EVALUASI KINERJA ALGORITMA K-MEANS DENGAN MATRIKS JARAK EUCLIDEAN PADA PENENTUAN SISWA BERMASALAH

Nur Aeni Widiastuti; Ahmat Wakit

doi:10.24176/simet.v13i1.5912

EVALUASI KINERJA ALGORITMA K-MEANS DENGAN MATRIKS JARAK EUCLIDEAN PADA PENENTUAN SISWA BERMASALAH

Nur Aeni Widiastuti
Ahmat Wakit

Abstract

Dalam lingkup pendidikan, penilaian siswa tidak hanya berdasarkan nilai akademik maupun non-akademik tetapi juga penilaian dalam karakter siswa itu sendiri, dengan adanya catatan kejadian siswa semua aktivitas siswa akan tercatat. Namun dalam penerapannya perlu metode dalam penentuan siswa bermasalah agar cepat serta akurat dalam penentuannya. Data yang digunakan dalam penelitian ini adalah data Anecdotal Record, berjumlah 47 kategori untuk semua siswa di SMK Walisongo Pecangaa Tahun Pelajaran 2019/2020 yang berjumlah 533 siswa. Dalam pengambilan data menggunakan data kejadian siswa meliputi Aspek Sikap perilaku, Aspek Kerajinan dan Aspek Kerapian. Data diolah dengan melakukan clustering siswa dalam bermasalah, atau tidak bermasalah. Metode clustering yang digunakan dalam penelitian ini adalah metode K-Means dengan matriks jarak Euclidean.Centroid data untuk siswa tidak bermasalah2.165 dan siswa bermasalah 7.372. Sehingga diperoleh siswa bermasalah sejumlah 87 siswa dan siswa tidak bermasalah sejumlah 446 siswa Dengan nilai Davies bouldin index mendapatkan score 0,397 dengan kategori akurat dalam clusterisasinya.

Keywords

Clustering; Euclidean Distance;Davies Bouldin Index

Teks Lengkap:

PDF

Referensi

L. W. Etsukrilasa, Yuline, “Persepsi terhadap perilaku bermasalah pada siswa kelas viii smpn 19 pontianak.,” 2013.

W. N. Wendari, A. Badrujaman, and A. Sismiati S., “Profil Permasalahan Siswa Sekolah Menengah Pertama (Smp) Negeri Di Kota Bogor,” Insight J. Bimbing. Konseling, vol. 5, no. 1, p. 134, 2016.

“Kamus Bahasa Indonesia.” Jakarta : Pusat Bahasa, 2008.

A. Nurzahputra, M. A. Muslim, and M. Khusniati, “Penerapan Algoritma K-Means Untuk Clustering Penilaian Dosen Berdasarkan Indeks Kepuasan Mahasiswa,” Techno.Com, vol. 16, no. 1, pp. 17–24, Jan. 2017.

F. Nur, M. Zarlis, and B. B. Nasution, “Penerapan Algoritma K-Means Pada Siswa Baru Sekolah Menengah Kejuruan Untuk Clustering Jurusan,” InfoTekJar (Jurnal Nas. Inform. dan Teknol. Jaringan), vol. 1, no. 2, pp. 100–105, Mar. 2017.

M. Mardalius, “Implementasi Algoritma K-Means Clustering Untuk Menentukan Kelas Kelompok Bimbingan Belajar Tambahan (Studi Kasus : Siswa SMA Negeri 1 Ranah Pesisir),” Open Science Framework, preprint, Aug. 2018.

Y. Miftahuddin, S. Umaroh, and F. R. Karim, “Perbandingan Metode Perhitungan Jarak Euclidean, Haversine, Dan Manhattan Dalam Penentuan Posisi Karyawan,” J. Tekno Insentif, vol. 14, no. 2, pp. 69–77, 2020.

W. Gie et al., “Perbandingan Euclidean dan Manhattan Untuk Optimasi Cluster Menggunakan Davies Bouldin Index : Status Covid-19 Wilayah Riau,” Pros. Semin. Nas. Ris. Dan Inf. Sci. 2020, vol. 2, no. April, pp. 187–191, 2020.

E. Prasetyo, Data Mining mengolah data menjadi informasi menggunakan Matlab. Yogyakarta: Andi, 2018.

Kusrini and E. T. Luthfi, Algoritma Data Mining, 1st ed. Yogyakarta: Andi, 2009.

A. Puspabhuana and A. M. Siregar, DATA MINING: Pengolahan Data Menjadi Informasi dengan RapidMiner. Surakarta: CV Kekata Group, 2017.

DOI: https://doi.org/10.24176/simet.v13i1.5912