Analisis Clustering Tipe Gaya Belajar Siswa Menggunakan Algoritma K-Means Dan K-Medoids (Studi Kasus Di Smk Yadika 5)

Dzulfia Syafrina Amalia, . (2025) Analisis Clustering Tipe Gaya Belajar Siswa Menggunakan Algoritma K-Means Dan K-Medoids (Studi Kasus Di Smk Yadika 5). Masters thesis, Universitas Pamulang.

	Text COVER.pdf Restricted to Registered users only Download (543kB)
	Text BAB I.pdf Restricted to Registered users only Download (82kB)
	Text BAB II.pdf Restricted to Registered users only Download (288kB)
	Text BAB III.pdf Restricted to Registered users only Download (87kB)
	Text BAB IV.pdf Restricted to Registered users only Download (1MB)
	Text BAB V.pdf Restricted to Registered users only Download (10kB)
	Text JURNAL.pdf Restricted to Registered users only Download (615kB)

Abstract

Penelitian ini bertujuan untuk membantu sekolah, khususnya para guru, dalam memetakan gaya belajar siswa secara efektif dengan menggunakan analisis data mining, khususnya algoritma K-means dan K-medoids. Penelitian difokuskan pada identifikasi variasi gaya belajar individu (visual, auditori, read/write, dan kinestetik) pada siswa jurusan Teknik Jaringan Komputer dan Telekomunikasi (TJKT). Kedua algoritma dibandingkan untuk menentukan metode yang paling sesuai dalam membentuk kelompok belajar berdasarkan gaya belajar siswa. Analisis menunjukkan bahwa K-means cenderung menghasilkan distribusi data yang tidak merata, terutama pada Cluster 2 yang memiliki jumlah data jauh lebih sedikit dibandingkan cluster lainnya. Sebaliknya, K-medoids menghasilkan distribusi yang lebih seimbang antar cluster. Berdasarkan perhitungan Davies Bouldin Index (DBI), K-means menunjukkan kualitas clustering yang lebih baik dengan nilai DBI lebih rendah (0.460) dibandingkan K-medoids (0.595), yang menunjukkan bahwa K-means menghasilkan cluster yang lebih optimal. Dari segi efektivitas, pemilihan algoritma terbaik bergantung pada tujuan clustering dan karakteristik data. K-means lebih efektif dalam menghasilkan cluster berkualitas tinggi tetapi lebih sensitif terhadap outlier karena menggunakan centroid sebagai pusat cluster. Sebaliknya, K-medoids lebih tahan terhadap outlier karena menggunakan medoid sebagai pusat cluster, meskipun kualitas clustering yang dihasilkan kurang optimal dibandingkan K-means. Oleh karena itu, jika tujuan utama adalah memperoleh kualitas clustering terbaik, K-means lebih direkomendasikan. Namun, jika data mengandung banyak outlier atau nilai ekstrem, K-medoids dapat menjadi alternatif yang lebih baik.

Item Type:	Thesis (Masters)
Uncontrolled Keywords:	Gaya Belajar, Data Mining, Clustering, K-means, K-medoids
Subjects:	Q Science > QA Mathematics > QA75 Electronic computers. Computer science
Divisions:	Faculty of Engineering, Science and Mathematics > School of Electronics and Computer Science
Depositing User:	miko
Date Deposited:	04 Jul 2025 03:36
Last Modified:	04 Jul 2025 08:13
URI:	http://repository.unpam.ac.id/id/eprint/16752

Actions (login required)

View Item