View of Algoritma K-Means Clustering Pada Pengelompokan Minat Bakat Siswa SMK PGRI 2 Karawang

(1)

38 Jurnal Teknik Informatika dan Sistem Informasi ISSN 2407-4322 Vol. 10, No. 1, Maret 2023, Hal. 38-50 E- ISSN 2503-2933

Algoritma K-Means Clustering Pada Pengelompokan Minat Bakat Siswa SMK PGRI 2 Karawang

Atang Supriatna*¹, William Dharmawan², Christina Juliane³

1,2,3

Sekolah Tinggi Manajemen Informatika & Komputer - LIKMI e-mail: *¹[email protected], ²[email protected],

Abstrak

Siswa baru memiliki pilihan masing-masing dalam menentukan sekolah, namun pilihan tersebut tidak selalu sesuai dengan kemampuan yang dimiliki. Menentukan pilihan sangat penting untuk hasil akhir yang diinginkan. Sekolah Menengah Kejuruan yaitu sekolah yang terdiri dari beberapa jurusan yang dapat dipilih oleh Siswa Baru sesuai dengan minat Siswa.

Sekolah mempunyai kebijakan dalam menentukan jurusan dengan membuat test minat dan bakat. Test dilakukan pada saat siswa melakukan pendaftaran. Data Mining dapat menentukan kelompok belajar siswa baru yang dibutuhkan oleh sekolah. Metode clustering dengan algoritma k-means menjadi pilihan untuk menentukan kelompok belajar siswa baru. Mesin learning yang digunakan yaitu RapidMiner. Pengolahan data dengan mengunakan data mining akan menghasilkan kelompok belajar siswa baru yang dibutuhkan oleh sekolah.

Kata kunci— jurusan siswa baru, data mining, clustering, k-means, rapidminer.

Abstract

New students have their own choices in choosing a school, but these choices are not always in accordance with their abilities. Making the choice is very important for the desired end result. Vocational High School is a school that consists of several majors that can be chosen by new students according to the interests of students. The school has a policy in determining majors by making interest and aptitude tests. The test is carried out when students register. Data Mining can determine the new student study groups needed by the school. The clustering method with the k-means algorithm is the choice to determine the new student study group. The learning machine used is RapidMiner. Data processing using data mining will produce new student study groups needed by the school.

Keywords— new student department, data mining, clustering, k-means, rapidminer.

1. PENDAHULUAN

Menentukan pilihan bukan hal yang mudah, karena pilihan menentukan proses yang akan dijalani. Apabila salah menentukan pilihan, maka proses tidak dijalani dengan suka cita yang dapat menghambat tercapainya tujuan. Salah menentukan pilihan dapat berakhir ditengah jalan, yang menyebabkan berbagai pilihan seperti menentukan pilihan baru atau menyerah dengan keadaan. Pilihlah pilihan sesuai dengan minat dan bakat yang dimiliki agar dalam

(2)

Jatisi ISSN 2407-4322 Vol. 10, No. 1, Maret 2023, Hal. 38-50 E- ISSN 2503-2933 39

menjalankan prosesnya terasa mudah dan disenangi, karena dengan senang atau suka orang akan berusaha keras untuk menjalan prosesnya.

Manusia selalu dihadapkan dengan pilihan, setiap pilihan yang diambil harus siap dengan segala sesuatu yang ada didalamnya. Begitu juga dalam bersekolah, ada yang menentukan pilihan untuk melanjutkan bersekolah dan ada juga yang menentukan pilihan untuk kerja. Ketika menentukan pilihan bersekolah maka harus siap menerima pelajaran yang ada di sekolah dengan senang hati. Terdapat beberapa alasan kenapa harus dibuat kelas belajar siswa, salah satunya yaitu siswa yang mempunyai kemampuan lebih dari temannya akan mudah untuk mengembangkannya jika di kelompokan dengan yang memiliki kemampuan yang hampir sama, dan siswa yang kemampuannya kurang jika disatukan dengan siswa yang memiliki kemampuan lebih maka siswa susah untuk mengimbanginya.

Menentukan kelompok siswa bukan hal yang mudah untuk dilakukan karena berhubungan dengan perasaan manusia yang cenderung sensitif. Khusus di Sekolah Menengah Kejuruan, siswa akan di kelompokan sesuai dengan jurusan yang berhasil dipilih. Proses penentuan jurusan sangat penting untuk dilakukan karena berpengaruh pada proses berikutnya yaitu proses belajar mengajar.

Sekolah belum bisa menentukan kelas untuk siswa baru sesuai dengan jurusan yang terdapat di sekolah. Dapat menentukan kelas untuk siswa baru sesuai dengan hasil uji minat dan bakat siswa secara transfaransi dan menyampaikan hasil penelitian kepada sekolah yang bersangkutan. Melakukan pengelompokan siswa baru sesuai dengan hasil uji minat dan bakat siswa yang diselenggarakan oleh sekolah. Hanya melakukan pengelompokan di SMK PGRI 2 Karawang Lokasi-1 dan Lokasi-2.

2. METODE PENELITIAN

2. 2.1 Pengacuan Pustaka

Melakukan ekstraksi untuk mendapatkan informasi penting yang sifatnya implisit dan sebelumnya tidak diketahui, dari suatu data (Witten et al., 2011). Kegiatan yang meliputi pengumpulan, pemakaian data historis untuk menemukan keteraturan, pola dan hubungan dalam set data berukuran besar (Santosa, 2007). Extraction of interesting (non-trivial, implicit, previously unknown and potentially useful) patterns or knowledge from huge amount of data (Han et al., 2011) [1].

Clustering (pengelompokan), yaitu pengelompokan mengidentifikasi data yang memiliki karakteristik tertentu (Priatna, 2020). Berkhin (2006) menyatakan salah satu metode yang diterapkan dalam KDD adalah clustering. Clustering adalah membagi data ke dalam grup- grup yang mempunyai obyek yang karakteristiknya sama. Garcia (2002) menyatakan clustering adalah mengelompokkan item data ke dalam sejumlah kecil grup sedemikian sehingga masing- masing grup mempunyai sesuatu persamaan yang esensial [2]

Andayani (2007) menyatakan clustering memegang peranan penting dalam aplikasi data mining, misalnya eksplorasi data ilmu pengetahuan, pengaksesan informasi dan text mining, aplikasi basis data spasial, dan analisis web. Clustering diterapkan dalam mesin pencari di Internet. Web mesin pencari akan mencari ratusan dokumen yang cocok dengan kata kunci yang dimasukkan. Dokumen- dokumen tersebut dikelompokkan dalam cluster-cluster sesuai dengan kata-kata yang digunakan [2]

RapidMiner merupakan perangakat lunak yang bersifat terbuka (open source).

RapidMiner adalah sebuah solusi untuk melakukan analisis terhadap data mining, text mining dan analisis prediksi. RapidMiner menggunakan berbagai teknik deskriptif dan prediksi dalam memberikan wawasan kepada pengguna sehingga dapat membuat keputusan yang paling baik.

RapidMiner memiliki kurang lebih 500 operator data mining, termasuk operator untuk input,

(3)

40 Jatisi ISSN 2407-4322 Vol. 10, No. 1, Maret 2023, Hal. 38-50 E-ISSN 2503-2933

output, data preprocessing dan visualisasi. RapidMiner merupakan software yang berdiri sendiri untuk analisis data dansebagai mesin data mining yang dapat diintegrasikan pada produknya sendiri. RapidMiner ditulis dengan munggunakan bahasa java sehingga dapat bekerja di semua sistem operasi [3]

RapidMiner sebelumnya bernama YALE (Yet Another Learning Environment), dimana versi awalnya mulai dikembangkan pada tahun 2001 oleh RalfKlinkenberg, Ingo Mierswa, dan Simon Fischer di Artificial Intelligence Unit dari University of Dortmund. RapidMiner didistribusikan di bawah lisensi AGPL (GNU Affero General Public License) versi 3. Hingga saat ini telah ribuan aplikasi yang dikembangkan mengunakan RapidMiner di lebih dari 40 negara. RapidMiner sebagai software open source untuk data mining tidak perlu diragukan lagi karena software ini sudah terkemuka di dunia. RapidMiner menempati peringkat pertama sebagai Software data mining pada polling oleh KDnuggets, sebuah portal data-mining pada 2010-2011. RapidMiner menyediakan GUI (Graphic User Interface) untuk merancang sebuah pipeline analitis. GUI ini akan menghasilkan file XML (Extensible Markup Language) yang mendefenisikan proses analitis keingginan pengguna untuk diterpkan ke data. File ini kemudian dibaca oleh RapidMiner untuk menjalankan analis secara otomatis [3]

K-Means merupakan algoritma yang umum digunakan untuk clustering dokumen.

Prinsip utama K-Means adalah menyusun k prototype atau pusat massa (centroid) dari sekumpulan data berdimensi. Sebelum diterapkan proses algoritma K-means, dokumen akan di preprocessing terlebih dahulu. Kemudian dokumen direpresentasikan sebagai vektor yang memiliki term dengan nilai tertentu [4]

Algoritma k-means merupakan algoritma yang membutuhkan parameter input sebanyak k dan membagi sekumpulan dan objek kedalam k cluster sehingga tingkat kemiripan antar anggota dalam satu cluster tinggi sedangkan tingkat kemiripan dengan anggota pada cluster lain sangat rendah. Kemiripan anggota terhadap cluster diukur dengan kedekatan objek terhadap nilai mean pada cluster atau dapat disebut sebagai centroid cluster [4]

2. 2.2 Metode Penelitian

Langkah-langkah yang akan dikerjakan untuk menyelesaikan penelitian ini yaitu sebagai berikut:

1. Persiapan Internal, fase ini merupakan tahapan untuk menentukan objek penelitian, melakukan identifikasi masalah yang terdapat pada objek penelitian yang dipilih, dan melakukan studi pustaka yang dapat menyelesaikan permasalahan yang terdapat pada objek penelitian.

2. Perencanaan, fase ini merupakan tahapan untuk menentukan lingkup yang akan dikerjakan, menentukan metodologi penelitian yang akan digunakan, merancang kerangka penelitian agar tidak keluar dari lingkup yang telah ditentukan, dan merancang skema analisis untuk mempermudah proses analisis.

3. Pengumpulan Data, fase ini merupakan tahapan untuk mengumpulkan data-data yang diperlukan dalam melakukan penelitian. Teknik pengumpulan data yang dilakukan secara acak (random) dengan menggunakan 3 cara, yaitu: Studi Pustaka yaitu kegiatan mengumpulkan dan mempelajari berbagai literatur, artikel maupun jurnal-jurnal penelitian yang berhubungan dengan penelitian. Survey/ Observasi yaitu kegiatan yang dilakukan untuk melakukan pengamatan dengan turun langsung ke lapangan/ tempat melakukan penelitian untuk memperoleh data dan informasi yang dibutuhkan dalam penelitian.

Interview/ Wawancara yaitu melakukan tanya jawab dengan narasumber yang dapat dipercaya untuk mendapatkan data dan informasi yang dibutuhkan dalam penelitian.

4. Pengolahan Data, fase ini merupakan tahapan untuk melakukan pengelompokan siswa beru sesuai dengan hasil uji minat dan bakat siswa yang diselenggarakan oleh sekolah.

(4)

Jatisi ISSN 2407-4322 Vol. 10, No. 1, Maret 2023, Hal. 38-50 E- ISSN 2503-2933 41

5. Penyampaian Saran dan Kesimpulan, fase ini merupakan tahapan untuk menyampaikan informasi hasil penelitian kepada tempat penelitian. Menyampaikan saran atau usulan kepada tempat penelitian, sesuai dengan hasil yang diperoleh dalam penelitian.

2. 2.3 Penelitian Terkait

Tabel 1. Penelitian Terkait

No Judul Kelebihan dan

Kekurangan

Perbedaan dengan Penelitian yang

Dilakukan 1 Clustering Menggunakan

Metode K-Means Untuk Menentukan Status Gizi Balita [5]

Kelebihan: Dilakukan Perhitungan secara manual Kelemahan: Menggunakan jumlah data lebih sedikit dari penelitian yang dilakukan

Terdapat Perbedaan pada data dan jumlah data yang digunakan.

Terdapat perbedaan tools yang digunakan

2 Penerapan Metode K-Means Untuk Clustering Mahasiswa Berdasarkan Nilai Akademik Dengan Weka Interface Studi Kasus Pada Jurusan Teknik Informatika UMM Magelang [2]

Kelebihan: Dilakukan Perhitungan secara manual Kelemahan: Menggunakan jumlah data lebih sedikit dari penelitian yang dilakukan

Terdapat Perbedaan pada data dan jumlah data yang digunakan.

Terdapat perbedaan tools yang digunakan

3. HASIL DAN PEMBAHASAN

Jumlah Data

Data yang digunakan dalam penelitian yaitu data hasil Uji Minat dan Bakat Calon Siswa Baru SMK PGRI 2 Karawang yang berjumlah 1105 Data.

Variabel yang Digunakan

Penelitian ini tidak menggunakan semua variabel yang terdapat pada data yang digunakan, beberapa variabel yang digunakan dalam penelitian yaitu variabel nama, variabel nilai kejuruan TKJ, variabel nilai kejuruan TBSM, variabel nilai Kejuruan OTKP, dan varibale nilai Kejuruan AKL. Untuk lebih jelasnya dapat dilihat pada Tabel 2. Variabel yang Digunakan.

Tabel 2. Variabel yang Digunakan.

Nama Nilai Kejuruan TKJ

Nilai Kejuruan TBSM

Nilai Kejuruan OTKP

Nilai Kejuruan AKL

Aan Sari 89 88 78 87

... ... ... ... ...

Zeri 74 81 86 85

(5)

42 Jatisi ISSN 2407-4322 Vol. 10, No. 1, Maret 2023, Hal. 38-50 E-ISSN 2503-2933

Kategori Klustering

Penelitian ini dibuat kategori klustering yaitu sebagai berikut:

1. Kelas X TBSM (1, 2, 3, 4, 5, 6, 7, 8) 2. Kelas X TKJ (1, 2, 3, 4, 5, 6, 7, 8) 3. Kelas X OTKP (1, 2, 3, 4, 5) 4. Kelas X AKL (1, 2, 3, 4, 5)

Kriteria Kelas TBSM (Teknik Bisnis Sepeda Motor)

Kriteria Siswa untuk masuk Kelas TBSM (Teknik Bisnis Sepeda Motor) yaitu Siswa yang mendapat Nilai Kejuruan TBSM pada Uji Minat dan Bakat lebih besar dari 75

Kriteria Kelas TKJ (Teknik Komputer dan Jaringan)

Kriteria Siswa untuk masuk Kelas TKJ (Teknik Komputer dan Jaringan) yaitu Siswa yang mendapat Nilai Kejuruan TKJ pada Uji Minat dan Bakat lebih besar dari 75

Kriteria Kelas OTKP (Otomatisasi Tata Kelola Perkantoran)

Kriteria Siswa untuk masuk Kelas OTKP (Otomatisasi Tata Kelola Perkantoran) yaitu Siswa yang mendapat Nilai Kejuruan OTKP pada Uji Minat dan Bakat lebih besar dari 75 Kriteria Kelas AKL (Akuntansi Keuangan Lembaga)

Kriteria Siswa untuk masuk Kelas AKL (Akuntansi Keuangan Lembaga) yaitu Siswa yang mendapat Nilai Kejuruan AKL pada Uji Minat dan Bakat lebih besar dari 75

Penentuan K algoritma K-Means di RapidMiner

Menentukan berapa banyak jumlah K yang akan digunakan dalam mengelompokan siswa baru sesuai dengan hasil Uji Minat dan Bakat.

1. K ke-satu yaitu 25 dengan Davies Bouldin: -1.268 2. K ke-dua yaitu 26 dengan Davies Bouldin: -1.217 3. K ke-tiga yaitu 27 dengan Davies Bouldin: -1.253 4. K ke-empat yaitu 28 dengan Davies Bouldin: -1.261 5. K ke-lima yaitu 29 dengan Davies Bouldin: -1.257

Menentukan K dilihat nilai Davies Bouldin yang memiliki nilai Terkecil. Dari data diatas maka dapat ditentukan bahwa nilai Davies Bouldin Terkecil yaitu K ke-dua. Proses Penentuan K dapat dijelaskan dengan gambar 3.1 Penentuan K pada Algoritma K-Means di RapidMiner.

(6)

Jatisi ISSN 2407-4322 Vol. 10, No. 1, Maret 2023, Hal. 38-50 E- ISSN 2503-2933 43

Gambar 1. Penentuan K pada Algoritma K-Means di RapidMiner PerformanceVector

Avg. within centroid distance: -27.690

Avg. within centroid distance_cluster_0: -26.131 Avg. within centroid distance_cluster_1: -22.429 Avg. within centroid distance_cluster_2: -28.501 Avg. within centroid distance_cluster_3: -29.243 Avg. within centroid distance_cluster_4: -28.466 Avg. within centroid distance_cluster_5: -30.843 Avg. within centroid distance_cluster_6: -25.489 Avg. within centroid distance_cluster_7: -25.588 Avg. within centroid distance_cluster_8: -26.426 Avg. within centroid distance_cluster_9: -28.135 Avg. within centroid distance_cluster_10: -30.442 Avg. within centroid distance_cluster_11: -23.852 Avg. within centroid distance_cluster_12: -28.490 Avg. within centroid distance_cluster_13: -25.323 Avg. within centroid distance_cluster_14: -27.882 Avg. within centroid distance_cluster_15: -21.040 Avg. within centroid distance_cluster_16: -25.256 Avg. within centroid distance_cluster_17: -28.472

(7)

44 Jatisi ISSN 2407-4322 Vol. 10, No. 1, Maret 2023, Hal. 38-50 E-ISSN 2503-2933

Avg. within centroid distance_cluster_18: -27.238

Avg. within centroid distance_cluster_19: -32.102 Avg. within centroid distance_cluster_20: -29.726 Avg. within centroid distance_cluster_21: -24.205 Avg. within centroid distance_cluster_22: -29.240 Avg. within centroid distance_cluster_23: -23.660 Avg. within centroid distance_cluster_24: -35.342 Avg. within centroid distance_cluster_25: -31.051 Davies Bouldin: -1.217

Hasil Berdasarkan Cluster

Hasil yang diperoleh ketika RapidMiner dijalankan dilihat berdasarkan cluster yang diperoleh yaitu 26 cluster. Bisa dilihat pada Gambar 2. Data Cluster

Gambar 2. Data Cluster Cluster Model

Cluster 0 : 55 items Cluster 1 : 38 items Cluster 2 : 58 items Cluster 3 : 47 items Cluster 4 : 40 items Cluster 5 : 48 items Cluster 6 : 29 items Cluster 7 : 36 items Cluster 8 : 48 items Cluster 9 : 53 items Cluster 10 : 47 items Cluster 11 : 37 items Cluster 12 : 45 items Cluster 13 : 32 items Cluster 14 : 39 items

(8)

Jatisi ISSN 2407-4322 Vol. 10, No. 1, Maret 2023, Hal. 38-50 E- ISSN 2503-2933 45

Cluster 15 : 35 items

Cluster 16 : 37 items Cluster 17 : 41 items Cluster 18 : 50 items Cluster 19 : 41 items Cluster 20 : 33 items Cluster 21 : 46 items Cluster 22 : 43 items Cluster 23 : 37 items Cluster 24 : 49 items Cluster 25 : 41 items Total number of items: 1105

Tabel 2. Contoh Hasil Cluster

ADILA NAJIBATUL ADAWIYAH cluster_0

AGI SEPTIYANA cluster_0

AHMAD ZAELANI cluster_0

ALI TOPAN cluster_0

ALIRA ALIK MAULANA cluster_0

AMANDA cluster_0

AMILUDIN JAELANI cluster_0

ANIM cluster_0

ANNISSA cluster_0

CRYSTIAN MARBUN cluster_0

DEDE ALUNG PRATAMA cluster_0

DEDEN SAPUTRA cluster_0

DENISA SAHARA cluster_0

DEWI AMBARWATI cluster_0

DODI LESMANA cluster_0

EKA SANTOSA cluster_0

FACHRI BUDIONO cluster_0

Tabel 2. Contoh Hasil Cluster (Lanjutan)

FIKA ANDRIANA cluster_0

FITRI INDRIANI cluster_0

GALUH JULIAN PRAMUDYA cluster_0

IMAS NOVIANTI cluster_0

IRPAN WAHYUDIN cluster_0

JEJE JAENAL ARIF cluster_0

JORDY SILOAM OKTAVIA cluster_0

KAHPI KURNIAWAN cluster_0

LASMINI DEWI cluster_0

(9)

46 Jatisi ISSN 2407-4322 Vol. 10, No. 1, Maret 2023, Hal. 38-50 E-ISSN 2503-2933

M. HEGEL MUTAHARI cluster_0

MEGA JAYA MUSTIKASARI cluster_0

MELIANI cluster_0

MUHAMAD GILANG cluster_0

MUHAMMAD SYAHID MAULANA cluster_0

NANA cluster_0

NANA MIHARJA cluster_0

NOPI cluster_0

PEBRIANSYAH cluster_0

RAFLI ABU RAIHAN cluster_0

RENDI SUPRIYADI cluster_0

RISKA NUR FAUZIAH cluster_0

RIZKI FAUZI cluster_0

ROHMAH APRIANI cluster_0

RUDI cluster_0

SHANTY AYU PERMATASARI cluster_0

SILVIA NUR ANGGRAENI cluster_0

SISKA RAHAYU cluster_0

SITI AISYAH cluster_0

SITI JUNIAWATI cluster_0

SITI NURHALIMAH cluster_0

SITI SOPIAH cluster_0

SUPRI TARDIANA cluster_0

SURYADI cluster_0

TASIH cluster_0

VIERE ARIEF HUTAHAEAN cluster_0

VILIA SUGIANSAH cluster_0

WIDYA FEBRYANI cluster_0

WIRANTA cluster_0

Berdasarkan Nilai Kejuruan TBSM

Hasil yang diperoleh ketika RapidMiner dijalankan dilihat berdasarkan Nilai Kejuruan TBSM. Bisa dilihat Gambar 3. Siswa Berdasarkan Nilai Kejuruan TBSM

(10)

Jatisi ISSN 2407-4322 Vol. 10, No. 1, Maret 2023, Hal. 38-50 E- ISSN 2503-2933 47

Gambar 3. Siswa Berdasarkan Nilai Kejuruan TBSM Berdasarkan Nilai Kejuruan TKJ

Hasil yang diperoleh ketika RapidMiner dijalankan dilihat berdasarkan Nilai Kejuruan TKJ. Bisa dilihat pada Gambar 4. Siswa Berdasarkan Nilai Kejuruan TKJ

Gambar 4. Siswa Berdasarkan Nilai Kejuruan TKJ

(11)

48 Jatisi ISSN 2407-4322 Vol. 10, No. 1, Maret 2023, Hal. 38-50 E-ISSN 2503-2933

Berdasarkan Nilai Kejuruan OTKP

Hasil yang diperoleh ketika RapidMiner dijalankan dilihat berdasarkan Nilai Kejuruan OTKP. Bisa dilihat pada Gambar 5. Siswa Berdasarkan Nilai Kejuruan OTKP

Gambar 5. Siswa Berdasarkan Nilai Kejuruan OTKP Berdasarkan Nilai Kejuruan AKL

Hasil yang diperoleh ketika RapidMiner dijalankan dilihat berdasarkan Nilai Kejuruan AKL. Bisa dilihat pada Gambar 6. Siswa Berdasarkan Nilai Kejuruan AKL.

Gambar 6. Siswa Berdasarkan Nilai Kejuruan AKL

(12)

Jatisi ISSN 2407-4322 Vol. 10, No. 1, Maret 2023, Hal. 38-50 E- ISSN 2503-2933 49

4. KESIMPULAN

Hasil Penelitian

1. Dilakukan pencarian nilai K dengan menggunakan aplikasi RapidMiner sebelum melakukan pengolahan data. Diperoleh nilai K terbaik yaitu 26 dengan nilai Davies Bouldin -1.217 2. Dilakukan pengolahan data Siswa Baru SMK PGRI 2 Karawang sebanyak 1105 data, dengan

menggunakan Data Mining Algoritma K-Means Clustering sehingga diperoleh 26 Cluster dari 1105 jumlah data.

Kelebihan Penelitian

1. Dapat menentukan cluster/ kelompok Siswa Baru SMK PGRI 2 Karawang secara transfaran sesuai dengan uji minat dan bakat yang dilakukan.

2. Algoritma K-Means Clustering dapat digunakan untuk menentukan cluster/ kelompok dalam proses pengelompokan siswa sesuai dengan minat dan bakat siswa.

Kekurangan Penelitian

1. Penelitian ini tidak dilakukan perhitungan manual

2. Penelitian ini dapat di implementasikan di tempat penelitian, berbeda kasus jika di implementasikan di tempat lain.

5. SARAN

Saran untuk Tempat Penelitian

Cluster yang diperoleh dari hasil pengolahan data dengan data mining dalam mengelompokan siswa baru sesuai dengan nilai hasil uji minat dan bakat, dapat digunakan oleh SMK PGRI 2 Karawang sebagai salah satu metode untuk mengelompokan siswa baru.

Saran untuk Penelitian Selanjutnya

Algoritma K-Means Clustering dapat digunakan untuk mengelompokan siswa baru sesuai dengan hasil uji minat dan bakat. Saran untuk penelitian selanjutnya yaitu :

1. Penelitian selanjutnya dapat mengembangkan penelitian ini dengan menambahkan perhitungan matematis secara manual untuk mengetahui nilai yang dihasilkan.

2. Penelitian selanjutnya dapat menambah atau mengurangi jumlah data yang digunakan.

DAFTAR PUSTAKA

[1] A. Twin, “Data Mining Data Mining,” Min. Massive Datasets, Vol. 2, No. January 2013,

pp. 5–20, 2005, [Online]. Available:

https://www.cambridge.org/core/product/identifier/CBO9781139058452A007/type/book _part

[2] A. Asroni and R. Adrian, “Penerapan Metode K-Means Untuk Clustering Mahasiswa Berdasarkan Nilai Akademik Dengan Weka Interface Studi Kasus pada Jurusan Teknik Informatika UMM Magelang,” Semesta Tek., Vol. 18, No. 1, pp. 76–82, 2016, doi:

10.18196/st.v18i1.708.

[3] Aprilla Dennis, “Belajar Data Mining dengan RapidMiner,” Innov. Knowl. Manag. Bus.

Glob. Theory Pract. Vols 1 2, Vol. 5, No. 4, pp. 1–5, 2013, [Online]. Available:

http://esjournals.org/journaloftechnology/archive/vol1no6/vol1no6_6.pdf%5Cnhttp://ww

(13)

50 Jatisi ISSN 2407-4322 Vol. 10, No. 1, Maret 2023, Hal. 38-50 E-ISSN 2503-2933

w.airccse.org/journal/nsa/5413nsa02.pdf

[4] M. N. Sutoyo, “Algoritma K-Means,” No. 1, pp. 1–7, 2009.

[5] W. Dhuhita, “Clustering Menggunakan Metode K-Mean Untuk Menentukan Status Gizi Balita,” J. Inform. Darmajaya, Vol. 15, No. 2, pp. 160–174, 2015.