Segmentasi Siswa Berdasarkan Karakteristik Akademik Dan Non-Akademik Menggunakan Algoritma K-Means Clustering Untuk Strategi Pembelajaran Personal (Studi Kasus:  SMP Muhammadiyah 03 Medan)

Sylvia Giovani; Andi Zullhery

Authors

Sylvia Giovani Universitas Muhammadiyah Sumatera Utara
Andi Zullhery Universitas Muhammadiyah Sumatera Utara

Keywords:

Data Mining, K-Means Clustering, Segmentasi Siswa, Strategi Pembelajaran Personal, Elbow Method

Abstract

Perbedaan karakteristik akademik dan non-akademik siswa menyebabkan guru memerlukan strategi pembelajaran sesuai kebutuhan setiap kelompok. Penelitian ini bertujuan membangun sistem segmentasi siswa berbasis web menggunakan algoritma K-Means Clustering sebagai dasar penyusunan strategi pembelajaran personal. Data yang digunakan merupakan data siswa kelas VII SMP Muhammadiyah 03 Medan yang meliputi nilai Matematika, Bahasa Indonesia, IPA, dan tingkat partisipasi ekstrakurikuler. Tahapan penelitian meliputi validasi data, konversi nilai ekstrakurikuler ke bentuk numerik, normalisasi menggunakan metode Z-Score, penentuan jumlah cluster menggunakan Elbow Method, serta segmentasi menggunakan algoritma K-Means Clustering. Sistem dikembangkan menggunakan Python dan Streamlit, dilengkapi visualisasi hasil clustering, interpretasi cluster, serta rekomendasi strategi pembelajaran. Hasil penelitian menunjukkan jumlah cluster optimal adalah tiga. Setiap cluster memiliki karakteristik akademik dan non-akademik berbeda sehingga sistem dapat memberikan rekomendasi strategi pembelajaran sesuai kelompok siswa. Pengujian Black Box Testing menunjukkan seluruh fungsi sistem berjalan sesuai harapan. Sistem yang dibangun mampu membantu guru melakukan segmentasi siswa secara sistematis dan mendukung penyusunan strategi pembelajaran yang lebih tepat sesuai karakteristik siswa

References

D. Maryono, C. W. Budiyanto, and A. A. Pamungkas, “Implementation of K-Means clustering for optimization of student grouping based on index of learning styles in programming classes,” IJIE (Indonesian Journal of Informatics Education), vol. 6, no. 2, pp. 84–89, 2022, doi: 10.20961/ijie.v6i2.68151.

R. Amelia, S. N. R. Izzah, M. A. Hikmah, and M. Y. A. Bakar, “Memahami gaya belajar siswa: Kunci keberhasilan personalisasi pembelajaran,” Jurnal Ilmiah Nusantara, vol. 2, no. 1, pp. 287–300, 2025, doi: 10.61722/jinu.v2i1.3276.

N. Hendrastuty, “Penerapan data mining menggunakan algoritma K-Means clustering dalam evaluasi hasil pembelajaran siswa,” Jurnal Ilmiah Informatika dan Ilmu Komputer (JIMA-ILKOM), vol. 3, no. 1, pp. 46–56, 2024, doi: 10.58602/jima-ilkom.v3i1.26.

M. R. Palevi and Z. Indra, “Implementasi algoritma K-Means clustering dengan pendekatan active learning pada siswa SMA untuk menentukan jurusan ke perguruan tinggi,” Jurnal SAINTIKOM, vol. 23, no. 1, pp. 26–36, 2024, doi: 10.53513/jis.v23i1.9553.

Y. Al Fadillah, A. R. Akbar, and Gusmaneli, “Strategi desain pembelajaran adaptif untuk meningkatkan pengalaman belajar di era digital,” Jurnal Pendidikan Sains dan Teknologi Terapan, vol. 1, no. 4, pp. 354–362, 2024.

Y. B. Widodo, S. Sibuea, and M. Narji, “Kecerdasan buatan dalam pendidikan: Meningkatkan pembelajaran personalisasi,” Jurnal Teknologi Informatika dan Komputer, vol. 10, no. 2, pp. 602–615, 2024, doi: 10.37012/jtik.v10i2.2324.

S. M. Koimah, N. A. Zahra, E. Prasitini, S. K. Sasmita, and N. Sari, “Implementasi pembelajaran berdiferensiasi untuk memenuhi kebutuhan belajar siswa yang beragam,” Jurnal Ilmu Sosial dan Budaya Indonesia, vol. 2, no. 2, pp. 58–66, 2024, doi: 10.61476/49j96838.

S. Pitafi, T. Anwar, and Z. Sharif, “A taxonomy of machine learning clustering algorithms, challenges, and future realms,” Applied Sciences, vol. 13, no. 6, Art. no. 3529, 2023, doi: 10.3390/app13063529.

M. Chaudhry, I. Shafi, M. Mahnoor, D. L. Ramírez Vargas, E. Bautista Thompson, and I. Ashraf, “A systematic literature review on identifying patterns using unsupervised clustering algorithms: A data mining perspective,” Symmetry, vol. 15, no. 9, Art. no. 1679, 2023, doi: 10.3390/sym15091679.

Asmana, Y. A. Wijaya, and Martanto, “Clustering data calon siswa baru menggunakan metode K-Means di Sekolah Menengah Kejuruan Wahidin Kota Cirebon,” JATI (Jurnal Mahasiswa Teknik Informatika), vol. 6, no. 2, pp. 552–559, 2022, doi: 10.36040/jati.v6i2.5236.

A. Sulistiyawati and E. Supriyanto, “Implementasi algoritma K-Means clustering dalam penentuan siswa kelas unggulan,” Jurnal Tekno Kompak, vol. 15, no. 2, p. 25, 2021, doi: 10.33365/jtk.v15i2.1162.

C. Wongoutong, “The impact of neglecting feature scaling in k-means clustering,” PLoS ONE, vol. 19, no. 12, Art. no. e0310839, 2024, doi: 10.1371/journal.pone.0310839.

A. J. Onumanyi, D. N. Molokomme, S. J. Isaac, and A. M. Abu-Mahfouz, “AutoElbow: An automatic elbow detection method for estimating the number of clusters in a dataset,” Applied Sciences, vol. 12, no. 15, Art. no. 7515, 2022, doi: 10.3390/app12157515.

A. M. Ikotun, A. E. Ezugwu, L. Abualigah, B. Abuhaija, and H. Jia, “K-means clustering algorithms: A comprehensive review, variants analysis, and advances in the era of big data,” Information Sciences, vol. 622, pp. 178–210, 2023, doi: 10.1016/j.ins.2022.11.139.

K. Nistrina and L. Sahidah, “Unified Modelling Language (UML) untuk perancangan sistem informasi penerimaan siswa baru di SMK Marga Insan Kamil,” J-SIKA: Jurnal Sistem Informasi Karya Anak Bangsa, vol. 4, no. 1, pp. 17–23, 2022.