Publisher

UNBINUNBIN

Journal Jurnal SAINTEKOM (Sains dan Teknologi Komputasi)Jurnal SAINTEKOM (Sains dan Teknologi Komputasi) Abstract

Proses pemetaan kompetensi peserta didik merupakan langkah penting dalam pengelompokan berdasarkan hasil tes diagnostik. Pengelompokan yang tidak efektif dapat menghambat pengambilan keputusan yang tepat terhadap peserta didik yang nilainya rendah. Penelitian ini mengembangkan sebuah prototype aplikasi untuk memetakan kompetensi peserta didik menggunakan algoritma K-Means Clustering. Pada penelitian ini dibuat sebuah prototype aplikasi yang dapat melakukan pemetaan kompetensi peserta didik dengan menerapkan Algoritma K-means Clustering yaitu dengan cara menganalisis data dan melakukan perhitungan pengelompokan, yang kemudian perhitungan pengelompokan dianalisis kembali untuk melihat kompetensi peserta didik di masing-masing kelompok. Variabel yang digunakan mencakup nilai literasi dan numerasi sebagai parameter pengelompokan. Hal ini dilakukan untuk memetakan kompetensi peserta didik agar dapat menyajikan informasi yang bisa menjadi acuan sekolah untuk mengambil kebijakan peserta didik mana yang harus mendapatkan jam tambahan. Pada aplikasi yang dibangun telah dilakukan uji kelayakan oleh ahli sistem dan diperoleh persentase kelayakan sebesar 100% yang dapat dikategorikan ke dalam interpretasi “Sangat Layak. Telah dilakukan juga uji kelayakan oleh pengguna dengan menggunakan kuesioner PSSUQ sesuai dengan kategori PSSUQ diantaranya yaitu nilai kepuasan secara keseluruhan (Overall) sebesar 100%, yang artinya aplikasi ini layak digunakan. Serta telah dilakukan juga uji validitas cluster menggunakan Silhouette Coefficient terhadap algoritma K-means yang diterapkan dengan nilai yang diperoleh sebesar 0,467 yang berarti cluster yang dibentuk termasuk kedalam kategori “Lemah.

Conclusion

Berdasarkan hasil penelitian yang dilakukan, maka kesimpulan yang didapatkan adalah sebagai berikut.Pertama, pengelompokan kompetensi berdasarkan hasil tes diagnostik menghasilkan dua kategori, yaitu Nilai Rendah dan Nilai Tinggi.Kedua, penerapan algoritma K-Means Clustering untuk pemetaan Kompetensi peserta didik baru belum akurat dan efektif dikarenakan hasil evaluasi algoritma K-Means Clustering dengan nilai Silhouette Coefficient menghasilkan nilai 0,467 yang mengindikasikan kualitas pemisahan cluster yang lemah.Ketiga, penelitian ini memberikan kontribusi dalam pengembangan sistem pendukung keputusan untuk pemetaan kompetensi peserta didik baru, meskipun masih memerlukan peningkatan akurasi dan validitas cluster.

Future Research

Berdasarkan hasil penelitian ini, terdapat beberapa saran penelitian lanjutan yang dapat dilakukan. Pertama, penelitian lebih lanjut dapat dilakukan dengan menguji algoritma clustering lain, seperti DBSCAN atau Hierarchical Clustering, untuk dibandingkan efektivitasnya dengan K-Means Clustering dalam memetakan kompetensi peserta didik. Hal ini bertujuan untuk menemukan algoritma yang menghasilkan cluster dengan validitas lebih tinggi dan representasi yang lebih akurat. Kedua, penelitian selanjutnya dapat memperluas variabel yang digunakan dalam proses clustering, tidak hanya terbatas pada literasi dan numerasi, tetapi juga memasukkan variabel lain seperti gaya belajar, minat, dan karakteristik pribadi peserta didik. Dengan demikian, pemetaan kompetensi dapat menjadi lebih komprehensif dan personalisasi. Ketiga, pengembangan sistem dapat dilakukan dengan mengintegrasikan hasil pemetaan kompetensi dengan sistem rekomendasi pembelajaran yang adaptif. Sistem ini dapat memberikan rekomendasi materi pembelajaran dan metode belajar yang sesuai dengan kompetensi dan kebutuhan masing-masing peserta didik, sehingga dapat meningkatkan efektivitas proses pembelajaran dan membantu peserta didik mencapai potensi maksimal mereka. Integrasi ini diharapkan dapat memberikan solusi yang lebih holistik dan berkelanjutan dalam meningkatkan kualitas pendidikan.

Metadata

File size	736.86 KB
Pages	10
DMCA	Report