Penerapan Metode Klustering Fuzzy C-Means Untuk Penentuan Peminatan Pemilihan Jurusan Pada Sekolah Menengah Tingkat Atas

Penulis

  • Heru Kartika Candra Komputer Akuntansi, Politeknik Negeri Banjarmasin, Indonesia
  • Muhammad Bahit Komputer Akuntansi, Politeknik Negeri Banjarmasin, Indonesia
  • Billy Sabella Komputer Akuntansi, Politeknik Negeri Banjarmasin, Indonesia

DOI:

https://doi.org/10.31961/positif.v7i2.1106

Kata Kunci:

Penjurusan SMA, Fuzzy K-Means, KKM

Abstrak

Penentuan jurusan untuk siswa sesuai dengan kondisi bobot pengetahuan atau biasa disebut dengan penentuan jurusan siswa di lingkungan SMA ditentukan oleh pemahaman pembelajaran dalam memahami pengetahuan yang didukung oleh unsur-unsur peminatan, karena karakter keilmuan sebanding dengan sifat yang sama dari obyek yang menekuni keilmuan tersebut. Dengan asumsi tersebut seseorang yang mendalami suatu keilmuan akan dapat mendalaminya apabila mempunyai kesenangan terhadap apa yang sedang dipelajarinya. Rasa senang akan sesuatu yang dipelajari dapat mempengaruhi mutu capaian hasil belajar siswa dalam keilmuan bidang studi tertentu.  Hal ini dapat dikatakan bahwa fokus terhadap suatu materi yang dipelajari, siswa akan belajar lebih nyaman dan mencapai pemahaman yang lebih baik sehingga akan tercapai bobot keilmuan yang dipelajari [1]. Proses penentuan jurusan diadakan untuk memilih dan mengklasifikasikan kemampuan siswa yang sama dalam satu jurusan Pendidikan sesuai bidang yang ditempuh. Hal ini dilakukan agar adanya penyesuaian terhadap peminatan dan kemampuan siswa dalam bidang jurusan yang diinginkan, sehingga diharapkan dapat memberikan kenyamanan dalam belajar dan berpengaruh dalam pencapaian pemahaman dan prestasi siswa belajar. Pembentukan pengelompokan data merupakan salah satu metode atau cara yang dipakai dalam mengurai pola yang seragam dalam suatu data. Analisa pengelompokan merupakan proses memilah-milah data dalam suatu kelompok ke dalam beberapa kelompok yang kemiripan datanya dalam suatu kelompok lebih besar daripada kemiripan data tersebut dengan data dalam kelompok lain[4]. Suatu cara yang sering dipakai dalam pengelompokan data set yaitu dengan pemakaian algoritma Clustering [5].  Terdapat banyak algoritma klastering data, salah satu yang sering dipakai yaitu Fuzzy C-Means. Metode klastering K-Means kurang tepat digunakan untuk mengelompokkan siswa berdasarkan kesamaan kemampuan akademisi dalam proses penentuan jurusan menurut ketentuan Departemen Pendidikan Nasional. Dari 42 contoh sebagian data 10 Sekolah Menengah Atas Negeri 13 Banjarmasin yang  akan dikelompokkan dalam 3 kelompok  berdasarkan kesamaan nilai 10 mata pelajaran inti penjurusan. Perbedaan hasil pengklasteran data siswa secara manual (berdasarkan ketentuan yang di gunakan di SMA 13 Banjarmasin) dengan hasil pengklasteran algoritma K-Means disebabkan karena (a) Algoritma K-Means melakukan pengklasteran data siswa berdasarkan kemiripan pola data (nilai) dalam kelompok-kelompok yang yang telah ditetapkan, dan tidak terikat pada suatu aturan atau nilai-nilai variabel tertentu. (b) Metode pengklasteran siswa yang digunakan di SMA 13 Banjarmasin dalam penentuan jurusan yaitu mengelompokkan siswa berdasarkan kesamaan nilai dalam kelompok-kelompok yang telah ditetapkan, tetapi terikat pada suatu aturan atau nilai variabel tertentu, yaitu nilai standar minimum (nilai Kriteria Ketuntasan Minimum / KKM) untuk masuk pada kelompok tertentu.

Unduhan

Data unduhan belum tersedia.

Referensi

Departemen Pendidikan Nasional (2004), Panduan Penilaian Penjurusan Kenaikan Kelas dan Pindah Sekolah, Direktorat Pendidikan Menengah Umum, Jakarta

Giyanto, Heribertus (2008), Penerapan Algoritma Clustering K-Medoid dan Gath-Geva untuk Penjurusan Siswa SMA Studi Kasus : Penjurusan Siswa SMAK Marsudi Luhur Yogyakarta ", Tesis, Program Studi Ilmu Komputer, Universitas Gadja Mada, Yogyakarta.

Afivi, Refcan (2005), Pengelompokkan Selari Untuk Data Skala Besar dan Dimensional Tinggi Pada Aplikasi Perlombongan Data, Proceedings of the Postgraduate Annual Research Seminar, Faculty of Computer Science and Information System, Universiti Teknologi Malaysia, Malaysia.

. MacQueen, J. B. (1967). Some Methods for classification and Analysis of Multivariate Observations, Proceedings of 5-th Berkeley Symposium on Mathematical Statistics and Probability, Berkeley, University of California Press, 1: 281-297.

Andayani, Sri (2008), Pembentukan cluster dalam Knowledge Discovery in Database dengan Anlgoritma K-Means, MIPA, UNY (Proceding)

Kusumadewi,S., Rismawan,T. (2008), Aplikasi K-Means Untuk Pengelompokkan Mahasiswa Berdasarkan Nilai Body Mass Index (BMI) dan Ukuran Kerangka, Proceedings pada Seminar Nasional Aplikasi Teknologi Informasi 2008, Jurusan Teknik Informatika, UII, Yogyakarta.

Andika B.P. (2008), Verifikasi Citra Sidik Jari Poin Minutiae Dalam Visum Et Repertum (VER) Menggunakan K-Means Clustering, Jurnal Ilmu Komputer YB, Vol.XX No. XX, Universitas Brawijaya, Malang

Sutikyo, P.H.P. (2009). Penggolongan Suara Berdasarkan Usia Dengan Menggunakan Metode K-Means, Proceedings Jurusan Teknik Telekomunikasi, Institut Teknologi Sepuluh NoPember, Surabaya.

Dunham, Margaret,H. (2003), Data Mining Introuctory and Advanced Topics, New Jersey, Prentice Hall.

Kantardzic, Mehmed (2003), Data Mining Concepts Models, Methods, and Algorithms, New Jersey, IEEE

Santoso, Budi (2007), Data Mining – Teknik Pemanfaatan Data Untuk Keperluan Bisnis, Graha Ilmu, Yogyakarta.

Soelaiman, R., Purwitasari, D. (2005), Pengembangan Sistem Pengenalan Wajah Dengan Metode Pengklasifikasian Hibrid Berbasis Jaringan Fungsi Basis Radial dan Pohon Keputusan Induktif, Jurnal Informatika Vol. 6 No.2, Jurusan Teknik Informatika, ITS, Surabaya.

Departemen Pendidikan Nasional (2006), Panduan Penyusunan Laporan Hasil Belajar Peserta Didik Sekolah Menengah Atas (SMA), Direktorat Jenderal Manajemen Pendidikan Dasar Dan Menengah Direktorat Pembinaan SMA, Jakarta 2006.

Diterbitkan

2021-12-29