IMPLEMENTASI ALGORITMA K-MEANS CLUSTERING UNTUK MENGELOMPOKKAN SISWA BERDASARKAN NILAI UTS, UAS, DAN TUGAS

Abstract

Abstract : This study aims to apply the K-Means Clustering method to analyze and classify students’ academic performance based on Midterm Exam (UTS), Assignments, and Final Exam (UAS) scores at SMK Swasta Kualuh. The main problem faced by the school is the difficulty of analyzing students’ score data manually as the volume of data increases, which requires a more objective and structured approach. This research uses a quantitative approach with data mining techniques through the K-Means algorithm. The data were obtained from students’ academic scores and processed through data cleaning, determination of the number of clusters, distance calculation using Euclidean Distance, and iterative clustering until stable results were achieved. The results show that students were successfully grouped into three clusters: high-performing, average-performing, and low-performing students. The application of the K-Means method provides systematic insights into students’ academic performance and can support schools in making better decisions to improve learning quality. Keywords: K-Means Clustering, Data Mining, Student Performance, Academic Scores, Web. Abstrak : Penelitian ini bertujuan untuk menerapkan metode K-Means Clustering dalam menganalisis dan mengelompokkan prestasi akademik siswa berdasarkan nilai Ujian Tengah Semester (UTS), Tugas, dan Ujian Akhir Semester (UAS) di SMK Swasta Kualuh. Permasalahan yang dihadapi sekolah adalah sulitnya melakukan analisis data nilai siswa secara manual seiring dengan meningkatnya jumlah data, sehingga diperlukan metode yang lebih objektif dan terstruktur. Metode penelitian yang digunakan adalah pendekatan kuantitatif dengan teknik data mining menggunakan algoritma K-Means. Data yang digunakan berasal dari nilai akademik siswa yang kemudian diproses melalui tahap pembersihan data, penentuan jumlah klaster, perhitungan jarak menggunakan Euclidean Distance, serta iterasi hingga klaster stabil. Hasil penelitian menunjukkan bahwa data siswa berhasil dikelompokkan ke dalam tiga klaster, yaitu siswa berprestasi tinggi, sedang, dan rendah. Penerapan metode K-Means ini mampu membantu pihak sekolah dalam mengidentifikasi tingkat prestasi siswa secara lebih sistematis dan dapat dijadikan dasar dalam pengambilan keputusan untuk peningkatan kualitas pembelajaran. Kata kunci: K-Means Clustering, Data Mining, Prestasi Siswa, Nilai Akademik, Web.