View of ANALISIS KUALITAS JARINGAN INTERNET DAN NIAT BELAJAR MAHASISWA MENGGUNAKAN K-MEANS CLUSTERING

(1)

376

ANALISIS KUALITAS JARINGAN INTERNET MAHASISWA DAN NIAT PERKULIAHAN BERBASIS DARING MAHASISWA UNIVERSITAS KRISTEN

SATYA WACANA

Christian Imanuel Lendo¹⁾, Dian Chandra ²⁾

1,2 Teknik Informatika, Fakultas Teknologi Informasi, Universitas Kristen Satya Wacana email: [email protected], [email protected]

Abstract

Student internet networks in online-based lectures during covid-19 yesterday were a must-have for students.

This research has the aim of providing awareness of Satya Wacana Christian University Faculty of Information Technology data collection about the effect of internet quality on student learning intentions which can be analyzed with technology using K-Means Clustering. K-Means Clustering is used to group data sets into several clusters. Data features in the form of an internet network quality scale based on perceived service quality and student learning intentions obtained from Satya Wacana Christian University students, Faculty of Information Technology, Informatics Engineering study program through distributing questionnaires. The results of the questionnaire in the form of numbers on a Lickert scale are used in RapidMiner for clustering using K-Means Clustering. The results of the analysis on the student data studied have 37 data having many clusters k = 4 obtained using Elbow Method. Of the student correspondents who have good internet quality, namely C2 by 27.02% and C4 by 8.1%, only 3 correspondents or 8.1% of the total data have good learning intentions. While the results of students internet quality are poor, students study intentions are not significant because the difference in data between C1 and C3 is only a little. The results of C1, namely students who have poor internet quality and poor learning intentions, are only 11 correspondents or 29,72% of the total data while C3, which includes students who have poor internet quality but have good learning intentions, is 13 correspondents or 35.13% of total data. Based on this research, K-Means Clustering can be used to group students in viewing and making decisions online learning.

Keywords: K-Means, Clustering, Cluster, Data, Internet Connection.

1. PENDAHULUAN

Jaringan internet merupakan komponen yang sangat penting di era perkembangan teknologi informasi saat ini. Internet juga mempermudah mahasiswa untuk belajar memperoleh ilmu terlebih dimasa Covid-19 yang menyebabkan pendidik serta mahasiswa untuk melakukan pembelajaran yang bersifat daring[1].

Pada masa Corona Virus 2019 mengubah cara hidup masyarakat terlebih khusus mahasiswa – mahasiswi yang ada di Indonesia.

Dunia pendidikan pada akhirnya harus beradaptasi sesuai dengan surat Edaran Pemerintah No 4 Tahun 2020 yang memberikan petunjuk belajar bagi institusi pendidikan dasar hingga pendidikan tingkat tinggi[2],[3].

Proses perkuliahan mahasiswa yang berubah dari luring atau luar jaringan yang merupakan proses tatap muka secara langsung beralih ke daring atau dalam jaringan yang merupakan proses pembelajaran menggunakan jaringan internet [4].

Jaringan internet menjadi syarat yang krusial dan mengharuskan mahasiswa – mahasiswi untuk mempunyai koneksi jaringan internet yang memadai agar supaya dapat mengikuti kegiatan perkuliahan daring baik menggunakan sarana konferensi kelas online seperti zoom, google meet serta sarana managemen pembelajaran seperti google classroom, microsoft teams, moodle, dll[5].

Jaringan internet menjadi faktor keharusan bagi mahasiswa untuk dimiliki di masa Corona Virus

(2)

377

2019 kemarin[6]. Menurut Google Meet Support minimum bandwidth untuk konfrensi suara memerlukan 18 Kbps dan untuk konferensi dengan video sebesar 1Mbps. Kualitas jaringan internet koresponden dapat diukur dari sudut pandang pengguna berdasarkan kualitas layanan yang mereka rasakan (Quality of Experience) maupun dari sudut pandang penyelenggara layanan internet[7].

Pengumpulan fitur data serta analisis K- Means mengenai kualitas jaringan internet dan niat perkuliahan melalui pertanyaan kuisioner terhadap kegiatan perkuliahan hybrid dengan studi kasus mahasiswa – mahasiswi program studi teknik informatika angkatan 2020 ini sangat berguna untuk menganalisis apakah kualitas internet pada masa pembelajaran daring dapat mempengaruhi niat perkuliahan mahasiswa atau tidak[8],[9],[10].

Penggunaan K-Means Clustering bertujuan untuk menganalisa data serta mengelompokkan (clustering) data kedalam beberapa cluster yang telah ditentukan dengan menggunakan elbow method[11],[12],[13].

Elbow Method digunakan untuk menentukan jumlah cluster pada satu set data dengan melihat grafik yang ada. Grafik diperoleh dari perhitungan Sum Square Error (SSE)[14]. K- Means Clustering digunakan karena algoritma ini memiliki ketelitian yang cukup tinggi terhadap ukuran objek, sehingga algoritma ini relatif lebih terukur dan efisien untuk pengolahan objek dalam jumlah besar dan urutan objek tidak berpengaruh pada algoritma K-Means[15],.

2. METODE PENELITIAN

Metode yang digunakan dalam penelitian ini adalah metode penelitian kualitatif. Dalam melakukan penelitian ini, akan menggunakan K- Means Clustering untuk mengelompokkan data dari kuisioner mahasiswa yang telah dikumpulkan melalui GoogleForm kedalam beberapa cluster. Data kuisioner berisikan tentang data kualitas internet mahasiswa dan niat perkuliahan mahasiswa. Penelitian yang akan dilakukan oleh peneliti terbagi dalam beberapa tahap seperti berikut: tahap identifikasi masalah,

tahap pengumpulan data, tahap pengujian data, tahap pengolahan data, tahap clustering data dan tahap analisa hasil seperti pada gambar 1.

Gambar 1 Tahapan Penelitian

2.1. Identifikasi Masalah

Dalam konteks ini terkait dengan niat mahasiswa dalam mengikuti kegiatan perkuliahan pada masa corona virus apakah dipengaruhi oleh kualitas jaringan internet yang mereka miliki. Setiap mahasiswa memiliki kualitas jaringan internet yang berbeda seperti, memiliki internet tetapi dengan kecepatan yang tidak memadai, memiliki jaringan internet dengan kecepatan jaringan yang cepat dan optimal, ataupun tidak memiliki jaringan internet sama sekali[16]. Hal ini mungkin akan memiliki hubungan atau mempengaruhi niat mahasiswa dalam mengikuti kegiatan perkuliahan.

(3)

378

2.2. Pengumpulan Data

Tahap selanjutnya adalah tahap pengumpulan data mahasiswa dalam studi kasus ini yaitu mahasiswa Fakultas Teknologi Informasi Universitas Kristen Satya Wacana angkatan 2020 yang merasakan langsung dampak dari perkuliahan dengan sistem daring. Pengumpulan data mahasiswa dilakukan dengan menyebarkan GoogleForm kepada responden yang terkait dengan pertanyaan yang meliputi kualitas internet dan niat perkuliahan mahasiswa dalam perkuliahan daring. Hasil dari pertanyaan yang disebarkan melalui GoogleForm ini berupa angka yang nanti akan digunakan pada tahap clustering[17],[18].

2.3. Pengolahan data

Tahap pengolahan data, data yang didapat berupa data kuantitatif yang akan dimasukkan kedalam RapidMiner untuk proses clustering. Data yang terkumpul di atur melalui excel sehingga di dapatkan data yang teratur dan tidak kosong atau data yang memiliki nilai jawaban tidak sesuai hingga data siap diproses dengan K-Means Clustering[19].

2.4. Tahap Clustering

Tahap clustering dikelompokkan dengan menggunakan K-Means Clustering sehingga terbentuk cluster data yang sesuai. Perangkat lunak atau software yang digunakan dalam membantu tahapan clustering yaitu RapidMiner[20].

2.4. Analisa Hasil

Terakhir, hasil dari K-Means clustering akan di analisa dan digambarkan secara deskriptif.

3. HASIL DAN PEMBAHASAN

Dalam penelitian ini, data berasal dari formulir GoogleForm yang disebarkan ke seluruh mahasiswa Universitas Kristen Satya Wacana, Fakultas Teknologi Informasi dengan konsentrasi Program Studi Teknik Informatika yang berfokus pada angkatan 2020. Pada formulir yang disebarkan terdapat data berupa dua skala 1-5 disetiap pertanyaan sesuai dengan 2 atribut utama dari penelitian ini, yaitu kualitas jaringan internet mahasiswa dan niat perkuliahan mahasiswa yang nanti akan digunakan untuk melihat apakah ada pengaruh dari jaringan internet terhadap niat perkuliahan mahasiswa. Skala pertama dari pertanyaan membahas tentang kualitas internet mahasiswa dengan hasil skala pertama yaitu jumlah nilai keseluruhan dari hasil setiap pertanyaan skala pertama. Sedangkan skala kedua membahas niat perkuliahan mahasiswa selama perkuliahan daring dengan hasil skala kedua yaitu hasil setiap pertanyaan skala kedua yang dijumlahkan nilainya.

Koresponden yang ada dalam penelitian ini berjumlah 37 mahasiswa angkatan 2020, Fakultas Teknologi Informasi, Program Studi Teknik Informatika dari Universitas Kristen Satya Wacana. Pada gambar 4 merupakan data dari GoogleForm yang memiliki dua skala pertanyaan, yaitu pertanyaan – pertanyaan mengenai kualitas internet mahasiswa dan skala kedua mengenai niat perkuliahan mahasiswa. Terdapat lima pertanyaan pada skala pertama juga lima pertanyaan pada skala kedua serta hasil penjumlahan dari skala pertanyaan pertama dan skala pertanyaan kedua. Jadi keseluruhan pertanyaan berjumlah 10 yang diisi oleh 37 mahasiswa.

Tabel 1. Data Kualitas Internet dan Niat Belajar Mahasiswa Kores-

ponden Q1 Q2 Q3 Q4 Q5 Sum

S1 (x) Q6 Q7 Q8 Q9 Q10 Sum

S2 (y)

1 2 2 2 2 2 10 4 5 3 4 5 21

2 5 5 4 5 4 23 5 5 5 5 5 25

3 1 4 1 1 1 8 3 1 3 3 3 13

(4)

379

4 2 4 2 2 5 15 5 5 2 5 5 22

5 4 3 4 3 4 18 4 4 4 4 3 19

6 4 4 2 2 2 14 5 3 3 5 4 20

7 2 4 2 1 5 14 3 3 4 5 3 18

8 3 4 4 4 5 20 4 2 2 4 3 15

9 3 4 4 3 5 19 5 2 2 3 2 14

10 5 2 5 5 4 21 4 4 3 4 5 20

11 3 3 3 3 3 15 4 4 4 4 4 20

12 4 4 4 4 2 18 4 5 5 4 4 22

13 3 5 2 3 5 18 4 5 4 4 5 22

14 2 3 1 2 3 11 4 4 5 3 3 19

15 5 5 5 5 2 22 4 2 5 2 5 18

16 4 4 4 4 4 20 4 4 4 4 4 20

17 2 3 4 4 4 17 5 5 2 4 4 20

18 5 3 5 5 5 23 5 5 1 5 1 17

19 4 5 1 1 1 12 5 5 1 1 5 17

20 3 3 3 4 5 18 3 5 5 3 3 19

21 5 3 3 5 4 20 5 5 5 1 3 19

22 3 3 4 4 5 19 3 3 1 3 2 12

23 3 3 4 5 5 20 5 4 3 4 5 21

24 3 4 3 2 5 17 5 4 3 4 1 17

25 3 5 5 4 2 19 5 4 3 3 3 18

26 3 4 4 5 5 21 5 3 4 5 4 21

27 3 4 3 2 4 16 5 4 3 5 3 20

28 2 3 4 4 2 15 4 4 2 4 4 18

29 4 5 4 5 5 23 5 5 5 4 3 22

30 5 5 5 5 4 24 5 5 5 5 5 25

31 4 3 4 4 4 19 5 5 5 4 3 22

32 5 5 3 3 3 19 5 5 3 3 3 19

33 2 4 3 2 1 12 2 2 3 3 4 14

34 2 4 5 2 5 18 5 5 3 5 3 21

35 3 2 4 3 1 13 5 5 5 5 5 25

36 4 4 4 4 4 20 3 3 3 3 3 15

(5)

380

37 3 3 2 5 5 18 3 2 5 5 2 17

Perhitungan dari K-Means Clustering dilakukan dengan langkah – langkah berikut :

1. Menentukan jumlah cluster

Jumlah cluster yang digunakan pada penelitian data pengaruh jaringan internet terhadap niat perkuliahan mahasiswa sebanyak empat cluster yang didapatkan dari 2 skala yaitu skala kualitas internet dan skala niat belajar mahasiswa seperti yang digambarkan pada tabel 1.

Terdapat empat cluster yang dibuat sesuai dengan kategori masing – masing yang sesuai dengan gambar 4 dan dibuat sesuai dengan skala pertanyaan yang ada.

Cluster Kategori

C1 = Mahasiswa mempunyai

kualitas internet buruk dan memiliki niat belajar buruk

C2 =

Mahasiswa mempunyai kualitas internet buruk dan memiliki niat belajar tinggi

C3 =

Mahasiswa mempunyai kualitas internet buruk dan memiliki niat belajar baik

C4=

Mahasiswa mempunyai kualitas internet baik dan memiliki niat belajar baik Tabel 3. Kategori Cluster

2. Menentukan centroid

Menentukan centroid awal yang dipilih secara acak. Dimana centroid awal dalam penelitian ini ditentukan secara acak berdasarkan data yang tersedia sebanyak K cluster yang diatur didalam aplikasi RapidMiner sesuai dengan tabel 3.

Jumlah iterasi yang dilakukan oleh aplikasi RapidMiner hingga tidak ditemukan perubahan dalam data pada setiap cluster berjumlah 51 iterasi.

Tabel 4. Tabel centroid awal.

Cluster Skala 1 (x) Skala 2 (x)

C1 20.4 21.9

C2 14.0 20.3

C3 19.3 16.8

C4 10.6 14.6

Hasil dari perhitungan jarak diatas didapatkan dengan menggunakan rumus Euclidean Distance.

Didapatkan dari menghitung jarak titik centroid cluster dengan titik data ke-n dengan menggunakan data pertama atau n=1 seperti berikut :

𝑑 = √(10 − 20.4)²+ (21 − 21.9)²

= 108.91

𝑑 = √(10 − 14)²+ (21 − 20.3)²

= 16.49

𝑑 = √(10 − 19.3)²+ (21 − 16.8)²

= 90.69

𝑑 = √(10 − 10.6)²+ (21 − 14.6)²

= 41.32

Selanjutnya tetap lakukan perhitungan dengan rumus Euclidean Distance pada data ke-2 sampai data ke-37. Selanjutnya data dikelompokkan ke dalam cluster yang memiliki hasil jarak minimum.

Tabel 5. Hasil Jarak Minimum.

Cluster Avg Distance

C1 108.91

Tabel 2. Profil Mahasiswa

(6)

381

C2 16.49

C3 90.69

C4 41.32

Hasil C2

Scatter plot pada gambar 4 menunjukkan jumlah skala pertama yaitu kualitas jaringan internet sebagai sumbu x dan jumlah skala kedua yaitu niat belajar sebagai sumbu y. Dari Scatter plot tersebut didapati informasi bahwa C1 berwarna merah, C2 berwarna hitam, C3 berwarna hijau dan C4 berwarna biru.

Gambar 2. Hasil Scatter Plot.

Tabel 6. Hasil Clustering.

Koresponden Sum S1 (x)

Sum

S2 (y) cluster

1 10 21 C2

2 23 25 C1

3 8 13 C4

4 15 22 C2

5 18 19 C3

6 14 20 C2

7 14 18 C2

8 20 15 C3

9 19 14 C3

10 21 20 C1

11 15 20 C2

12 18 22 C1

13 18 22 C1

14 11 19 C2

15 22 18 C3

16 20 20 C1

17 17 20 C2

18 23 17 C3

19 12 17 C4

20 18 19 C3

21 20 19 C3

22 19 12 C3

23 20 21 C1

24 17 17 C3

25 19 18 C3

26 21 21 C1

27 16 20 C2

28 15 18 C2

29 23 22 C1

30 24 25 C1

31 19 22 C1

32 19 19 C3

33 12 14 C4

34 18 21 C1

35 13 25 C2

36 20 15 C3

37 18 17 C3

Total Cluster

C1 11

C2 10

(7)

382

C3 13

C4 3

Berdasarkan hasil K-Means Clustering yang dijalankan di aplikasi RapidMiner, didapati bahwa cluster 1 berisi 11 data atau 29.72% dari total 37 data keseluruhan, selanjutnya untuk cluster 2 berisi 10 data atau 27.02% untuk cluster 3 berisi 13 data atau 35.13% dan cluster 4 berisi 3 data atau 8.1%. Cluster 1 berjumlah 11 mahasiswa dengan kualitas internet buruk dan niat belajar buruk, cluster 2 berjumlah 10 mahasiswa dengan kualitas internet baik tetapi memiliki niat belajar buruk, cluster 3 berjumlah 13 mahasiswa dengan kualitas internet buruk tetapi mempunyai niat belajar yang baik, dan cluster 4 berjumlah 3 mahasiswa dengan kualitas internet baik serta mempunyai niat belajar yang baik. Algoritma K-Means Clustering yang digunakan pada penelitian ini, dapat digunakan secara baik untuk mengelompokkan data atau clustering data pengukuran niat dan kualitas jaringan internet mahasiswa Universitas Kristen Satya Wacana.

4. KESIMPULAN

Dapat ditarik kesimpulan dari penelitian K-Means Clustering, data kualitas internet mahasiswa dan niat belajar perkuliahan mahasiswa yang dikelompokkan dalam empat cluster. Dari koresponden mahasiswa yang memiliki kualitas internet baik yaitu C2 dan C4 hanya 3 koresponden atau 8.1% dari total data yang memiliki niat belajar yang baik. Sementara hasil dari kualitas internet mahasiswa buruk, niat perkuliahan mahasiswa tidaklah signifikan karena selisih data antara C1 dan C3 hanya sedikit saja. Hasil C1 yaitu mahasiswa yang memiliki kualitas internet buruk serta niat belajar buruk hanya 11 koresponden atau 29.72% dari total data sedangkan C3 yaitu mahasiswa yang memiliki kualitas internet buruk tetapi memiliki niat belajar baik ada 13 koresponden atau 35.13%

dari total data. Dikhawatirkan apabila data dari C1 diberikan solusi terhadap kualitas internet yang buruk, koresponden C1 akan mempunyai

kecenderungan untuk terbagi perhatiannya dan masuk kedalam C2 tetapi internet buruk juga menyebabkan penurunan niat perkuliahan koresponden.

Berdasarkan penelitian ini, K-Means Clustering dapat digunakan untuk melakukan pengelompokkan pada data mahasiswa Universitas Kristen Satya Wacana Fakultas Teknologi Informasi dalam melihat dan mengambil keputusan pada pembelajaran daring atau online.

5. REFERENSI

[1] Z. Lassoued, M. Alhendawi, and R.

Bashitialshaaer, “education sciences An Exploratory Study of the Obstacles for Achieving Quality in Distance Learning during the,” Educ. Sci., vol. 10, pp. 1–13, 2020.

[2] H. Djafar, M. Farhan, M. Khaeirunnisa, N. Padila, and A. Basir, “Dampak pembelajaran daring dan luring pada mahasiswa,” Educ. Leadersh., vol. 2, no.

1, pp. 100–109, 2022.

[3] S. Herwanto and D. Hatmo, “Dampak Pandemi Covid-19 Terhadap Efektivitas Pembelajaran Jarak Jauh Secara Daring,”

Sch. J. Pendidik. dan Kebud., vol. 11, no.

2, pp. 115–122, 2021.

[4] M. Pandemi and R. Fadhillah,

“Penggunaan Teknologi dan Internet sebagai Media,” 2020.

[5] Y. S. Nugroho, L. Anifah, E. Sulistiyo, S.

Cahyaningtias, and Rifqi Firmansyah,

“Analysis of Learning Quality With Internet-Based Distance Learning During the COVID-19 Pandemic,” IJORER Int.

J. Recent Educ. Res., vol. 2, no. 1, pp. 96–

110, 2021, doi: 10.46245/ijorer.v2i1.81.

[6] E. W. Pratiwi, “Dampak Covid-19 Terhadap Kegiatan Pembelajaran Online Di Sebuah Perguruan Tinggi Kristen Di Indonesia,” Perspekt. Ilmu Pendidik., vol.

34, no. 1, pp. 1–8, 2020, [Online].

Available:

http://journal.unj.ac.id/unj/index.php/pip/

article/view/14921

(8)

383

[7] M. Safri, “Analisa Faktor Kualitas Layanan Wi-fi Di Universitas Abdurab Menggunakan Variabel Quality Of Experience (QoE),” 2021, [Online].

Available:

http://repository.uir.ac.id/id/eprint/8896%

0Ahttps://repository.uir.ac.id/8896/1/163 510144.pdf

[8] M. M. E. I. Bali and F. Hasanah,

“Aksentuasi Disiplin Belajar Mahasiswa dalam Moda Hybrid Learning di Era Pandemi Covid-19: Persepsi Pendidik,” J.

Basicedu, vol. 6, no. 3, pp. 4210–4219, 2022, doi: 10.31004/basicedu.v6i3.2800.

[9] A. Widiyono, “Efektifitas Perkuliahan Daring (Online) pada Mahasiswa PGSD di Saat Pandemi Covid 19,” J. Pendidik., vol. 8, no. 2, pp. 169–177, 2020, doi:

10.36232/pendidikan.v8i2.458.

[10] A. Pratiwi, “Pengaruh Kuliah Daring Terhadap Efektivitas Pembalajaran Mahasiswa di Masa Pandemi Covid-19 Pada Mahasiswa Fakultas Ekonomi dan Bisnis Universitas Muhammadiyah Makassar (Studi Kasus Pada Program Studi Manajemen),” 2021, [Online].

Available:

https://digilibadmin.unismuh.ac.id/upload /28188-Full_Text.pdf

[11] Sugiono, S. Nurdiani, S. Linawati, R. A.

Safitri, and E. P. Saputra,

“Pengelompokan Perilaku Mahasiswa Pada Perkuliahan E-Learning dengan K- Means Clustering,” J. Kaji. Ilm., vol. 19, no. 2, pp. 126–133, 2019.

[12] V. A. Permadi, S. P. Tahalea, and R. P.

Agusdin, “K-Means and Elbow Method for Cluster Analysis of Elementary School Data,” Prog. Pendidik., vol. 4, no. 1, pp.

50–57, 2023, doi:

10.29303/prospek.v4i1.328.

[13] H. Humaira and R. Rasyidah,

“Determining The Appropiate Cluster Number Using Elbow Method for K- Means Algorithm,” 2020, doi:

10.4108/eai.24-1-2018.2292388.

[14] R. Nainggolan, R. Perangin-Angin, E.

Simarmata, and A. F. Tarigan, “Improved the Performance of the K-Means Cluster Using the Sum of Squared Error (SSE) optimized by using the Elbow Method,” J.

Phys. Conf. Ser., vol. 1361, no. 1, 2019, doi: 10.1088/1742-6596/1361/1/012015.

[15] F. Indriyani and E. Irfiani, “Clustering Data Penjualan pada Toko Perlengkapan Outdoor Menggunakan Metode K- Means,” JUITA J. Inform., vol. 7, no. 2,

p. 109, 2019, doi:

10.30595/juita.v7i2.5529.

[16] M. Fikri, M. Zaki Ananda, N. Faizah, R.

Rahmani, and S. Adelia Elian, “Kendala dalam Pembelajaran Jarak Jauh di Masa Pandemi Covid-19: Sebuah Kajian Kritis,” J. Educ. Dev., vol. 9, no. 1, pp.

145–148, 2021, [Online]. Available:

https://doi.org/10.1016/jjheduc.2013.06.0 0

[17] Y. Prasenja, “PENERAPAN DATA MINING UNTUK KLASIFIKASI PRODUK MERK BATA,” J. Bimbing.

dan Konseling, vol. 07, no. 1, pp. 53–60, 2021.

[18] I. Pusvitaningrum, “Analisis Data Argumen Tentang Penerapan Kebijakan Sistem Zonasi Pada Pendaftaran Sekolah Dengan Menggunakan K-Means Clustering,” J. Buana Inform., vol. 11, no.

2, pp. 74–83, 2020, doi:

10.24002/jbi.v11i2.3575.

[19] M. A. Syakur, B. K. Khotimah, E. M. S.

Rochman, and B. D. Satoto, “Integration K-Means Clustering Method and Elbow Method for Identification of the Best Customer Profile Cluster,” IOP Conf. Ser.

Mater. Sci. Eng., vol. 336, no. 1, 2018, doi: 10.1088/1757-899X/336/1/012017.

[20] D. O. Dacwanda and Y. Nataliani,

“Implementasi k-Means Clustering untuk Analisis Nilai Akademik Siswa Berdasarkan Nilai Pengetahuan dan Keterampilan,” Aiti, vol. 18, no. 2, pp.

125–138, 2021, doi:

10.24246/aiti.v18i2.125-138.