Penerapan K-Means Clustering Untuk Pengelompokan Kinerja Siswa Dalam Mata Pelajaran Produktif
Keywords:
K-Means Clustering, SMK IQRO, Pengelompokan Siswa, Kinerja Siswa, Mata Pelajaran ProduktifAbstract
Peningkatan kualitas pembelajaran di Sekolah Menengah Kejuruan (SMK) membutuhkan pemahaman yang lebih mendalam mengenai variasi kinerja siswa, khususnya pada mata pelajaran produktif yang berperan langsung dalam membentuk kompetensi kerja. Pada praktiknya, SMK IQRO masih melakukan pengelompokan kinerja siswa secara manual melalui observasi guru dan penilaian nilai akhir. Metode tersebut cenderung membutuhkan waktu, bersifat subjektif, dan kurang efisien ketika jumlah siswa semakin banyak. Seiring berkembangnya teknologi, analisis berbasis data menjadi salah satu solusi untuk mendapatkan gambaran kinerja siswa secara objektif dan terukur. Penelitian ini menerapkan algoritma K-Means Clustering sebagai metode pengelompokan siswa berdasarkan nilai mata pelajaran produktif, dengan tujuan menghasilkan pembagian kelompok kinerja yang lebih akurat dan dapat mendukung perencanaan pembelajaran. Algoritma K-Means digunakan untuk memetakan siswa ke dalam beberapa cluster berdasarkan kemiripan nilai mereka. Data yang diolah meliputi nilai hasil belajar pada mata pelajaran produktif yang diperoleh dalam satu semester. Hasil penelitian menunjukkan bahwa metode K-Means mampu membentuk cluster yang merepresentasikan kelompok siswa berkinerja tinggi, sedang, dan rendah. Proses clustering menghasilkan nilai Sum of Squared Error (SSE) sebesar 583,33 dengan waktu pemrosesan kurang dari 1 detik, yang menunjukkan bahwa metode yang diterapkan memiliki performa komputasi yang efisien dan stabil. Pengelompokan ini memberikan manfaat bagi guru untuk menyusun strategi pembelajaran yang lebih tepat sasaran, seperti pemberian program remedial, pendampingan tambahan, maupun pengayaan bagi siswa yang berprestasi. Selain itu, hasil penelitian ini juga dapat menjadi referensi bagi sekolah dalam pengambilan keputusan akademik berbasis data, sekaligus mendukung peningkatan efektivitas proses pembelajaran di mata pelajaran produktif.
References
Adrian, T. &. (2023). Implementasi Data Mining untuk Mengklasifikasi Hasil Kelulusan Madrasah Menggunakan Algoritma Naive Bayes. Jakarta: Abadi.
Alfares, H. K., & Duffuaa, S. O. (2020). Data Mining dan Penerapannya. Jakarta: Salemba Empat.
Anggraeni, L., & Widiastuti, M. (2019). Implementasi K-Means untuk Pengelompokan Nilai Akademik. Jurnal Teknologi Informasi, 8(2), 45–52.
Fariq Syafiq Sujana, Y. H. (2022). Rancang Bangun Sistem Informasi Pengelolaan Penyewaan Kamera Berbasis Web.
Fathansyah. (2015). Basis Data Edisi Revisi. Bandung: Informatika.
Firmansyah. (2020a). Sistem Informasi Pengaduan Warga Berbasis Website (Studi Kasus: Kelurahan Siantan Tengah, Pontianak Utara).
Fitriani, A. M. (2023). Analysis and Design of Employee Management Information System Using the Web Based Waterfall Method. JITSI: Jurnal Ilmiah Teknologi Sistem Informasi.
Hussein, H. (2018). Implementation of Genetic Algorithm for Improving K-Means Clustering Accuracy. Journal of Computer Science.
Hussein, M. (2018). Optimization of K-Means Using Genetic Algorithm. International Journal of Computer Applications, 179(25), 1–6.
Hutagalung, I. (2020). Pemetaan Siswa Kelas Unggulan Menggunakan Algoritma K-Means Clustering. Jurnal Tek. Inform. dan Sist. Informasi (JATISI), 9(1).
Lathifah, A. (2023). Peran Data Mining dalam Menghasilkan Wawasan dari Data Besar. Jurnal Ilmu Komputer dan Bisnis.
Lestari, D. &. (2020). Penerapan Black Box Testing pada Pengujian Aplikasi Berbasis Web Menggunakan Teknik Equivalence Partitioning. Jurnal Sistem Informasi dan Teknologi, 8(3).
Mardalius. (2018). Analisis Clustering Menggunakan Metode K-Means. Jurnal Sistem Informasi, 14(1), 12–19.
Praniffa, A. C. (2023). Pengujian Black Box dan White Box Sistem Informasi Parkir Berbasis Web.
Prasetyo, D. &. (2017). Implementasi Sistem Informasi Akademik Berbasis Web dengan Menggunakan PHP dan MySQLJu. Jurnal Teknologi Informasi, 10(1).
Prasetyo, E. (2014). Data Mining: Mengolah Data Menjadi Informasi dengan Matlab. Yogyakarta: ANDI.
Pratiwi, D. (2022). Penerapan Algoritma K-Means untuk Pengelompokan Data Akademik. Jurnal Ilmiah Informatika, 6(1), 30–37.
Susliansyah. (2019). Penerapan Jarak Euclidean dalam Pengelompokan Data. Jurnal Sains dan Teknologi, 4(2), 55–63.
Yudhistira, R., & Andika, P. (2023). Analisis Kinerja Akademik Menggunakan K-Means Clustering. Jurnal Teknologi Pendidikan, 11(1), 22–31.
Zaki, M., & Meira, W. (2020). Data Mining and Machine Learning: Fundamental Concepts and Algorithms. Cambridge University Press.
