STMIK BANJARBARUSTMIK BANJARBARU

Progresif: Jurnal Ilmiah KomputerProgresif: Jurnal Ilmiah Komputer

Ketepatan penyaluran bantuan pendidikan masih menjadi tantangan, terutama ketika tidak berbasis pada data sosial ekonomi yang terstruktur. Penelitian ini bertujuan untuk mengelompokkan siswa SMP Negeri 1 Lunang berdasarkan status sosial ekonomi menggunakan algoritma K-Means Clustering sebagai pendekatan segmentasi. Data yang digunakan mencakup penghasilan dan pekerjaan orang tua, jumlah tanggungan, bantuan sosial, surat keterangan tidak mampu, dan jarak rumah ke sekolah. Setelah data dinormalisasi, dilakukan klasterisasi dan visualisasi menggunakan Principal Component Analysis (PCA). Hasil clustering menghasilkan tiga kelompok utama yang merepresentasikan tingkatan sosial ekonomi berbeda yaitu rendah, menengah dan tinggi. Validasi menggunakan Silhouette Score menunjukkan nilai sebesar 0,2592, menandakan bahwa pemisahan klaster cukup baik. Temuan ini menunjukkan bahwa K-Means dapat menjadi alat bantu pengambilan keputusan untuk penyaluran bantuan berbasis data. Penelitian ini menawarkan pendekatan baru dalam segmentasi siswa yang mempertimbangkan indikator geografis dan sosial secara bersamaan.

Penelitian ini berhasil menerapkan algoritma K-Means Clustering untuk mengelompokkan siswa berdasarkan indikator sosial ekonomi, menghasilkan tiga kelompok utama.status sosial ekonomi rendah, menengah, dan tinggi.Proses normalisasi data dan visualisasi menggunakan PCA menghasilkan klaster yang jelas, dengan validasi Silhouette Score sebesar 0,2592 yang menunjukkan pemisahan klaster cukup baik.Hasil segmentasi ini dapat digunakan sebagai dasar pengambilan keputusan yang lebih objektif dalam penyaluran bantuan pendidikan secara tepat sasaran di sekolah.

Pertama, perlu dilakukan penelitian dengan jumlah sampel yang lebih besar dan cakupan sekolah yang lebih luas untuk melihat sejauh mana model segmentasi ini dapat digeneralisasi di wilayah lain dengan kondisi sosial ekonomi dan geografis yang berbeda. Kedua, diperlukan studi longitudinal yang mengamati perubahan status sosial ekonomi siswa dari waktu ke waktu untuk mengevaluasi dinamika klaster dan menilai kestabilan hasil segmentasi dalam jangka panjang. Ketiga, perlu dikembangkan perbandingan antara algoritma K-Means dengan metode klasterisasi lain seperti DBSCAN atau Agglomerative Clustering untuk mengetahui metode mana yang paling efektif dalam mengidentifikasi kelompok siswa penerima bantuan pendidikan berdasarkan kombinasi variabel sosial, ekonomi, dan geografis.

  1. Implementasi Algoritma C4.5 Untuk Prediksi Penerima Beasiswa Program Indonesia Pintar | Jurnal KomtekInfo.... jkomtekinfo.org/ojs/index.php/komtekinfo/article/view/582Implementasi Algoritma C4 5 Untuk Prediksi Penerima Beasiswa Program Indonesia Pintar Jurnal KomtekInfo jkomtekinfo ojs index php komtekinfo article view 582
  2. Implementasi Metode MOORA dalam Sistem Pendukung Keputusan bagi Calon Penerima Beasiswa Program Indonesia... ojs.uajy.ac.id/index.php/konstelasi/article/view/8972Implementasi Metode MOORA dalam Sistem Pendukung Keputusan bagi Calon Penerima Beasiswa Program Indonesia ojs uajy ac index php konstelasi article view 8972
  3. PREDIKSI BANTUAN OPERASIONAL RAUDHATUL ATHFAL DI TINGKAT KABUPATEN MENGGUNAKAN METODE SUPPORT VECTOR... ejournal.itn.ac.id/index.php/jati/article/view/12505PREDIKSI BANTUAN OPERASIONAL RAUDHATUL ATHFAL DI TINGKAT KABUPATEN MENGGUNAKAN METODE SUPPORT VECTOR ejournal itn ac index php jati article view 12505
  4. Improving Student Achievement Clustering Model Using K-Means Algorithm in Pasundan Majalaya Vocational... ioinformatic.org/index.php/JAIEA/article/view/793Improving Student Achievement Clustering Model Using K Means Algorithm in Pasundan Majalaya Vocational ioinformatic index php JAIEA article view 793
Read online
File size508.3 KB
Pages12
DMCAReport

Related /

ads-block-test