Pengelompokan Data Calon Siswa Baru Di Sekolah Menengah Kejuruan menggunakan Algoritma K-Means
DOI:
https://doi.org/10.58436/jsitp.v4i1.1575Abstract
Pemilihan jurusan di sekolah menengah kejuruan (SMK) merupakan salah satu hal yang menentukan keberhasilan belajar peserta didik. SMK Muhammadiyah Paguyangan merupakan salah satu sekolah yang menjadi pilihan untuk para calon siswa baru dalam melanjutkan pendidikannya, dengan tujuan untuk dapat meningkatkan sumber daya manusia yang sedang dibutuhkan. Seringkali dijumpai siswa yang salah masuk jurusan dikarenakan memilih jurusan hanya berdasarkan informasi dari teman. Dalam prosesnya selama ini belum diterapkan metode sebuah metode klasterisasi yang akurat sehingga membuat tingkat akurasi yang dihasilkan dari klasterisasi jurusan belum diketahui. Salah satu langkah untuk mencapai hasil maksimal dalam pengelompokan jurusan adalah dengan pengolahan data. Salah satunya dengan pengklasteran menggunakan algoritma K-Means. Algoritma K-Means merupakan algoritma klasterisasi pengelompokan data berdasarkan titik pusat cluster (centroid) terdekat dengan data. Pada penelitian ini peneliti menerapkan algoritma K-Means Clustering untuk mengelompokan data siswa baru di SMK Muhammadiyah Paguyangan. Penelitian ini bertujuan untuk mengelompokan data calon siswa baru berdasarkan jurusan dengan menggunakan variabel nilai dan minat siswa, dengan menerapkan metode K-Means. Hasil dari penelitian ini diharapkan dapat membantu dalam pengolahan data untuk penentuan jurusan.
Kata Kunci : Pemilihan Jurusan, Klasterisasi, K-Means
References
F. Yunita, “Penerapan Data Mining Menggunkan Algoritma K-Means Clustring Pada Penerimaan Mahasiswa Baru,” Sistemasi, vol. 7, no. 3, p. 238, 2018.
D. Kurniawan, Pengenalan Machine Learning dengan Python. Jakarta: PT Elex Media Komputindo, 2020.
F. Firza and S. Sarjono, “Penerapan Algoritma K-Means Dalam Metode Clustering Untuk Peminatan Jurusan Bagi Siswa Swasta Pelita Raya Kota Jambi,” J. Manaj. Sist. Inf., vol. 5, no. 3, pp. 371–382, 2020, [Online]. Available: http://ejournal.stikomdb.ac.id/index.php/manajemensisteminformasi/article/view/907.
M. S. Said and Y. Yusti, “Penerapan Algoritma K-Means Dalam Penentuan Jurusan Siswa Sman 05 Bombana,” Simtek J. Sist. Inf. dan Tek. Komput., vol. 5, no. 2, pp. 114–122, 2020, doi: 10.51876/simtek.v5i2.87.
I. P. Sari and R. Harman, “Decission Tree Technique Dalam Menentukan Penjurusan Siswa Menengah Kejuruan,” J. Inf. Syst. Res., vol. 1, no. 4, pp. 296–304, 2020.
S. Susanto and D. Suryadi, Pengantar Data Mining Menggali pengetahuan dari bongkahan data. Yogyakarta: Andi, 2010.
Suyanto, Data Mining Untuk Klasifikasi dan Klasterisasi Data. Bandung, 2017.
M. Bramer, Principles of data mining. London: Springer, 2007.
R. T. Wulandari, Data Mining. Yogyakarta: Gava Media, 2017.
T. Alfina, B. Santosa, and A. R. Barakbah, “Analisa Perbandingan Metode Hierarchical Clustering, K-Means dan Gabugan Keduanya dalam Membentuk Cluster Data (Studi Kasus : Problem Kerja Praktek Jurusan Teknik Industri ITS),” Junal Tek. ITS, vol. 1, no. 1, pp. 1–5, 2012.
T. Khotimah, “Pengelompokan Surat Dalam Al Qur’an Menggunakan Algoritma K-Means,” Simetris J. Tek. Mesin, Elektro dan Ilmu Komput., vol. 5, no. 1, pp. 83–88, 2014, doi: 10.24176/simet.v5i1.141.
R. Munir, Matematika Diskrit. Bandung: Informatika, 2012.
Barakbah, A. Ridho, T. Karlita, and A. S. Ahsan, Logika dan Algoritma. Surabaya: Politeknik Elektronika Negeri Surabaya, 2013.
R. A. Asroni, “Penerapan Metode K-Means Untuk Clustering Mahasiswa Berdasarkan Nilai Akademik Dengan Weka Interface Studi Kasus Pada Jurusan Teknik Informatika UMM Magelang,” Ilm. Semesta Tek., vol. 18, no. 1, pp. 76–82, 2015.
N. H. Pratama, “Implementasi Metode KMeans Pada Penerimaan Siswa,” 2018.
B. Santoso, Data Mining: Teknik Pemanfaatan Data untuk Keperluan Bisnis. Yogyakarta: Graha Ilmu, 2007.
J. Han, K. Micheline, and J. Pei, Data mining: concepts and techniques. Waltham: Elsevier, 2012.
I. Anaconda, “Anaconda Navigator,” Docs.Anaconda.Com, 2020. https://docs.anaconda.com/anaconda/navigator/#anacon da-navigator (accessed Jul. 10, 2021).
Jupyter, “Jupyter,” 2020. https://jupyter.org/ (accessed Jul. 10, 2021).
Indrajani, Database Design (Case Study All in One). Jakarta: PT. Elex Media Komputindo, 2015.
Scikit-Learn, “Sci-kit Learn,” 2007. http://scikit-learn.github.io/stable (accessed Jul. 10, 2021).
Sugiyono, Statisktika Untuk Penelitian. Bandung: Alfabeta, 2006.
S. Margono, Metodologi penelitian pendidikan. Bandung: Rineka Cipta, 2010.
Hawa, S. D., Syauqi, A., Rolisnawati, R., & Za'im Akbar, H. (2023). Factor Analysis of Demand for Kaligua Tourism in Brebes Regency: A Case Study Using Primary Data. Media Trend, 18(1), 90-101.
Al Banin, Q., Eliyana, A., & Latifiyah, E. R. (2020). Enhancing employee performance with work motivation as a mediation variable. Systematic Reviews in Pharmacy, 11(9), 333-346.
