Algoritma Clustering K-Means untuk Pembagian Rombongan Belajar Peserta Didik Baru Tingkat SMA Berdasarkan Nilai Rapor

Authors

  • Asep Herman Nursalam Teknik Informatika, Program Pascasarjana, Universitas Pamulang

Keywords:

Clustering K-Means, Pembagian Rombongan Belajar, Nilai Rapor

Abstract

Pembagian rombongan belajar (rombel) siswa baru tingkat SMA adalah langkah penting dalam menciptakan lingkungan pembelajaran yang sesuai dengan karakteristik masing-masing siswa. Metode clustering K-Means digunakan dalam penelitian ini untuk membantu membagi siswa ke dalam rombongan berdasarkan nilai rapor dan data minat mereka. Data nilai mata pelajaran wajib dan minat peserta didik dianalisis secara cermat dan diproses. Hasil dari proses clustering ini kemudian diimplementasikan dalam kegiatan pembelajaran sehari-hari, memungkinkan siswa untuk belajar sesuai dengan minat dan kemampuan mereka. Metode ini terbukti efektif dalam meningkatkan pembagian rombongan siswa baru tingkat SMA. Selain itu, evaluasi berkelanjutan digunakan untuk memantau perkembangan siswa dan memastikan bahwa lingkungan pembelajaran tetap sesuai dengan karakteristik mereka sepanjang tahun pelajaran. Dengan pendekatan ini, pembagian rombongan menjadi lebih akurat dan adaptif, menciptakan lingkungan belajar yang lebih efektif dan memenuhi kebutuhan serta minat siswa. Penelitian ini memiliki potensi besar dalam memperbaiki sistem pembagian rombongan belajar di tingkat SMA, mengatasi masalah pembagian yang seringkali dilakukan secara manual.

References

[1] Firmadani, “Manajemen Peserta Didik,” dalam Manajemen Pendidikan (Tinjauan Teori dan Praktis), Bandung, Widina Bhakti Persada, 2020, pp. 67-87.

[2] E. A. Saputra dan Y. Nataliani, “Analisis Pengelompokan Data Nilai Siswa untuk Menentukan Siswa Berprestasi Menggunakan Metode Clustering K-Means,” Journal of Information Systems and Informatics, vol. 3, no. 3, pp. 424-439, 2021.

[3] Y. Elda, S. Defit, Y. Yunus dan R. Syaljumairi, “Klasterisasi Penempatan Siswa yang Optimal untuk Meningkatkan Nilai Rata-Rata Kelas Menggunakan K-Means,” Jurnal Informasi dan Teknologi, vol. 3, no. 3, pp. 103-108, 2021.

[4] J. Hutagalung, Y. H. Syahputra dan Z. P. Tanjung, “Pemetaan Siswa Kelas Unggulan Menggunakan Algoritma K-Means Clustering,” Jurnal Teknik Informatika dan Sistem Informasi, vol. 9, no. 1, pp. 606-620, 2022.

[5] Y. R. S. Ramli, “Penggunaan Metode K-Means dalam Pemetaan Siswa,” Jurnal Pendidikan Intelektium, vol. 3, no. 2, pp. 349-354, 2022.

[6] A. Z. Saputra, N. Suarna dan G. D. Lestari, “Klasterisasi Nilai Ujian Sekolah Menggunakan Metode Algoritma K-Means,” Jurnal Janitra Informatika dan Sistem Informasi, vol. 3, no. 1, pp. 1-9, 2023.

[7] D. A. Saputra dan M. A. I. Pakereng, “Analisis Data Nilai Siswa Kelas 8 Berbasis Nilai Pengetahuan Untuk Menentukan Siswa Berprestasi dengan K-Means Clustering (Kasus SMP Negeri 4 Salatiga),” Jurnal Sains Komputer & Informatika (J-SAKTI), vol. 7, no. 2, pp. 630-638, 2023.

[8] C. Satria dan A. Anggrawan, “Aplikasi K-Means Berbasis Web untuk Klasifikasi Kelas Unggulan,” Matrik: Jurnal Manajemen, Teknik Informatika, dan Rekayasa Komputer, vol. 21, no. 1, pp. 111-124, 2021.

[9] A. Sulistiyawati dan E. Supriyanto, “Implementasi Algoritma K-means Clustring dalam Penetuan Siswa Kelas Unggulan,” Jurnal TEKNO KOMPAK, vol. 15, no. 2, pp. 25-36, 2021.

[10] R. Adhitama, A. Burhanuddin dan R. Ananda, “Penentuan Jumlah Cluster Ideal SMK di Jawa Tengah dengan Metode X-Means Clustering dan K-Means Clustering,” JIKO (Jurnal Informatika dan Komputer), vol. 3, no. 1, pp. 1-5, 2020.

[11] S. N. B. Sembiring, H. Winata dan S. Kusnasari, “Pengelompokan Prestasi Siswa Menggunakan Algoritma K-Means,” Jurnal Sistem Informasi TGD, vol. 1, no. 1, pp. 31-40, 2022.

[12] H. Afif dan M. Arif, “Penerapan Data Mining Untuk Pengelompokan Kelas Siswa Unggulan Berdasarkan Nilai Raport Menggunakan Metode K-Means Clustering (Studi Kasus: SMK Muhammadiyah 3 Weleri),” Jurnal Teknik Informatika dan Desain Komunikasi Visual, vol. 1, no. 2, pp. 82-93, 2022.

[13] Novi dan A. Mubarok, “Penerapan Algoritma K-Means untuk Menentukan Kelas Unggulan di SMP Pelita Bandung,” Infomatek, vol. 23, no. 2, pp. 97-106, 2021.

[14] S. Ningsih, “Penerapan Algoritma K-Means Clustering untuk Menentukan Kelas Kelompok Bimbingan Belajar Tambahan,” Jurnal Sistem Informasi (JUSIN), vol. 3, no. 2, pp. 73-82, 2022.

[15] D. Anggraeni, Rizaldi dan G. M. Putra, “Penerapan K-Means Clustering Untuk Pengelompokan Kelas Pada Taman Kanak-Kanak,” Building of Informatics, Technology and Science (BITS), vol. 3, no. 3, pp. 400-404, 2021.

[16] A. A. Nashir dan Amanda, “Algoritma K–Means Untuk Menentukan Wilayah Promosi Peserta Didik Pada SDIT Ulul Albab Bekasi,” Jurnal Ilmiah MIKA AMIK Al Muslim, vol. 3, no. 2, pp. 40-46, 2019.

[17] A. N. Fadilla, “nilaisiswa,” Kaggle, 8 Juli 2023. [Online]. Available: https://www.kaggle.com/datasets/anisanurfadilla/nilaisiswa/data. [Diakses 22 Oktober 2023].

[18] I. Saputra dan D. A. Kristiyanti, Machine Learning Untuk Pemula, Bandung: Informatika, 2022.

Downloads

Published

2023-12-01

How to Cite

Nursalam, A. H. (2023). Algoritma Clustering K-Means untuk Pembagian Rombongan Belajar Peserta Didik Baru Tingkat SMA Berdasarkan Nilai Rapor. Prosiding Seminar Kecerdasan Artifisial, Sains Data, Dan Pendidikan Masa Depan, 1, 170–176. Retrieved from https://openjournal.unpam.ac.id/index.php/PROKASDADIK/article/view/38525