Penerapan Algoritma K-Means untuk Mengelompokkan Siswa Berdasarkan Nilai Rapor dan Ekstrakurikuler di SMA Hang Tuah 1 Surabaya
Abstrak
Abstrak — Pemanfaatan data akademik dan non-akademik di lingkungan sekolah masih belum dilakukan secara optimal, khususnya dalam mendukung perencanaan pembelajaran yang sesuai dengan karakteristik siswa. SMA Hang Tuah 1 Surabaya memiliki data nilai rapor dan keaktifan ekstrakurikuler yang cukup lengkap, namun belum dimanfaatkan sebagai dasar pengambilan keputusan pembelajaran berbasis data. Penelitian ini bertujuan mengelompokkan siswa berdasarkan nilai rapor dan aktivitas ekstrakurikuler menggunakan algoritma K-Means Clustering sebagai dasar penerapan pembelajaran diferensiasi. Metode penelitian mengacu pada kerangka kerja CRISP-DM yang meliputi tahap business understanding, data understanding, data preparation, modeling, evaluation, dan deployment. Data siswa diolah melalui proses pembersihan dan normalisasi, kemudian jumlah cluster optimal ditentukan menggunakan metode Elbow dan Silhouette Score. Hasil penelitian menunjukkan bahwa tiga cluster merupakan jumlah paling optimal dengan nilai Silhouette Score sebesar 0,4152. Setiap cluster memiliki karakteristik akademik dan non-akademik yang berbeda, sehingga dapat digunakan sebagai dasar penyesuaian strategi pembelajaran. Hasil pengelompokan divisualisasikan melalui dashboard interaktif berbasis Streamlit untuk memudahkan guru dan pihak sekolah dalam melakukan pemantauan dan analisis secara real-time. Penelitian ini menunjukkan bahwa pendekatan berbasis data dapat membantu sekolah memahami kondisi siswa secara lebih objektif dan mendukung penerapan pembelajaran diferensiasi.
Kata kunci— K-Means Clustering, Nilai Akademik, Ekstrakurikuler, Streamlit, Pembelajaran Diferensiasi.
Referensi
REFERENSI
S. Assyifa.dkk, “Pemenuhan Hak dan Kewajiban Warga Negara Indonesia di Bidang Pendidikan,” Madani J. Multidisiplin, vol. 1, no. 4, pp. 248–252, 2023.
M. A. Wardana, “Penerapan Data Mining Pengelompokan Data Penjualan Motor di PT . Nusantara Surya Sakti Soppeng Menggunakan Metode K-Means Clustering,” vol. 8, no. April, 2025.
Y. H. Chrisnanto and G. Abdullah, “The uses of educational data mining in academic performance analysis at higher education institutions (case study at UNJANI),” Matrix J. Manaj. Teknol. dan Inform., vol. 11, no. 1, pp. 26–35, 2021, doi: 10.31940/matrix.v11i1.2330.
D. Darlinda and J. N. Utamajaya, “Sistem Pendukung Keputusan Penerima Beasiswa Program Indonesia Pintar Menggunakan Metode Algoritma K-Means Clustering,” JURIKOM (Jurnal Ris. Komputer), vol. 9, no. 2, p. 167, 2022, doi: 10.30865/jurikom.v9i2.3971.
S. Suraya, M. Sholeh, and D. Andayati, “Penerapan Metode Clustering Dengan Algoritma K-Means Pada Pengelompokan Indeks Prestasi Akademik Mahasiswa,” Skanika, vol. 6, no. 1, pp. 51–60, 2023, doi: 10.36080/skanika.v6i1.2982.
B. Hartono, S. Eniyati, and K. Hadiono, “Perbandingan Metode Perhitungan Jarak pada Nilai Centroid dan Pengelompokan Data Menggunakan K-Means Clustering,” J. Sist. Komput. dan Inform., vol. 4, no. 3, p. 503, 2023, doi: 10.30865/json.v4i3.6021.
K. Merdeka and D. I. Sd, “PEMBELAJARAN DIFERENSIASI DALAM,” vol. 7, pp. 10714–10721, 2024.
B. Ii, K. Manggala, and K. Makassar, “Analisis penerapan pembelajaran berdiferensiasi dalam kurikulum merdeka di kelas iv upt spf sd inpres tello baru ii kecamatan manggala kota makassar,” vol. 2, no. 3, 2024.
A. Mulyana, Y. Hermawan, J. Saputri, S. Informasi, F. Informatika, and I. Bisnis, “Penerapan Data Mining Menggunakan Algoritma K-Means Clustering Untuk Rekomendasi Pilihan Program Studi Pada Mahasiswa Baru Penerimaan mahasiswa baru merupakan agenda tahunan yang dilaksanakan oleh perguruan tinggi untuk menjaring calon mahasiswa potensial,” vol. 5, no. 1, pp. 60–72, 2024, doi: 10.31284/j.kernel.2024.v5i1.7624.
Mubarok, “Jurnal JTIK ( Jurnal Teknologi Informasi dan Komunikasi ) Implementasi Data Mining untuk Clustering Lowongan,” vol. 9, no. June, pp. 703–712, 2025.
