View of PERBANDINGAN ALGORITMA K-MEANS DAN X-MEANS UNTUK MENGELOMPOKKAN MINAT KEJURUAN SISWA BARU PADA SMK MULTIKARYA MEDAN MENGGUNAKAN METODE CLUSTERING

(1)

668

PERBANDINGAN ALGORITMA K-MEANS DAN X-MEANS UNTUK MENGELOMPOKKAN MINAT KEJURUAN SISWA BARU PADA SMK

MULTIKARYA MEDAN MENGGUNAKAN METODE CLUSTERING

Tajrin¹⁾, Eri Timothy Napitupulu²⁾, Fine Aldi Jous Nainggolan³⁾

1FakultasSains and Teknologi, Universitas Prima Indonesia

email: [email protected], [email protected], [email protected] Abstract

Education is one of the decisive aspects in producing the nation's successor. This can be seen from science, especially at the Vocational High School (SMK) level. Determining a student's major is not an easy thing, many parents and their own children do not know their interests and abilities. Determining a major is a process of focusing students on a particular field of concentration, this is done so that each individual can learn more in lessons that are in accordance with concentration and direct each individual to develop their abilities and interests. Majoring is expected to maximize every potential or talent possessed. SMK Multikarya is one of the schools in Medan city that has 8 majors, namely Multimedia, Automotive Light Vehicle Engineering, Computer and Network Engineering, Machining Engineering, Motorcycle Engineering and Business, Accounting and Institutional Finance, Software Engineering and Office Automation and Governance. Where every year SMK Multikarya always accepts 450 students. This results in the school always having difficulty in determining students who do not have a major. One way to make it easier to determine SMK majors is data mining with a comparison of the K-Means and X-Mean Clustering algorithms. In testing the k-means and x-means algorithms can produce the best K-Means algorithm because it produces the lowest value of 0.413 or 41%.

Keywords: New Student, K-Means, X-Means

1. PENDAHULUAN

Pendidikan adalah elemen kunci dalam membentuk generasi penerus negara. Hal ini berlaku untuk semua tingkat pendidikan termasuk tingkat Sekolah Menengah Kejuruan (SMK) [1], [2]. Dalam menentukan jurusan kepada siswa/siswi bukanlah hal yang mudah, banyak orang tua dan anaknya sendri yang belum mengenal minatnya serta kemampuan yang di milikinya. Penentuan pilihan jurusan merupakan langkah dalam mengarahkan siswa ke bidang konsentrasi tertentu, tujuannya adalah untuk memungkinkan setiap individu untuk mendalami mata pelajaran yang sesuai dengan minat dan konsentrasi yang mereka pilih, serta membimbing mereka dalam mengembangkan potensi, bakat, dan kemampuan pribadi mereka.

Dengan memilih jurusan, diharapkan dapat mengoptimalkan eksploitasi potensi dan bakat yang dimiliki oleh setiap individu [3].

SMK Multi Karya merupakan salah sekolah yang di kota medan memiliki 8 Jurusan, yakni: “Multimedia, Teknik Kendaraan Ringan Otomotif, Teknik Komputer dan jaringan, Teknik Pemesinan, Teknik dan Bisnis Sepeda Motor, Akutansi dan Keuangan Lembaga, Rekayasa Perangkat Lunak dan Otomatisasi dan tata Kelola Perkantoran”, dimana setiap tahun SMK Multi Karya selalu menerima siswa dalam jumlah yang cukup besar lebih dari 250 orang.

Hal ini mengakibatkan pihak sekolah selalu kesulitan dalam menentukan siswa yang tidak memiliki jurusan. Salah satu cara untuk mempermudah dalam menentukan jurusan SMK yaitu data mining dengan perbandingan algoritma K-Means dan X-Mean Clastering.

Data Mining adalah suatu proses yang menggunakan satu atau lebih teknik pembelajaran mesin (machine learning) untuk menganalisis dan mengekstraksi pengetahuan

(2)

669

secara otomatis. Ini merupakan proses yang berulang dan melibatkan interaksi untuk menemukan pola atau model baru yang valid, bermanfaat, dan dapat dimengerti dalam database yang besar [4]–[10].

Salah satu algoritma yang terkenal pada metode Clustering adalah algoritma K-Means [11], [12]. K-Means salah satu dari metode pengelompokan data non hierarki (sekatan) yang dapat mempartisi data ke dalam bentuk dua kelompok ataupun lebih. Metoda tersebut akan mempartisi data ke dalam suatu kelompok di mana data yang berkarakteristik sama akan dimasukkan ke dalam satu kelompok sama sedangkan data yang memiliki karakteristik yang berbeda akan dikelompokkan ke dalam kelompok lainnya. Tujuan dari pengelompokan yaitu untuk meminimalkan dari fungsi objektif yang diset dalam proses pengelompokan, pada umumnya akan berusaha meminimalkan variasi di dalam suatu kelompok dan memaksimalkan variasi antar kelompok [13].

Menurut pendapat lain K-means merupakan algoritma pengelompokan iteratif yang melakukan partisi set data ke dalam sejumlah K cluster yang sudah ditetapkan diawal. Algoritma K-Means sederhana untuk diimplementasikan dan dijalankan, relative cepat, mudah beradaptasi, umum penggunaannya dalam praktek [14].

Data mining yang dibangun menggunakan metode clustering yang bertujuan untuk mengelompokkan objek data yang mempunyai karakteristik sama akan di kelompokan pada satu kelompok dan data yang memiliki karakteristik berbeda akan di kelompokan pada kelompok yang lainnya [15].

Clustering merupakan metode pengelompokan data dengan menggunakan teknik unsupervised learning [16]. Dalam metode ini, tidak diperlukan tahap pembelajaran dan tidak ada penggunaan label pada setiap kelompok.

Pengaturan data ke dalam kluster merupakan konsep dasar yang sangat penting untuk memahami dan mempelajari data. Analisis kluster bertujuan untuk mengelompokkan objek- objek berdasarkan kemiripan karakteristik yang

diukur di antara mereka [17]. Sementara itu, Algoritma X-Means adalah suatu metode yang memperbaiki kelemahan dari algoritma K- Means. Algoritma ini dikembangkan pada tahun 2000 oleh Dan Pelleg dan Andre Moore. Dalam metode ini, jumlah cluster yang dibentuk dinamis dihitung dengan menggunakan batas atas dan batas bawah yang ditentukan oleh pengguna. Proses algoritma ini terdiri dari dua tahap yang diulangi hingga selesai.

Berbeda dengan algoritma K-Means yang memiliki kekurangan dalam komputasi yang relatif lambat dan memerlukan pengguna untuk menentukan jumlah kluster K. Algoritma pembelajaran ini termasuk dalam kategori unsupervised learning, di mana komputer secara otomatis mengelompokkan data tanpa memerlukan informasi target kelasnya.

Algoritma X-Means melakukan optimisasi terhadap nilai Bayesian Information Criterion (BIC) [18]–[22].

2. METODE PENELITIAN

Penelitian dilaksanakan pada SMK Multikarya. D

ata yang digunakan merupakan data siswa baru yang mendaftar pada SMK Multikarya sebanyak 20 sempel data, data siswa baru terdiri dari 8 atribut. Setelah data siswa baru diseleksi, maka dilakukanlah menggunakan algoritma K-Means dan X-

Means, maka akan di ketahui algoritma

terbaik melalui perbandingan nilai

Davies- Bouldin Indeks (DBI).

Berikut adalah tabel data atribut, data mata pelajaran dan sample data siswa baru dapat dilihat pada tabel di bawah ini.

Tabel 1. Data Atribut

No Nama Jurusan

1 Teknik Pemesinan

2 Teknik Kendaraan Ringan 3 Teknik Sepeda Motor 4 Teknik Jaringan Komputer 5 Desain Komunikasi Visual 6 Rekayasa Perangkat Lunak 7 Akuntansi

8 Manajemen Perkantoran

(3)

670

Tabel 2. Data Nilai Mata Pelajaran

No Mata Pelajaran

01 Bahasa Indonesa 02 Matematika

03 Ilmu_Pengetahuan_Alam 04 Ilmu_Pengetahuan_Sosial 05 Kesenian

06 Pendidikan_Jasmani 07 Prakarya/TIK 08 Extrakurikuler

Tabel 3. Data Siswa N

o Nama B

I M M

IP A

IP S

K es

Pe nj

P ra

E xk

1

Adinda Fita Hidaya h

8

5 90 88 9 0

8

9 92 9 4 85

2

Amrija n

8

5 90 88 9 0

8

9 92 9 4 85 3

Andini Aulia

9

0 95 90 9 0

9

5 91 9 3 84

4

Azalia Eninda Putri Lubis

8

5 90 88 9 0

8

9 92 9 4 85

5 Dian Fatma Diva

8

5 90 88 9 0

8

9 92 9 4 85

6

Dinda Tasya

8

3 88 86 8 8

8

7 90 9 2 83

7

Erina Prames wari

8

4 89 87 8 9

8

8 91 9 3 84

8 Firza Aqshal

7

8 82 80 8 4

7

5 80 9 0 90 9

Indri Rintita

9

0 95 90 9 0

9

5 89 9 1 82

1 0

Leonar do Marsal Siregar

7

6 81 79 8 1

8

0 83 8 5 76

1 1

Lia Sumay yah

8

4 89 87 8 9

8

8 91 9 3 84

1 2

Mara Daud Haraha p

8

3 88 87 8 8

8

7 90 9 2 83

1 Muha 7 80 78 8 7 82 8 75

3 mmad Fakhri Firdaus

5 0 9 4

1 4

Muha mmad Ikhcan Mulant a Karo Karo

7

5 80 78 8 0

7

9 82 8 4 75

1 5

Nurul Sazwa ni

8

3 88 86 9 0

8

7 90 9 2 83

1 6

Putri Diah Lestari

8

2 87 87 9 0

8

6 89 9 1 82

1 7

Siti Nurhal iza Chania go

8

3 88 86 9 0

8

7 90 9 2 83

1 8

Tiara Agusti n

8

4 89 87 8 9

8

8 91 9 3 84 1

9

Wiwid Triana

8

4 89 87 8 9

8

8 91 9 3 84 2

0

Yunda Lutfiya h

8

5 90 88 9 0

8

9 92 9 4 85

Data di atas merupakan hasil dari proses pembersihan data. Pembersihan data merupakan tahap di mana data yang tidak relevan atau data yang bising dihilangkan. Dalam analisis teknik, peneliti mengidentifikasi kebutuhan sistem yang diperlukan untuk menyelesaikan masalah.

Selanjutnya, dilakukan seleksi data untuk memilih atribut yang sesuai dengan kebutuhan penelitian. Hasilnya, terdapat delapan atribut, termasuk nilai mata pelajaran Bahasa Indonesia, Matematika, IPA, IPS, seni, olahraga, prakarya/TIK, dan kegiatan ekstrakurikuler.

Setelah proses inisialisasi dan menghasilkan data yang siap untuk diproses dan disebut dataset yang ditampilkan pada tabel 4 dibawah ini.

Tabel 4. Data Set N

o Na ma

B I

M M

IP A

IP S

K es

Pe n

Pr a

ex k 1

202 2

8

5 90 88 90 89 92 9 4 85

(4)

671

000 1

2 202

2 000

2 8

5 90 88 90 89 92 9 4 85

3 202

2 000

3 9

0 95 90 90 95 91 9 3 84

4 202

2 000

4 8

5 90 88 90 89 92 9 4 85

5 202

2 000

5 8

5 90 88 90 89 92 9 4 85

6 202

2 000

6 8

3 88 86 88 87 90 9 2 83

7 202

2 000

7 8

4 89 87 89 88 91 9 3 84

8 202

2 000

8 7

8 82 80 84 75 80 9 0 90

9 202

2 000

9 9

0 95 90 90 95 89 9 1 82

1 0

202 2 001

0 7

6 81 79 81 80 83 8 5 76

1 1

202 2 001

1 8

4 89 87 89 88 91 9 3 84

1 2

202 2 001

2 8

3 88 87 88 87 90 9 2 83

1 3

202 2 001

3 7

5 80 78 80 79 82 8 4 75 1 202 7 80 78 80 79 82 8 75

4 2

001 4

5 4

1 5

202 2 001

5 8

3 88 86 90 87 90 9 2 83

1 6

202 2 001

6 8

2 87 87 90 86 89 9 1 82

1 7

202 2 001

7 8

3 88 86 90 87 90 9 2 83

1 8

202 2 001

8 8

4 89 87 89 88 91 9 3 84

1 9

202 2 001

9 8

4 89 87 89 88 91 9 3 84

2 0

202 2 002

0 8

5 90 88 90 89 92 9 4 85

Kerangka kerja untuk penelitian ini dimulai dengan melakukan observasi, kemudian mengumpulkan data. Setelah data terkumpul, data-data tersebut akan dimasukkan ke dalam perangkat lunak Microsoft Excel, di mana data akan diolah melalui serangkaian perhitungan dan mengikuti langkah-langkah algoritma K-Means.

Hasil perhitungan ini dapat diterapkan menggunakan bahasa pemrograman Python untuk mendapatkan hasil yang akurat. Ilustrasi kerangka kerja penelitian ini dapat dilihat sebagai berikut :

(5)

672

Gambar 1. Kerangka Kerja

3. HASIL DAN PEMBAHASAN

Pada tahapan ini dilakukan pengolahan data dilakukan untuk menentukan algoritma yang mendekati hasil yang baik dengan menggunakan sampel data dari beberapa atribut data yang ada

1. Pengolahan data dengan Algoritma K- Means

Proses awal dalam pemrosesan data melibatkan penggunaan algoritma k-means dengan bantuan framework data mining Rapidminer versi 10.1002 yang dirilis pada tahun 2023. Tujuan dari pengolahan awal ini adalah untuk mengidentifikasi jumlah kluster yang memiliki tingkat indeks Davies-Bouldin (DBI) terendah. Berikut ini adalah nilai-nilai DBI yang dihasilkan berdasarkan serangkaian percobaan yang telah dilakukan.

Tabel 5. Nilai DBI Penentuan Jumlah Cluster Algoritma K-Means

Percobaan Ke

Jumlah K

=

Nilai Davies Bouldin Index

1 3 0.627

2 4 0.465

3 5 0.413

4 6 0.459

5 7 0.455

6 8 0.449

Pada tabel diatas nilai DBI paling rendah ialah percobaan ke-3 dengan nilai 0.413, semakin rendah nilai DBI maka semakin optimal klaster yang dihasilkan. Selain nilai DBI dilakukan juga pengujian dengan menghasilkan kluster model, berikut ini hasil kluster model.

Gambar 2. Tampilan Klaster Model Algoritma K-Means

Pada gambar diatas menghasilkan klaster model dengan ketentuan yaitu pada klaster 0 berjumlah 6 siswa, klaster 1 berjumlah 8 siswa, klaster 2 berjumlah 3 siswa, klaster 3 berjumlah 1 siswa dan klaster 4 berjumlah 2 siswa total keseluruhan berjumlah 20 siswa.

2. Pengujian dengan Algoritma X-Means Sebelumnya sudah dilakukan pengujian dengan algoritma K-Means, maka pengujian selanjutnya menggunakan algoritma X-Means sebagai pebanding. Pengujian X-Means dilakukan sama seperti K-Means dengan jumlah 5 klaster dan jumlah 8 atribut dan menghasilkan nilai DBI sebagai berikut.

(6)

673

Gambar 3. Nilai DBI Algoritma X-Means

Dari hasil diatas menunjukan nilai DBI yang di hasilkan sebesar 1.042. Setelah dilakukan pengujian nilai DBI makan dilakukan klaster model, berikut ini hasil klaster model.

Gambar 4. Tampilan Klaster Model Algoritma X-Means

Pada gambar di atas menghasilkan klaster model dengan ketentuan yaitu pada klaster 0 berjumlah 9 siswa, klaster 1 berjumlah 3 siswa, klaster 2 berjumlah 1 siswa, klaster 3 berjumlah 2 siswa dan klaster 4 berjumlah 5 siswa total keseluruhan berjumlah 20 siswa.

Dari eksperimen yang telah dilakukan dengan menguji algoritma K-Means dan X- Mean menggunakan 8 atribut dan 5 klaster, ditemukan bahwa DBI memiliki nilai sebagai berikut.

Tabel 6. Perbandingan Nilai DBI Dari Dua Algoritma

Algoritma Nilai Davies Bouldin Index

K-Means 0.413

X-Means 1.042

Dari hasil tabel diatas hasil terbaik berdasarkan nilai DBI tardapat pada algoritma K-Means dengan nilai sebesar 0.413, nilai tersebut dikatakan terbaik. Karena semakin rendah nilai DBI atau semakin mendekatin nilai nol maka semakin optimal klaster yang didapatkan.

4. KESIMPULAN

Berdasarkan Hasil penelitian yang telah dilaksanakan mengindikasikan bahwa algoritma K-Means dan X-Means mampu untuk mengklasifikasikan minat kejuruan calon siswa SMK Multikarya berdasarkan kriteria yang telah ditentukan sebelumnya. Dalam pengujian kedua algoritma tersebut, terdapat bukti bahwa algoritma K-Means menunjukkan hasil yang lebih baik dibandingkan dengan X-Means. Hal ini dapat dilihat dari nilai indeks Davies-Bouldin (DBI) yang lebih rendah pada algoritma K- Means, yaitu sebesar 0.413.

5. REFERENSI

[1] E. W. Astuti, “Clustering Program Keahlian Pada Pendaftaran Siswa Baru ( Psb ) Dengan Menggunakan Algoritma K-Means : Studi Kasus Di Smkn 1 Nguling,” J. SPIRIT, vol. 7, no. 2, pp.

58–65, 2015.

[2] A. Rohmah and F. Sembiring,

“Implementasi Algoritma K-Means Clustering Analysis Untuk Menentukan Hambatan Pembelajaran Daring (Studi Kasus: Smk Yaspim …,” … Sist. Inf. dan

…, pp. 290–298, 2021.

[3] S. Wahyuni Nengsih, I. Alfian, D. Aji, and S. Anwar, “ANALISIS

PENGELOMPOKAN PENENTUAN

JURUSAN SISWA SMA

MENGGUNAKAN METODE K-

(7)

674

MEANS CLUSTERING,” Saeful Anwar J.

Ilm. Betrik, vol. 12, no. 03, pp. 242–248, 2021.

[4] C.Pradeepkumar and S.Loganathan,

“Penerapan Metode Asosiasi Menggunakan Algoritma Apriori Pada Aplikasi Pola Belanja Konsumen ( Studi Kasus Toko Buku Gramedia Bintaro ),”

Int. J. Sci. Eng. Res. (IJ0SER), vol. 3, no.

4, p. 2, 2015.

[5] R. Y. Hayuningtyas and R. Sari,

“Implementasi Data Mining Dengan Algoritma Multiple Linear Regression Untuk Memprediksi Penyakit Diabetes,”

J. Tek. Komput. AMIK BSI, vol. 8, no. 2, pp. 174–180, 2022.

[6] I. T. Julianto, D. Kurniadi, M. R.

Nashrulloh, and A. Mulyani,

“Comparison of Data Mining Algorithm For Forecasting Bitccoin Crypto Currency Trends,” J. Tek. Inform., vol. 3, no. 2, pp. 245–248, 2022, doi:

10.20884/1.jutif.2022.3.2.194.

[7] D. S. O. Panggabean, E. Buulolo, and N.

Silalahi, “Penerapan Data Mining Untuk Memprediksi Pemesanan Bibit Pohon Dengan Regresi Linear Berganda,”

JURIKOM (Jurnal Ris. Komputer), vol.

7, no. 1, p. 56, Feb. 2020, doi:

10.30865/jurikom.v7i1.1947.

[8] H. s. Toluhula, “Jurnal Ilmiah Wahana Pendidikan,” vol. 8, no. 3, pp. 178–183, 2022.

[9] P. Purwadi, P. S. Ramadhan, and N.

Safitri, “Penerapan Data Mining Untuk Mengestimasi Laju Pertumbuhan Penduduk Menggunakan Metode Regresi Linier Berganda Pada BPS Deli Serdang,” J. SAINTIKOM (Jurnal Sains Manaj. Inform. dan Komputer), vol. 18, no. 1, p. 55, Feb. 2019, doi:

10.53513/jis.v18i1.104.

[10] F. Ginting, E. Buulolo, and E. R. Siagian,

“Implementasi Algoritma Regresi Linear Sederhana Dalam Memprediksi Besaran Pendapatan Daerah (Studi Kasus: Dinas Pendapatan Kab. Deli Serdang),”

KOMIK (Konferensi Nas. Teknol. Inf.

dan Komputer), vol. 3, no. 1, pp. 274–

279, 2019, doi:

10.30865/komik.v3i1.1602.

[11] W. Purba, S. Tamba, and J. Saragih, “The effect of mining data k-means clustering toward students profile model drop out potential,” J. Phys. Conf. Ser., vol. 1007, no. 1, p. 12049, 2018, [Online].

Available: http://stacks.iop.org/1742- 6596/1007/i=1/a=012049

[12] Sahat Sonang, “Implementasi K-Means Dalam Evaluasi Kinerja Dosen Politeknik Bisnis Indonesia,” J.

Tekinkom, vol. 1, no. 1, pp. 32–40, 2018, doi: 10.1017/CBO9781107415324.004.

[13] S. Ningsih, “PENERAPAN ALGORITMA K-MEANS CLUSTERING

UNTUK MENENTUKAN KELAS

KELOMPOK BIMBINGAN,” vol. 3, no.

2, pp. 73–82.

[14] F. Nur, M. Zarlis, and B. B. Nasution,

“PENERAPAN ALGORITMA K-

MEANS PADA SISWA BARU

SEKOLAHMENENGAH KEJURUAN UNTUK CLUSTERING JURUSAN,”

InfoTekJar (Jurnal Nas. Inform. dan Teknol. Jaringan), vol. 1, no. 2, pp. 100–

105, Mar. 2017, doi:

10.30743/infotekjar.v1i2.70.

[15] G. Gustientiedina, M. H. Adiya, and Y.

Desnelita, “Penerapan Algoritma K- Means Untuk Clustering Data Obat- Obatan,” J. Nas. Teknol. dan Sist. Inf., vol. 5, no. 1, pp. 17–24, Apr. 2019, doi:

10.25077/teknosi.v5i1.2019.17-24.

[16] S. P. Tamba, M. D. Batubara, W. Purba, M. Sihombing, V. M. Mulia Siregar, and J. Banjarnahor, “Book data grouping in libraries using the k-means clustering method,” J. Phys. Conf. Ser., vol. 1230, no. 1, p. 012074, Jul. 2019, doi:

10.1088/1742-6596/1230/1/012074.

[17] H. Priyatman, F. Sajid, and D.

Haldivany, “Klasterisasi Menggunakan Algoritma K-Means Clustering untuk Memprediksi Waktu Kelulusan

(8)

675

Mahasiswa,” J. Edukasi dan Penelit.

Inform., vol. 5, no. 1, p. 62, Apr. 2019, doi: 10.26418/jp.v5i1.29611.

[18] P. H. Putra, A. Hasibuan, and E. A.

Marpaung, “Analisis Klasifikasi Metode X-Means Pada Minat dan Bakat Anak Dimasa Pandemi,” SITEKIN J. Sains, Teknol. dan Ind., vol. 19, no. 2, pp. 424–

429, 2022.

[19] A. Wijayanto, “Penggunaan X-Means Clustering Method untuk Mengelompokkan Potensi Sekolah Menengah Unggul di Kabupaten Banyumas,” J. Informatics, Inf. Syst.

Softw. Eng. Appl., vol. 2, no. 1, pp. 80–

88, Nov. 2019, doi:

10.20895/inista.v2i1.99.

[20] B. Bustami, R. Mahara, H. Ahmadian, S.

Wahyuni, and K. AR, “Analisis Clustering Penduduk Miskin Di Provinsi Aceh Menggunakan Algoritma K-Means Dan X-Means,” J. Nas. Komputasi dan Teknol. Inf., vol. 5, no. 1, pp. 26–35, Feb.

2022, doi: 10.32672/jnkti.v5i1.3961.

[21] A. A. Riza and D. R. S. Saputro,

“Clustering Data Numerik Menggunakan Algoritme X-Means,” UNEJ e- Proceeding, 2022.

[22] R. Adhitama, A. Burhanuddin, and A.

Febriani, “Penerapan X Means Clustering Pada UMKM Kab Banyumas Yang Mendukung Mega Shifting Consumer Behavior Akibat Covid-19,” J.

Informatics, Inf. Syst. Softw. Eng. Appl., vol. 4, no. 1, pp. 71–80, 2022, doi:

10.20895/inista.v4i1.429.