Klasterisasi Konsentrasi Keahlian Siswa SMK Berdasarkan Kurikulum Merdeka
Firman Sukmayadi*, Alamsyah Firdaus, Christina Juliane Program Magister Sistem Informasi, STMIK LIKMI, Bandung, Indonesia
Email: 1,*[email protected], 2[email protected], 3[email protected] Email Penulis Korespondensi: [email protected]
Abstrak−Proses penentuan konsentrasi keahlian yang dilakukan di SMK YPC Tasikmalaya memiliki kekurangan seperti mengambil keputusan berdasarkan keinginan peserta didik tanpa memperhatikan nilai akademik pada jenjang pendidikan sebelumnya. Sehingga ada sebagian peserta didik yang merasa kurang tepat dalam memilih konsentrasi keahlian, mengakibatkan kurangnya kompetensi yang dimiliki peserta didik dengan konsentrasi keahlian yang dipilih. Pemilihan konsentrasi keahlian merupakan hak setiap peserta didik, namun jika salah dapat menyebabkan turunnya motivasi belajar dan rendahnya prestasi belajar. Masalah ini dapat diselesaikan dengan menggunakan metode clustering dengan algoritma K-Means.
Penelitian ini bertujuan untuk mengelompokkan minat peserta didik dalam memilih konsentrasi keahlian di SMK YPC Tasikmalaya berdasarkan Kurikulum Merdeka. Hasil penelitian menunjukkan bahwa pengelompokan minat peserta didik dalam memilih konsentrasi keahlian terbentuk menjadi 4 cluster. Cluster yang anggotanya paling banyak adalah cluster 0, yaitu peserta didik yang memiliki nilai rata-rata Matematika 79, kemudian Bahasa Indonesia dan Bahasa Inggris 83. Selanjutnya cluster dengan jumlah anggota paling sedikit adalah cluster 2, yaitu peserta didik yang memiliki nilai rata-rata 78 Matematika dan Bahasa Inggris, kemudian Bahasa Indonesia 79.
Kata Kunci: Data Mining; Klasterisasi; Konsentrasi Keahlian; Algoritma K-Means
Abstract−The process of determining the concentration of expertise carried out at the YPC Tasikmalaya Vocational School has shortcomings such as making decisions based on the wishes of students without paying attention to academic grades at the previous level of education. So that there are some students who feel it is not right in choosing the concentration of expertise, resulting in a lack of competence possessed by students with the concentration of expertise selected. The choice of concentration of expertise is the right of every student, but if it is wrong it can cause a decrease in learning motivation and low learning achievement. This problem can be solved by using clustering method with K-Means algorithm. This study aims to classify students' interests in choosing a concentration of expertise at YPC Tasikmalaya Vocational School based on the Merdeka Curriculum. The results showed that the grouping of students' interests in choosing the concentration of expertise was formed into 4 clusters. The cluster with the most members is cluster 0, namely students who have an average score of 79 Mathematics, then Indonesian and English 83. Furthermore, the cluster with the least number of members is cluster 2, namely students who have an average score of 78 Mathematics and English, then Indonesian 79.
Keywords: Data Mining; Clustering; Expertise Concentration; K-Means Algorithm
1. PENDAHULUAN
SMK YPC Tasikmalaya memiliki beberapa konsentrasi keahlian antara lain Teknik Komputer Jaringan (TKJ), Teknik Kendaraan Ringan Otomotif (TKRO), Rekayasa Perangkat Lunak (RPL), Teknik dan Bisnis Sepeda Motor (TBSM), Multimedia (MM), Desain Pemodelan dan Informasi Bangunan (DPIB) dan Teknik Elektronika Industri (TEKLIN). Capaian pembelajaran pada tingkat konsentrasi keahlian merupakan kompetensi minimal dalam keahlian tersebut. Dalam pelaksanaan Kurikulum Merdeka, terdapat kelompok mata pelajaran kejuruan yang fungsinya mengkualifikasikan individu peserta didik agar memiliki pemahaman ilmu pengetahuan, teknologi, seni dan budaya serta memiliki kompetensi untuk memenuhi kebutuhan dunia kerja. Dengan demikian, peserta didik harus memiliki konsentrasi keahlian yang sesuai dengan minat yang dipilihnya. Minat adalah sikap terus menerus yang mampu membuat pola perhatian seseorang sehingga menjadi selektif terhadap objek yang diminatinya [1].
Tujuan peminatan adalah mengarahkan peserta didik dalam mengembangkan kompetensi dan keterampilan untuk mempersiapkan memasuki dunia kerja atau melanjutkan pendidikan [2].
Pemilihan konsentrasi keahlian yang tepat diharapkan dapat memaksimalkan potensi dan bakat, sehingga setiap peserta didik dapat mencapai nilai akademik yang maksimal. Namun, ketika pemilihan konsentrasi keahlian tidak tepat, peserta didik dapat kehilangan peluang yang baik di masa depan [3]. Pemilihan jurusan merupakan hak setiap peserta didik, namun kesalahan dalam memilih jurusan dapat menyebabkan turunnya motivasi belajar dan rendahnya prestasi belajar. Masalah ini dapat diselesaikan dengan menggunakan metode clustering dengan algoritma K-Means [4]. Proses penentuan konsentrasi keahlian yang dilakukan di SMK YPC Tasikmalaya memiliki kekurangan antara lain berdasarkan keinginan peserta didik tanpa memperhatikan nilai akademik pada jenjang pendidikan sebelumnya. Sehingga ada sebagian peserta didik yang merasa kurang tepat dalam memilih konsentrasi keahlian, mengakibatkan kurangnya kompetensi yang dimiliki peserta didik dengan konsentrasi keahlian yang dipilih.
Suatu informasi yang strategis dapat digali dan digunakan untuk menentukan konsentrasi keahlian peserta didik dengan menerapkan metode clustering dalam data mining [3]. Analisis pengelolaan data menjadi informasi dapat menerapkan metode data mining untuk memberikan pengetahuan [5]. Data mining menggambarkan proses pengumpulan data yang bertujuan untuk mendapatkan pola yang tidak diketahui dari suatu kumpulan data [6].
Data mining juga dapat diartikan sebagai proses menemukan informasi yang berguna secara otomatis [7] dari potongan besar data yang membantu dalam pengambilan keputusan [8]. Pemanfaatan data mining dapat menjadi solusi untuk mengolah data menjadi sumber informasi yang strategis dan pengetahuan yang berkualitas dengan mengelompokkan konsentrasi keahlian peserta didik di SMK YPC Tasikmalaya.
Pengelompokan data nilai peserta didik SMA untuk memilih jurusan menggunakan algoritma Fuzzy C- Means dapat membantu dan meningkatkan akurasi pemilihan jurusan atau pemilihan konsentrasi sebesar 72% [9].
Penelitian terkait sebelumnya adalah proses peminatan jurusan peserta didik berdasarkan kurikulum di SMAN 1 Natar, bertujuan untuk menentukan jurusan yang akan diambil peserta didik sesuai dengan latar belakang, minat dan kemampuannya. Metode data mining yang digunakan adalah klasifikasi dengan algoritma C4.5 dan Naïve Bayes [2]. Perbedaan dengan penelitian ini terletak pada metode data mining dan kurikulum yang diterapkan.
Dalam penelitian ini, konsentrasi keahlian peserta didik dikelompokkan berdasarkan minat yang dipilihnya menggunakan algoritma K-Means. Selain itu, penelitian tentang clustering pada sistem pemilihan jurusan di SMK Swasta Harapan Baru menggunakan algoritma K-Means. Hasil penelitian menyatakan bahwa proses clustering dalam pemilihan jurusan dapat membantu peserta didik dalam memilih jurusan dan dapat menghindari kesalahan dalam memilih jurusan [4].
Penelitian ini bertujuan untuk mengelompokkan minat peserta didik dalam memilih konsentrasi keahlian di SMK YPC Tasikmalaya berdasarkan Kurikulum Merdeka. Metode data mining yang digunakan dalam penelitian ini adalah metode clustering dengan algoritma K-Means. Metode K-Means clustering bertujuan untuk membagi data menjadi beberapa kelompok [10] yang mendukung pengambilan keputusan dalam mengatasi masalah pengolahan data menjadi strategi sumber informasi [11]. Dengan demikian, hasil penelitian diharapkan dapat memberikan informasi strategis dan pengetahuan yang berkualitas, sehingga dapat mendukung pengambilan keputusan bagi peserta didik ketika memilih konsentrasi keahlian dan memudahkan pihak sekolah untuk mengarahkan dan menentukan konsentrasi keahlian peserta didik yang tepat.
2. METODOLOGI PENELITIAN
2.1 Tahapan Penelitian
Metode pengumpulan data yang digunakan dalam penelitian ini adalah studi kepustakaan yang mempelajari penelitian sebelumnya tentang data mining dan metode-metodenya sebagai dasar penelitian ini. Dalam penelitian ini, beberapa tahapan dilakukan agar penelitian sesuai dengan tujuan dan tahapan-tahapannya ditunjukkan pada Gambar 1.
Gambar 1. Tahapan Penelitian
Data penelitian diperoleh dengan observasi dan dokumentasi dari SMK YPC Tasikmalaya. Data yang diperoleh berupa data yang perlu diseleksi dan jumlah data peserta didik yang diperoleh sebanyak 487 dari hasil penerimaan peserta didik baru tahun 2022. Kurikulum Merdeka pertama kali diterapkan pada tahun ajaran 2022/2023 dan sampel data penelitian yang digunakan ditunjukkan pada Tabel 1 yang merupakan daftar beberapa peserta didik SMK YPC Tasikmalaya.
Tabel 1. Sampel Data Peserta Didik
No NISN Jenis
Kelamin
Nilai Rata-Rata
Minat Matematika B.
Indonesia
B. Inggris
1. 0077061515 Laki-laki 72 78 76 DPIB
2. 0067228264 Perempuan 79 82 81 DPIB
3. 0052419042 Laki-laki 84 81 86 MM
4. 0063412879 Perempuan 80 80 84 MM
5. 0062743720 Laki-laki 85 88 88 RPL
6. 0066759185 Perempuan 80 83 83 RPL
7. 0069015735 Laki-laki 76 74 80 TBSM
8. 0075938199 Perempuan 80 84 85 TBSM
9. 0063826791 Laki-laki 84 86 82 TEKLIN
10. 0075857885 Perempuan 84 86 83 TEKLIN
11. 0063002844 Laki-laki 83 84 83 TKJ
12. 0067311622 Perempuan 82 83 82 TKJ
13. 0065877361 Laki-laki 83 85 81 TKRO
14. 0068123830 Perempuan 75 84 81 TKRO
Dari data peserta didik, ditentukan 4 atribut yang akan digunakan yaitu nilai rata-rata Matematika, Bahasa Indonesia, Bahasa Inggris dan Minat. Penentuan atribut didasarkan pada kebutuhan analisis data dan masing- masing atribut yang digunakan didefinisikan dengan nama variabel X1 dan seterusnya sampai atribut terakhir.
Pembersihan data dilakukan ketika informasi tidak jelas atau tidak lengkap. Setelah data dibersihkan, data yang lengkap dipilih dan dimasukkan ke dalam software RapidMiner untuk clustering data.
Analisis data bertujuan untuk menemukan dan mengamati masalah yang muncul, kemudian merumuskan solusi untuk memecahkan masalah yang ada [12]. Pengelompokan konsentrasi keahlian berdasarkan minat memerlukan informasi dan tentang nilai rata-rata setiap peserta didik khususnya pada mata pelajaran Matematika, Bahasa Indonesia dan Bahasa Inggris.
2.2 Data Mining
Data mining adalah langkah analitis dari proses Knowledge Discovery in Database, yang disingkat KDD [13].
Istilah KDD dan data mining sering digunakan secara bergantian untuk menggambarkan informasi yang terkandung dalam database besar [14] dan mendapatkan pengetahuan dalam bentuk pola data yang valid atau hubungan antara data yang sebelumnya tidak diketahui [13]. KDD didefinisikan sebagai ekstraksi informasi potensial, implisit dan tidak diketahui dari data yang terlihat [15]. Data mining adalah proses mendapatkan pola pengetahuan yang menarik dari big data [6]. Big data adalah data yang memiliki volume yang besar sehingga tidak dapat menggunakan alat tradisional biasa dan harus menggunakan cara dan alat baru untuk mendapatkan nilai dari data tersebut [16]. Secara konseptual istilah KDD dan data mining berbeda namun terkait, dan data mining merupakan salah satu tahapan keseluruhan dari proses KDD [14].
Data mining adalah teknik yang relatif cepat dan mudah [13] dengan menggunakan teknik statistik, matematika, kecerdasan buatan, dan pembelajaran mesin [17] untuk menemukan pengetahuan, pola, dan/atau hubungan dalam data [13]. Data mining adalah proses mengekstraksi dan mengidentifikasi informasi dan pengetahuan yang berguna dari database besar [17], bahkan proses penggalian nilai dari data yang tidak diketahui secara manual [18]. Pengetahuan dapat ditemukan melalui lima proses sekuensial yaitu seleksi, preprocessing, transformasi, data mining, dan interpretasi/evaluasi [13].
2.3 Klasterisasi
Clustering adalah kumpulan record yang berbeda dalam cluster lain dan record yang sama dalam satu grup dengan membagi nilai total record ke dalam cluster relatif. Record dalam satu grup memiliki nilai maksimum, sehingga dapat dicocokkan dengan record di grup lain yang memiliki nilai minimum [6]. Perbedaan antara clustering dan klasifikasi adalah tidak adanya variabel target dalam proses clustering [7]. Clustering bersifat homogen. Dengan kata lain, kualifikasi setiap bagian yang memiliki kesamaan dari kumpulan data yang berbeda dan harus menyimpan data yang tidak sama dengan data lainnya [11].
Clustering digunakan untuk membagi kumpulan data menjadi beberapa bagian dengan menganalisis hasilnya untuk memecahkan masalah pengelompokan data [17]. Analisis klaster bertujuan untuk menemukan kelompok objek sedemikian rupa sehingga objek dalam satu kelompok akan serupa (atau terkait) satu sama lain dan objek yang berbeda (atau tidak terkait) dalam kelompok lain [19].
2.4 Algoritma K-Means
Algoritma K-Means adalah metode clustering yang menentukan berapa banyak cluster yang harus dibagi menjadi satu atau lebih cluster berdasarkan analisis kesamaan data dan karakteristiknya [11]. Algoritma K-Means juga
memberikan kemudahan dalam pengelompokan, karena menentukan jumlah cluster yang ditentukan sebelum melakukan analisis [20]. Algoritma K-Means membagi data menjadi beberapa cluster berdasarkan jarak pada atribut numerik dengan sistem partisi dan digunakan untuk mencari pola pada semua variabel (atribut) tanpa target/label/kelas yang ditentukan. Langkah-langkah dari algoritma K-Means adalah sebagai berikut [6]:
1. Tentukan nilai k, atau jumlah cluster dalam dataset.
2. Tentukan nilai titik tengah (centroid). Pada tahap awal nilai centroid ditentukan secara acak, namun pada tahap iteratif digunakan rumus sebagai berikut:
𝑉𝑖𝑗= 1
𝑁𝑖 ∑ 𝑋𝑘𝑗
𝑁𝑖 𝑘=0
(1)
Keterangan:
𝑉𝑖𝑗 = Rerata cluster centroid pertama dari variabel j 𝑁𝑖 = Jumlah anggota cluster i
𝑖, 𝑗 = Indeks cluster 𝑗 = Indeks variabel
𝑋𝑘𝑗 = Nilai data ke k variabel ke j untuk cluster
3. Menghitung jarak antara centroid dan setiap titik dalam ruang Euclidean sebagai jarak garis lurus antara dua titik, menggunakan rumus berikut:
𝐷𝑒 = √(𝑥𝑖− 𝑠𝑖)2+ (𝑦𝑖− 𝑡𝑖)2 (2)
Keterangan:
𝐷𝑒 = Euclidean Distance 𝑖 = Jumlah objek (𝑥, 𝑦) = Koordinat objek (𝑠, 𝑡) = Koordinat centroid
4. Mengelompokkan objek berdasarkan jaraknya dari centroid terdekat.
5. Ulangi langkah 2-4 sampai centroid layak secara optimal.
3. HASIL DAN PEMBAHASAN
Implementasi algoritma K-Means dilakukan pada software RapidMiner. Dalam implementasinya, setelah memasukkan dataset ke RapidMiner, kemudian drag dataset ke halaman kerja dan Gambar 2 menunjukkan pemilihan operator K-Means pada software RapidMiner.
Gambar 2. Operator K-Means
Setelah algoritma K-Means dipilih dan sudah berada pada halaman kerja, selanjutnya pilih operator “Select Attributes” untuk memilih atribut yang akan digunakan. Hubungkan dataset ke “Select Attributes”, lalu ke
“Clustering”, dan masukkan nilai untuk parameter di “Clustering”. Ditunjukkan pada Gambar 3 untuk implementasi algoritma K-Means di RapidMiner dan dataset ingin dibagi menjadi 4 cluster sehingga nilainya 4 untuk nilai parameter k.
Pembagian cluster menjadi 4 dilakukan dengan cara menghitung jarak ke centroid, setelah semua data ditempatkan ke cluster terdekat, kemudian dilakukan penghitungan ulang pusat cluster baru berdasarkan rata-rata anggota dalam cluster. Titik pusat baru setiap cluster telah diperoleh, hitung ulang data dengan cluster pusat baru
dan ulangi sampai pola terakhir tidak bergerak. Data dihitung ulang hingga iterasi ke-4, dimana setiap cluster tidak berubah lagi dan tidak ada lagi data yang berpindah dari satu cluster ke cluster lainnya.
Gambar 3. Implementasi Algoritma K-Means
Operator “Performance” digunakan untuk mengukur kualitas cluster berdasarkan jarak. Ditunjukkan pada Gambar 4 untuk hasil pengelompokan konsentrasi keahlian peserta didik menggunakan algoritma K-Means.
Gambar 4. Hasil Pengelompokan Data
Tampilan pada Gambar 4 merupakan hasil pengelompokan data yang menunjukkan bahwa kelompok konsentrasi keahlian peserta didik terdiri dari 4 cluster. Jumlah setiap klaster yang ditunjukkan pada Gambar 5 berbeda antara klaster yang satu dengan klaster lainnya dan Tabel 2 menunjukkan klaster minat peserta didik dalam memilih konsentrasi keahlian.
Tabel 2. Hasil Pengelompokan Konsentrasi Keahlian Konsentrasi
Keahlian
Cluster 0 Cluster 1 Cluster 2 Cluster 3
TKJ 60 50 29 32
TKRO 24 18 20 27
RPL 27 17 7 11
TBSM 18 7 17 15
MM 9 20 8 8
DPIB 10 7 9 13
TEKLIN 8 6 7 3
Transformasi data minat peserta didik dalam memilih konsentrasi keahlian dilakukan dengan mengurutkan data berdasarkan frekuensi kemunculan dan menginisialisasi data dimulai dari data tertinggi dengan nilai 1 dan dilanjutkan ke data berikutnya sampai akhir. Tabel 3 merupakan contoh transformasi atribut minat peserta didik dalam memilih konsentrasi keahlian.
Tabel 3. Transformasi Minat Peserta Didik Konsentrasi
Keahlian
Jumlah Inisialisasi
TKJ 171 1
TKRO 89 2
Konsentrasi Keahlian
Jumlah Inisialisasi Konsentrasi Keahlian Jumlah Inisialisasi
RPL 62 3
TBSM 57 4
MM 45 5
DPIB 39 6
TEKLIN 24 7
Setelah melakukan transformasi data, langkah selanjutnya adalah menghitung titik pusat cluster dari setiap kumpulan data. Dari hasil pengelompokan data terlihat bahwa cluster dengan anggota terbanyak adalah cluster 0 (156 dari 487 data) dan cluster dengan anggota paling sedikit adalah cluster 2 (97 dari 487 data).
Gambar 5. Model Klaster
Algoritma K-Means digunakan untuk menentukan pola pengelompokan konsentrasi keahlian peserta didik berdasarkan nilai performansi jarak dari variabel yang diajukan dan performansi jarak dari metode clustering dapat dihitung ketika nilai setiap variabel bertipe numerik. Pengelompokan data konsentrasi keahlian peserta didik dilakukan dengan perhitungan dalam beberapa tahap, yaitu:
1. Jumlah cluster saat memproses nilai k ditentukan menjadi 4 cluster.
2. Nilai centroid yang ditunjukkan pada Tabel 4 merupakan hasil penentuan dari masing-masing variabel bebas untuk setiap kelompok data.
Tabel 4. Nilai Centroid Setiap Cluster
Cluster X1 X2 X3 X4
Cluster 0 79,404 82,974 82,75 2,705
Cluster 1 84,400 85,592 85,824 2,792
Cluster 2 78,103 78,907 78,485 3,103
Cluster 3 84,147 81,991 79,725 2,917
Pencarian jarak antar data ke kelompok data dilakukan dengan menggunakan persamaan (2) yaitu rumus jarak Euclidean dan hasilnya digunakan untuk mencari nilai jarak Euclidean. Tahap ini menghasilkan model cluster untuk menentukan kelompok konsentrasi keahlian peserta didik berdasarkan variabel yang diajukan.
Cluster dibentuk dari data yang paling dekat satu sama lain dan cluster model ditunjukkan pada Gambar 5.
Proses pengelompokan data dilakukan berdasarkan data antar kelompok pada titik pusat cluster 7 konsentrasi keahlian. Hasil perhitungan cluster menggunakan algoritma K-Means dan pengelompokan konsentrasi keahlian peserta didik berdasarkan minat terdapat 4 cluster yang dijelaskan sebagai berikut:
1. Cluster 0 adalah peserta didik yang memiliki nilai rata-rata 79 dalam Matematika, kemudian 83 dalam Bahasa Indonesia dan Bahasa Inggris.
2. Cluster 1 adalah peserta didik yang memiliki nilai rata-rata 84 dalam Matematika, kemudian 86 dalam Bahasa Indonesia dan Bahasa Inggris.
3. Cluster 2 adalah peserta didik yang memiliki nilai rata-rata 78 dalam Matematika dan Bahasa Inggris, kemudian 79 dalam Bahasa Indonesia.
4. Cluster 3 adalah peserta didik yang memiliki nilai rata-rata 84 dalam Matematika, 82 dalam Bahasa Indonesia dan 80 dalam Bahasa Inggris.
Dalam penelitian ini, 487 data peserta didik diidentifikasi dan dibagi menjadi 4 cluster dengan variabel (atribut) yang digunakan yaitu nilai rata-rata Matematika, Bahasa Indonesia, Bahasa Inggris dan Minat. Dari hasil pengelompokan data dapat dianalisis bahwa proses data mining yang dilakukan menghasilkan informasi dan pengetahuan tentang pola pengelompokan berdasarkan nilai dan minat peserta didik dalam memilih konsentrasi keahlian di SMK YPC Tasikmalaya. Hal ini dapat dijadikan acuan khususnya bagi pihak sekolah untuk dapat
membimbing peserta didik dalam memilih konsentrasi keahlian yang tepat sesuai dengan minatnya dan dapat digunakan untuk mengambil keputusan yang terbaik dalam menerima peserta didik baru.
4. KESIMPULAN
Kesimpulan yang diperoleh dari penelitian ini adalah pengelompokan minat peserta didik dalam memilih konsentrasi keahlian menghasilkan 4 cluster masing-masing 156, 125, 97, 109 dengan jumlah 487 peserta didik.
Cluster 0 adalah peserta didik yang memiliki nilai rata-rata 79 dalam Matematika, kemudian 83 dalam Bahasa Indonesia dan Bahasa Inggris. Cluster 1 adalah peserta didik yang memiliki nilai rata-rata 84 dalam Matematika, kemudian 86 dalam Bahasa Indonesia dan Bahasa Inggris. Cluster 2 adalah peserta didik yang memiliki nilai rata- rata 78 dalam Matematika dan Bahasa Inggris, kemudian 79 dalam Bahasa Indonesia. Cluster 3 adalah peserta didik yang memiliki nilai rata-rata 84 dalam Matematika, 82 dalam Bahasa Indonesia dan 80 dalam Bahasa Inggris.
Hasil pengelompokan konsentrasi keahlian berdasarkan nilai dan minat yang dipilih oleh peserta didik dapat memudahkan pihak sekolah untuk menentukan dan mengarahkan peserta didik kedepannya agar memiliki konsentrasi keahlian yang tepat.
REFERENCES
[1] D. Merawati and R. Rino, “Penerapan Data Mining Penentu Minat Dan Bakat Siswa Smk Dengan Metode C4. 5,”
ALGOR, vol. 1, no. 1, pp. 28–37, 2019.
[2] A. F. O. Pasaribu, “Analisis Pola Menggunakan Metode C4. 5 Untuk Peminatan Jurusan Siswa Berdasarkan Kurikulum (Studi Kasus: Sman 1 Natar),” J. Teknol. Dan Sist. Inf., vol. 2, no. 1, pp. 80–85, 2021.
[3] Y. S. Nugroho, “Klasifikasi dan Klastering Penjurusan Siswa SMA Negeri 3 Boyolali,” Khazanah Inform. J. Ilmu Komput. dan Inform., vol. 1, no. 1, pp. 1–6, 2015.
[4] Y. Lase and E. Panggabean, “Implementasi Metode K-Means Clustering Dalam Sistem Pemilihan Jurusan Di SMK Swasta Harapan Baru,” J. Teknol. Dan Ilmu Komput. Prima, vol. 2, no. 2, pp. 375–379, 2019.
[5] F. Solikhah, M. Febianah, A. L. Kamil, W. A. Arifin, and S. J. S. Tyas, “Analisis Perbandingan Algoritma Naive Bayes Dan C. 45 Dalam Klasifikasi Data Mining Untuk Memprediksi Kelulusan,” Temat. J. Teknol. Inf. Komun., vol. 8, no.
1, pp. 96–103, 2021.
[6] Z. Nabila, A. R. Isnain, P. Permata, and Z. Abidin, “Analisis Data Mining Untuk Clustering Kasus Covid-19 Di Provinsi Lampung Dengan Algoritma K-Means,” J. Teknol. Dan Sist. Inf., vol. 2, no. 2, pp. 100–108, 2021.
[7] S. Sindi, W. R. O. Ningse, I. A. Sihombing, F. I. R. H. Zer, and D. Hartama, “Analisis algoritma k-medoids clustering dalam pengelompokan penyebaran covid-19 di indonesia,” J. Teknol. Inf., vol. 4, no. 1, pp. 166–173, 2020.
[8] P. H. Simbolon, “Implementasi Data Mining Pada Sistem Persediaan Barang Menggunakan Algoritma Apriori (Studi Kasus: Srikandi Cash Credit Elektronic dan Furniture),” JURIKOM (Jurnal Ris. Komputer), vol. 6, no. 4, pp. 401–406, 2019.
[9] F. Akbar, “Clustering Data Nilai Siswa SMA Untuk Penentuan Jurusan Menggunakan Algoritma Fuzzy C-Means,”
Techno Nusa Mandiri J. Comput. Inf. Technol., vol. 12, no. 1, pp. 56–63, 2015.
[10] M. Triandini, S. Defit, and G. W. Nurcahyo, “Data Mining dalam Mengukur Tingkat Keaktifan Siswa dalam Mengikuti Proses Belajar pada SMP IT Andalas Cendekia dengan Menggunakan Metode K-Means Clustering,” J. Inf. Dan Teknol., pp. 167–172, 2021.
[11] R. P. Primanda, A. Alwi, and D. Mustikasari, “Data Mining Seleksi Siswa Berprestasi Untuk Menentukan Kelas Unggulan Menggunakan Metode K-Means Clustering (Studi Kasus di MTS Darul Fikri),” KOMPUTEK, vol. 5, no. 1, pp. 88–100, 2021.
[12] J. Hutagalung, “Pemetaan Siswa Kelas Unggulan Menggunakan Algoritma K-Means Clustering,” JATISI (Jurnal Tek.
Inform. dan Sist. Informasi), vol. 9, no. 1, pp. 606–620, 2022.
[13] Suyanto, Data Mining untuk Klasifikasi dan Klasterisasi Data. Bandung: Informatika, 2019.
[14] Y. Mardi, “Data Mining: Klasifikasi Menggunakan Algoritma C4. 5,” J. Edik Inform. Penelit. Bid. Komput. Sains dan Pendidik. Inform., vol. 2, no. 2, pp. 213–219, 2017.
[15] A. A. Fajrin and A. Maulana, “Penerapan Data Mining Untuk Analisis Pola Pembelian Konsumen Dengan Algoritma Fp-Growth Pada Data Transaksi Penjualan Spare Part Motor,” Kumpul. J. Ilmu Komput., vol. 5, no. 01, pp. 1–10, 2018.
[16] R. A. Indraputra and R. Fitriana, “K-Means Clustering Data COVID-19,” J. Tek. Ind., vol. 10, no. 3, pp. 275–282, 2020.
[17] A. Ali, “Klasterisasi Data Rekam Medis Pasien Menggunakan Metode K-Means Clustering di Rumah Sakit Anwar Medika Balong Bendo Sidoarjo,” MATRIK J. Manajemen, Tek. Inform. dan Rekayasa Komput., vol. 19, no. 1, pp. 186–
195, 2019.
[18] K. Sinaga and K. Handoko, “Implementasi Data Mining Untuk Memprediksi Kelulusan Siswa Dengan Metode Naïve Bayes,” Comput. Sci. Ind. Eng., vol. 4, no. 6, pp. 97–107, 2021.
[19] A. Aditya, I. Jovian, and B. N. Sari, “Implementasi K-Means Clustering Ujian Nasional Sekolah Menengah Pertama di Indonesia Tahun 2018/2019,” J. Media Inform. Budidarma, vol. 4, no. 1, pp. 51–58, 2020.
[20] A. Akramunnisa and F. Fajriani, “K-means clustering analysis pada Persebaran Tingkat pengangguran kabupaten/kota di Sulawesi selatan,” J. Varian, vol. 3, no. 2, pp. 103–112, 2020.
