Korelasi Antara Profil dan Nilai Akademis Siswa dengan Menggunakan Algoritma K-Means
DOI:
https://doi.org/10.25126/jtiik.2021843034Abstrak
Hampir setiap pelajar di Indonesia terdaftar dengan atribut profil yang lengkap, seperti : Nama, Jenis Kelamin, Jenis Tinggal, Alat Transportasi, Usia Orangtua, Pendidikan Orangtua, Pekerjaan Orangtua, Penghasilan Orangtua dan atribut lainnya. Dari data atribut profil tersebut dapat diklasterisasi berdasarkan kedekatan nilai antara atribut yang dimiliki masing-masing siswa. Disisi lain siswa juga memiliki data yang berisi nilai akademis yang juga dapat dibuat klasterisasi.
Data yang dipakai dalam penelitian ini melibatkan 512 instances yang didapat dari sebuah Sekolah Menengah Kejuruan (SMK) di Jakarta. Metode yang pakai untuk klasterisasi menggunakan algoritma K-Means. Penelitian ini akan mencari korelasi klasterisasi profil siswa terhadap nilai akademisnya.
Tahapan penelitian diawali dengan persiapan dataset profil dan dataset nilai siswa, atribut dari dataset profil yang dipakai hanya atribut yang dianggap dapat merepresentasikan profil siswa dan keluarganya. Tahap berikutnya adalah mentrasformasi data atribut non numerik (kategorik dan interval) menjadi numerik. Dilanjutkan dengan tahap perhitungan jarak antar data dan tahap terakhir mencari pola korelasi antara klaster profil dan klaster nilai akademis yang terbentuk.
Dengan metode elbow jumlah klaster yang paling ideal dalam penelitian ini adalah antara 3 dan 4 klaster, dimana nilai Silhoutte Coefficient tertinggi adalah 0,8103 untuk penglompokan 3 klaster.
Abstract
Almost every student in Indonesia is registered with complete profile attributes, such as: Name, Gender, Type of Stay, Transportation Equipment, Parents' Age, Parental Education, Parents' Work, Parents' Earnings and other attributes. From the profile attribute data it can be clustered based on the closeness of the values between the attributes possessed by each student. On the other hand students also have attribute data that contains academic values that can also be clustered.
The data used in this study involved 512 instances obtained from a Vocational High School (SMK) in Jakarta. The method used for clustering is using the K-Means algorithm. This research will look for correlation of student profile clustering to its academic value.
The stages of the research began with the preparation of the profile dataset and the student value dataset, the attributes of the profile dataset used were only those attributes that were considered to represent the profiles of students and their families. The next step is to transform non-numeric attribute data (categorical and interval) into numeric. Followed by the stage of calculating the distance between data and the final stage looking for patterns of correlation between profile clusters and academic value clusters that are formed.
With the elbow method, the most ideal number of clusters in this study is between 3 and 4 clusters, where the highest Silhoutte Coefficient value is 0.8103 for grouping 3 clusters.
Downloads
Referensi
BUTARBUTAR, N., WINDARTO, A. P., HARTAMA, D., & SOLIKHUN, S. 2017. Komparasi Kinerja Algoritma Fuzzy C-Means Dan K-Means Dalam Pengelompokan Data Siswa Berdasarkan Prestasi Nilai Akademik Siswa. Jurasik (Jurnal Riset Sistem Informasi Dan Teknik Informatika). Https://Doi.Org/10.30645/Jurasik.V1i1.8
HANDOYO, R., RUMANI, R., & NASUTION, S. M. 2014. Perbandingan Metode Clustering Menggunakan Metode Single Linkage Dan K-Means Pada Pengelompokan Dokumen. JSM STMIK Mikroskil.
LISTIYOKO, L., WATI, R., FAHRUDIN, A., & MUHAMMADIYAH BANTEN, S. 2017. Klasifikasi Siswa Untuk Meningkatkan Nilai Rata-Rata Kelas Menggunakan Metode Data Mining. Seminar Nasional Teknologi Dan Rekayasa.
MUNINGSIH, E., & KISWATI, S. 2018. Sistem Aplikasi Berbasis Optimasi Metode Elbow Untuk Penentuan Clustering Pelanggan. Joutica. Https://Doi.Org/10.30736/Jti.V3i1.196
MURTI, D. H., SUCIATI, N., & NANJAYA, D. J. 2005. Clustering Data Non-Numerik Dengan Pendekatan Algoritma K-Means Dan Hamming Distance Studi Kasus Biro Jodoh. JUTI: Jurnal Ilmiah Teknologi Informasi. Https://Doi.Org/10.12962/J24068535.V4i1.A245
SIBUEA, M. L., & SAFTA, A. 2017. Pemetaan Siswa Berprestasi Menggunakan Metode K-Means Clustring. JURTEKSI. Https://Doi.Org/10.33330/Jurteksi.V4i1.28
YOUNUS, Z. S., MOHAMAD, D., SABA, T., ALKAWAZ, M. H., REHMAN, A., AL-RODHAAN, M., & AL-DHELAAN, A. 2015. Content-Based Image Retrieval Using Pso And K-Means Clustering Algorithm. Arabian Journal Of Geosciences. Https://Doi.Org/10.1007/S12517-014-1584-7
Unduhan
Diterbitkan
Terbitan
Bagian
Lisensi
Artikel ini berlisensi Creative Common Attribution-ShareAlike 4.0 International (CC BY-SA 4.0)
Penulis yang menerbitkan di jurnal ini menyetujui ketentuan berikut:
- Penulis menyimpan hak cipta dan memberikan jurnal hak penerbitan pertama naskah secara simultan dengan lisensi di bawah Creative Common Attribution-ShareAlike 4.0 International (CC BY-SA 4.0) yang mengizinkan orang lain untuk berbagi pekerjaan dengan sebuah pernyataan kepenulisan pekerjaan dan penerbitan awal di jurnal ini.
- Penulis bisa memasukkan ke dalam penyusunan kontraktual tambahan terpisah untuk distribusi non ekslusif versi kaya terbitan jurnal (contoh: mempostingnya ke repositori institusional atau menerbitkannya dalam sebuah buku), dengan pengakuan penerbitan awalnya di jurnal ini.
- Penulis diizinkan dan didorong untuk mem-posting karya mereka online (contoh: di repositori institusional atau di website mereka) sebelum dan selama proses penyerahan, karena dapat mengarahkan ke pertukaran produktif, seperti halnya sitiran yang lebih awal dan lebih hebat dari karya yang diterbitkan. (Lihat Efek Akses Terbuka).
