Pengembangan Sistem Pengelompokan Sekolah Menggunakan Metode Algoritma K-Means (Studi Kasus Dinas Pendidikan Kabupaten Malang)

Main Article Content

Moch. Rosid Noviansyah
Ilyas Nuryasin
Didih Rizki Chandranegara

Abstract

Sebuah instansi pemerintah yang bergerak di bidang pendidikan khususnya pendidikan smp tentunya Dinas Pendidikan Kabupaten Malang yang merupakan instansi penting sebagai penggerak pendidikan di wilayah kabupaten malang untuk mengukur suatu mutu dan kualitas - kualitas sekolah yang ada di Dinas Kabupaten Malang yaitu berdasarkan standart penilaian pendidikan dan Standart pengelolaan yang berupa Nilai Ujian Nasional, Nilai Ujian Sekolah, dan Nilai Akreditasi Sekolah, namun demikian mengingat banyaknya jumlah Sekolah Menengah Pertama atau dalam kasus ini adalah SMP yang ada di Kabupaten Malang, nilai Ujian Nasional, Ujian Sekolah, serta Nilai Akreditasi Sekolah dari tiap tiap sekolah tidak seragam tentu pihak Dinas Kabupaten Malang akan kesulitan dalam mencari dan memilah tiap tiap sekolah berdasarkan karakteristik tersebut. Maka penelitian ini membahas tentang penerapan data mining menggunakan metode Algoritma K-Means untuk menghasilkan tampilan profil yang memiliki atribut sama , atribut atau parameter nilai yang digunakan adalah rata rata nilai dari setiap sekolah dari nilai Ujian Nasional, nilai Ujian Sekolah, serta nilai Akreditasi Sekolah, dengan menghasilkan cluster sejumlah 3 (k = 3) dengan cluster1 sebanyak 33 data , cluster2 sebanyak 56 data, cluster3 sebanyak 49 data. Hal ini menunjukan nilai SSE paling besar dengan jumlah cluster sebanyak 3 dimana dengan jumlah cluster tersebut  yang paling ideal untuk melakukan clustering sekolah SMP berdasarkan data di Dinas Pendidikan Kabupaten Malang.

Downloads

Download data is not yet available.

Article Details

How to Cite
[1]
M. R. Noviansyah, I. Nuryasin, and D. R. Chandranegara, “Pengembangan Sistem Pengelompokan Sekolah Menggunakan Metode Algoritma K-Means (Studi Kasus Dinas Pendidikan Kabupaten Malang)”, JR, vol. 4, no. 2, Jan. 2024.
Section
Articles

References

Žalik, K.R., 2008, An Efficient K'-means Clustering Algorithm, Pattern Recognition

Letters, 29(9), pp.1385–1391.

Yi, B., Yang, F., Qiao, H., Xu, C., 2010, An Improved Initialization Center Algorithm for K- means Clustering, 2010 International Conference on Computational Intelligence and Software Engineering (CiSE), (1), pp.1–4.

UCI Repository of Machine Learning Databases, On line Datsets,

http://archive.ics.uci.edu/ml/ diakses 20 Maret 2014

R. S. Pressman, Rekayasa Perangkat Lunak (Pendekatan Praktisi) Buku 1, 7th ed. Yogyakarta: Penerbit Andi, 2012.

Abul Hasan, M.J. dan Ramakrishnan, S., 2011, A Survey: Hybrid Evolutionary Algorithms For Cluster Analysis, Artificial Intelligence Review, 36(3), pp.179–204.

Jain, A.K. dan Lansing, E., 2010, Data Clustering : 50 Years Beyond K-means, Pattern Recognition Letters, 31(8), pp.651-666.

Kao, Y. dan Lee, S., 2009, Combining K-means and Particle Swarm Optimization for Dynamic Data Clustering Problems, Computing and Intelligent Systems, ICIS, (1), pp.757– 761.

Kao, Y.-T., Zahara, E., Kao, I.-W., 2008, A Hybridized Approach to Data Clustering. Expert Systems with Applications, 34(3), pp.1754–1762.

Ye, F. dan Chen, C., 2005, Alternative KPSO-Clustering Algorithm, Tamkang Journal of science and Engineering, 8(2), pp.165–174.

Most read articles by the same author(s)

1 2 3 4 5 6 7 > >>