 2021, [Online]. Available: https://web.s.ebscohost.com/abstract?direct=true&profile=ehost&scope=site&authtype=crawler&jrnl=16331311&AN=149636209&h=osAPpJOx8kOx7fkxakuC2PTz3GnvsfcGZnYp8w4tTQJFWa%2BMikzsrpvvtFEaic7LwQulnr0Qc%2BGrG8YPD92Y8g%3D%3D&crl=c&resultNs=AdminWebAuth&resultLoca.

M. E. Sulistiyani, B. Soedijono, and S. A. Syahdan, “Sistem Penentuan Jurusan Sekolah Menengah Atas Negeri 1 Karangmojo,” Semnasteknomedia Online, vol. 3, no. 1, pp. 2-2–247, 2015, [Online]. Available: http://ojs.amikom.ac.id/index.php/semnasteknomedia/article/view/819/785.

H. K. Candra, M. Bahit, and B. Sabella, “Penerapan Metode Klustering Fuzzy C-Means Untuk Penentuan Peminatan Pemilihan Jurusan Pada Sekolah Menengah Tingkat Atas,” POSITIF J. Sist. dan Teknol. Inf., vol. 7, no. 2, pp. 108–119, 2021, doi: 10.31961/positif.v7i2.1106.

U. Fayyad, G. Piatetsky-Shapiro, and P. Smyth, “From Data Mining to Knowledge Discovery in Databases,” vol. 17, no. 3, 1996, doi: https://doi.org/10.1609/aimag.v17i3.1230.

F. Nasari and S. Darma, “Penerapan k-means clustering pada data penerimaan mahasiswa baru (studi kasus: universitas potensi utama),” Semnasteknomedia Online, vol. 3, no. 1, 2013, [Online]. Available: https://ojs.amikom.ac.id/index.php/semnasteknomedia/article/view/837/801.

et al. Muhima, Rani Rotul, KUPAS TUNTAS ALGORITMA CLUSTERING: KONSEP, PERHITUNGAN MANUAL, DAN PROGRAM. Andi, 2022.

D. Arthur and S. Vassilvitskii, “k-means ++: The advantages of careful seeding.,” 2006.

C. A. Sri Fastaf and Y. Yamasari, “Analisa Pemetaan Kriminalitas Kabupaten Bangkalan Menggunakan Metode K-means dan K-means ++,” J. Informatics Comput. Sci., vol. 3, no. 04, pp. 534–546, 2022, doi: 10.26740/jinacs.v3n04.p534-546.

S. Lattanzi and C. Sohler, “A better k-means ++ algorithm via local search,” 36th Int. Conf. Mach. Learn. ICML 2019, vol. 2019-June, pp. 6521–6530, 2019.

E. Rendón, I. Abundez, A. Arizmendi, and E. M. Quiroz, “Internal versus External cluster validation indexes,” Int. J. Comput. Commun., vol. 5, no. 1, pp. 27--34, 2011, [Online]. Available: http://w.naun.org/multimedia/UPress/cc/20-463.pdf.

H. Řezanková, “Different approaches to the silhouette coefficient calculation in cluster evaluation,” 21st Int. Sci. Conf. AMSE, no. September, pp. 1–10, 2018.

T. Thinsungnoen, N. Kaoungku, P. Durongdumronchai, K. Kerdprasop, and N. Kerdprasop, “The Clustering Validity with Silhouette and Sum of Squared Errors,” pp. 44–51, 2015, doi: 10.12792/iciae2015.012.

Refbacks

  • There are currently no refbacks.