Implementasi Algoritma K-Medoids Dalam Mengelompokkan Siswa Berdasarkan Keaktifan Dalam Proses Pembelajaran
DOI:
https://doi.org/10.71302/jbidai.v7i1.38Kata Kunci:
activity, k-medoids algorithm, learning, Clustering, studentsAbstrak
Pengelompokan siswa berdasarkan tingkat keaktifan mereka merupakan salah satu strategi efektif untuk meningkatkan kualitas pembelajaran. SMP 9 Tarakan saat ini belum memiliki sistem yang mampu mengelompokkan siswa berdasarkan keaktifan mereka dalam proses pembelajaran, yang dapat membantu dalam mengevaluasi hasil pembelajaran. Pada tahap awal penerapan metode ini, data yang dikumpulkan berasal dari nilai rapor siswa kelas VIII I Semester 2 (Genap) tahun ajaran 2022/2023. Karakter yang digunakan dalam analisis meliputi nilai Agama, PPKn, Matematika, IPA, IPS, Bahasa Indonesia, Bahasa Inggris, Penjaskes, dan Seni Budaya Keterampilan, dengan total 31 data yang dianalisis. Langkah kedua adalah menentukan jumlah cluster. Tahap ketiga melibatkan pemilihan cluster secara acak dengan medoid awal. Tahap keempat adalah menghitung jarak masing-masing siswa menggunakan metode Euclidean distance, lalu menandai jarak terdekat serta menghitung total jarak. Tahap kelima adalah menghitung total simpang (S) dan menggunakan Davies-Bouldin Index (DBI) untuk mencari nilai k yang optimal, dengan melakukan pengujian sebanyak lima kali dengan k=3. Berdasarkan hasil perhitungan, analisis pengelompokan data siswa menghasilkan tiga cluster menggunakan perhitungan Euclidean distance dan Davies-Bouldin Index. Hasilnya menunjukkan bahwa 3 siswa masuk ke dalam cluster Sangat Berminat, 4 siswa dalam cluster Berminat, dan 24 siswa dalam cluster Kurang Berminat
Referensi
[1] I. Fatma, H. S. Tambunan, and F. Rizki, “Analisis Metode K-Medoids Cluster Dalam Mengelompokkan Siswa Yang Berprestasi,” Bull. Informatics Data Sci., vol. 1, no. 1, p. 14, 2022, doi: 10.61944/bids.v1i1.4.
[2] Y. Sopyan, A. D. Lesmana, and C. Juliane, “Analisis Algoritma K-Means dan Davies Bouldin Index dalam Mencari Cluster Terbaik Kasus Perceraian di Kabupaten Kuningan,” Build. Informatics, Technol. Sci., vol. 4, no. 3, pp. 1464–1470, 2022, doi: 10.47065/bits.v4i3.2697.
[3] B. Riyanto, “Penerapan Algoritma K-Medoids Clustering Untuk Pengelompokkan Penyebaran Diare Di Kota Medan (Studi Kasus: Kantor Dinas Kesehatan Kota Medan),” KOMIK (Konferensi Nas. Teknol. Inf. dan Komputer), vol. 3, no. 1, pp. 562–568, 2019, doi: 10.30865/komik.v3i1.1659.
[4] 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, doi: 10.36294/jurti.v4i1.1296.
[5] G. B. Kaligis and S. Yulianto, “Analisa Perbandingan Algoritma K-Means, K-Medoids, Dan X-Means Untuk Pengelompokkan Kinerja Pegawai,” IT-Explore J. Penerapan Teknol. Inf. dan Komun., vol. 1, no. 3, pp. 179–193, 2022, doi: 10.24246/itexplore.v1i3.2022.pp179-193.
[6] E. T. Ena Tasia and M. Afdal, “Perbandingan Algoritma K-Means Dan K-Medoids Untuk Clustering Daerah Rawan Banjir Di Kabupaten Rokan Hilir,” Indones. J. Inform. Res. Softw. Eng., vol. 3, no. 1, pp. 65–73, 2023, doi: 10.57152/ijirse.v3i1.523.
[7] H. Pohan, M. Zarlis, E. Irawan, H. Okprana, and Y. Pranayama, “Penerapan Algoritma K-Medoids dalam Pengelompokan Balita Stunting di Indonesia,” JUKI J. Komput. dan Inform., vol. 3, no. 2, pp. 97–104, 2021, doi: 10.53842/juki.v3i2.69.
Unduhan
Diterbitkan
Cara Mengutip
Terbitan
Bagian
Lisensi
Artikel ini berlisensiCreative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.
