Evaluasi Kinerja Metode K-Means dan Hierarchical Clustering dalam Pengelompokan Data Pendidikan
DOI:
https://doi.org/10.52436/1.jpti.2015Kata Kunci:
Davies-Bouldin Index, Educational Data Mining, Hierarchical Clustering, K-Means Clustering, Silhouette ScoreAbstrak
Seiring meningkatnya kebutuhan akan eksplorasi informasi tersembunyi dan pengenalan pola, penerapan Educational Data Mining dalam pengolahan data pendidikan menjadi semakin penting untuk mendukung kualitas pembelajaran. Urgensi penelitian ini didasarkan pada pentingnya pemanfaatan data pendidikan secara optimal untuk mendukung pengambilan keputusan yang lebih akurat serta pengembangan sistem pembelajaran adaptif berbasis data. Penentuan metode clustering yang tepat menjadi salah satu kendala utama, sebab kualitas hasil pengelompokan data berperan penting dalam menentukan akurasi interpretasi data dan keputusan dalam pendidikan. Penelitian ini bertujuan untuk mengevaluasi kinerja teknik pengelompokan data pendidikan dengan memanfaatkan metode K-Means dan Hierarchical Clustering. Dataset yang digunakan berasal dari data pendidikan publik yang mencakup atribut performa akademik dan aktivitas belajar siswa. Uraian langkah dalam penelitian meliputi preprocessing data, normalisasi data, penerapan algoritma clustering, kemudian evaluasi hasil cluster menggunakan Silhouette Score dan Davies-Bouldin Index. Temuan ini mengimplikasikan bahwa metode K-Means lebih direkomendasikan untuk analisis data pendidikan, khususnya dalam mendukung pengelompokan siswa dan perumusan strategi pembelajaran yang lebih efektif tanpa perlu mengacu pada detail nilai statistik secara berulang.
Unduhan
Referensi
V. Ashrafimoghari, “Big Data and Education: using big data analytics in language learning,” 2022, doi: 10.13140/RG.2.2.21946.06080.
I. Papadogiannis, M. Wallace, and G. Karountzou, “Educational Data Mining: A Foundational Overview,” Encyclopedia, vol. 4, no. 4, pp. 1644–1664, 2024, doi: 10.3390/encyclopedia4040108.
A. D. A. Systematic, “G-Tech : Jurnal Teknologi Terapan Educational Data Mining in Online Learning : Data Mining Techniques and,” vol. 10, no. 1, pp. 190–205, 2026.
E. L. Cahapin, B. A. Malabag, C. S. Santiago, J. L. Reyes, G. S. Legaspi, and K. L. Adrales, “Clustering of students admission data using k-means, hierarchical, and DBSCAN algorithms,” Bulletin of Electrical Engineering and Informatics, vol. 12, no. 6, pp. 3647–3656, 2023, doi: 10.11591/eei.v12i6.4849.
A. Alif et al., “Penerapan Algoritma K-means Clustering dan Hierarchical Clustering dalam Mengelompokkan Data Pengangguran di Karawang,” Jurnal Algoritma, vol. 21, no. 2, pp. 209–220, Nov. 2024, doi: 10.33364/algoritma/v.21-2.2155.
S. N. Safitri, H. Setiadi, and E. Suryani, “Educational Data Mining Using Cluster Analysis Methods and Decision Trees based on Log Mining,” Jurnal RESTI, vol. 6, no. 3, pp. 448–456, Jun. 2022, doi: 10.29207/resti.v6i3.3935.
R. A. N. Diaz, N. L. G. P. Suwirmayanti, E. Setyaningsih, and I. W. B. Sentana, “Comparing K-Means, GMM and BIRCH for Student Academic Performance Data: Evaluation on Two Public Datasets,” MATRIK : Jurnal Manajemen, Teknik Informatika dan Rekayasa Komputer, vol. 25, no. 1, pp. 217–230, Nov. 2025, doi: 10.30812/matrik.v25i1.5843.
S. J. Sultan Alalawi, I. N. Mohd Shaharanee, and J. Mohd Jamil, “CLUSTERING STUDENT PERFORMANCE DATA USING k-MEANS ALGORITHMS,” Journal of Computational Innovation and Analytics (JCIA), vol. 2, no. 1, pp. 41–55, Jan. 2023, doi: 10.32890/jcia2023.2.1.3.
I. P. Putra and A. Fadhillah, “Perbandingan Metode K-Means dan Hierarchical Clustering dalam Pengelompokan Data Penduduk Miskin di Kabupaten Cianjur,” LANCAH: Jurnal Inovasi dan Tren, vol. 3, no. 1, Apr. 2025, doi: 10.35870/ljit.v3i1.4028.
N. T. Hartanti, E. Seniwati, R. Pramitasari, I. R. Wulandari, and U. A. Yogyakarta, “Jumlah Cluster Optimal dalam Pengelompokan Siswa SMK dengan Metode Elbow K-Means Clustering,” Dec. 2024. [Online]. Available: http://jurnal.bsi.ac.id/index.php/jais
A. Agung, A. Daniswara, I. Kadek, and D. Nuryana, “Data Preprocessing Pola Pada Penilaian Mahasiswa Program Profesi Guru,” Journal of Informatics and Computer Science, vol. 05, 2023.
N. A. Maori, “METODE ELBOW DALAM OPTIMASI JUMLAH CLUSTER PADA K-MEANS CLUSTERING,” Jurnal SIMETRIS, vol. 14, 2023.
N. T. Hartanti, D. Maulina, E. Seniwati, and I. R. Wulandari, “Penerapan Teknik Clustering untuk Identifikasi Pola Perilaku Belajar Siswa Menggunakan Dataset Publik Learning Analytics Universitas Amikom Yogyakarta,” Journal of Innovative and Creativity, vol. 5, no. 3, pp. 14651–14663, Dec. 2025.
N. A. Maori, “METODE ELBOW DALAM OPTIMASI JUMLAH CLUSTER PADA K-MEANS CLUSTERING,” Jurnal SIMETRIS, vol. 14, 2023.
J. Homepage et al., “MALCOM: Indonesian Journal of Machine Learning and Computer Science Clustering Analysis Using the K-Means Method to Identify Alumni Satisfaction Pattern Analisis Clustering Menggunakan Metode K-Means untuk Mengidentifikasi Pola Kepuasan Alumni,” vol. 6, no. 1, pp. 31–41, 2026, doi: 10.57152/malcom.v6i1.2401.
N. I. Boyko and O. A. Tkachyk, “Hierarchical clustering algorithm for dendrogram construction and cluster counting,” Informatics and mathematical methods in simulation, vol. 13, no. 1–2, pp. 5–15, Apr. 2023, doi: 10.15276/imms.v13.no1-2.5.
