UNDANAUNDANA

J-ICON: Jurnal Komputer dan InformatikaJ-ICON: Jurnal Komputer dan Informatika

Penelitian ini bertujuan untuk meningkatkan model pengelompokan lokasi sekolah taman kanak-kanak guna mendukung strategi pemilihan sekolah oleh orang tua. Masalah utama yang diangkat adalah kebutuhan untuk memahami lebih dalam preferensi orang tua dalam memilih sekolah yang tepat untuk anak-anak mereka. Untuk mencapai tujuan ini, algoritma K-Means diterapkan dan dianalisis untuk mengelompokkan data orang tua berdasarkan karakteristik seperti pekerjaan, pendidikan, dan lokasi tempat tinggal. Penelitian ini memanfaatkan metode kuantitatif dengan pendekatan deskriptif eksploratif. Hasil menunjukkan bahwa algoritma K-Means berhasil membentuk dua kluster dengan karakteristik yang berbeda. Kluster_0 mencakup kelompok dengan lokasi yang lebih terpusat atau dekat, tingkat pendidikan yang cenderung rendah, dan jenis pekerjaan yang berada pada tingkat ekonomi menengah ke bawah, sedangkan kluster_1 mencakup kelompok dengan lokasi yang lebih tersebar atau jauh, tingkat pendidikan yang lebih tinggi, dan pekerjaan yang berada pada tingkat ekonomi yang lebih tinggi. Kualitas klusterisasi yang dihasilkan dianggap cukup baik, dengan nilai Indeks Davies-Bouldin (DBI) sebesar 0,151. Temuan penelitian ini memiliki implikasi praktis bagi administrator sekolah dalam mengembangkan strategi layanan yang lebih terarah yang selaras dengan kebutuhan orang tua. Penelitian ini memberikan kontribusi signifikan terhadap penerapan teknik klasterisasi untuk mendukung strategi pemasaran dan pengambilan keputusan di sektor pendidikan anak usia dini, sekaligus membantu sekolah dalam meningkatkan efektivitas layanan dan strategi pemasaran mereka. Penelitian ini menekankan pentingnya menggunakan algoritma K-Means untuk mengoptimalkan pengambilan keputusan strategis, khususnya dalam bidang pendidikan anak usia dini.

Berdasarkan hasil penelitian tentang penerapan algoritma K-Means dalam mengelompokkan data orang tua dalam memilih sekolah taman kanak-kanak, dapat disimpulkan bahwa dalam proses pengelompokan ini, data orang tua diorganisir menjadi kelompok berdasarkan beberapa karakteristik yang relevan, seperti pekerjaan, pendidikan, dan lokasi tempat tinggal.Penerapan ini menghasilkan dua kluster yang berbeda, dengan setiap kluster menunjukkan karakteristik spesifik yang mencerminkan pola preferensi orang tua.Penerapan algoritma ini berhasil mendukung strategi pemilihan sekolah orang tua.Hal ini ditunjukkan oleh nilai DBI sebesar 0,151, yang menunjukkan pemisahan yang jelas antara kluster serta konsistensi tinggi dalam setiap kluster.Analisis ini menunjukkan bahwa penggunaan dua kluster adalah yang paling efektif dalam mengelompokkan orang tua berdasarkan karakteristik yang relevan, sehingga hasil klusterisasi dapat digunakan sebagai dasar untuk mengembangkan strategi layanan yang lebih terarah dan tepat.Meskipun algoritma K-Means kuat, penelitian ini memiliki beberapa keterbatasan.Proses klusterisasi sensitif terhadap outlier, yang dapat mempengaruhi hasil.Selain itu, algoritma ini berasumsi bahwa kluster berbentuk bulat, yang mungkin membatasi efektivitasnya ketika diterapkan pada dataset dengan bentuk kluster yang tidak teratur.Penelitian selanjutnya harus mempertimbangkan untuk mengeksplorasi algoritma alternatif, seperti K-Medoids atau DBSCAN, yang dapat mengatasi sensitivitas terhadap outlier dan lebih baik menangkap kluster dengan bentuk dan kepadatan yang bervariasi.Memperluas dataset untuk mencakup atribut tambahan, seperti tingkat pendapatan orang tua atau pendidikan sebelumnya anak, dapat lebih menyempurnakan proses klusterisasi.Menguji pendekatan ini akan memberikan wawasan yang lebih dalam dan membantu memvalidasi temuan penelitian ini dalam berbagai konteks yang lebih luas.

Untuk penelitian lanjutan, disarankan untuk mengeksplorasi algoritma alternatif seperti K-Medoids atau DBSCAN, yang dapat mengatasi sensitivitas terhadap outlier dan menangkap kluster dengan bentuk dan kepadatan yang bervariasi. Selain itu, perlu dipertimbangkan untuk memperluas dataset dengan memasukkan atribut tambahan seperti tingkat pendapatan orang tua atau pendidikan sebelumnya anak. Dengan demikian, penelitian selanjutnya dapat memberikan wawasan yang lebih komprehensif tentang preferensi orang tua dalam memilih sekolah taman kanak-kanak dan membantu sekolah mengembangkan strategi layanan yang lebih efektif dan terarah.

  1. Analisis Pengelompokan Data Nilai Siswa untuk Menentukan Siswa Berprestasi Menggunakan Metode Clustering... journal-isi.org/index.php/isi/article/view/164Analisis Pengelompokan Data Nilai Siswa untuk Menentukan Siswa Berprestasi Menggunakan Metode Clustering journal isi index php isi article view 164
  2. Analisis Pembelajaran Moral dan Agama Melalui Penerapan Loose Part | Jurnal Riset dan Inovasi Pembelajaran.... doi.org/10.51574/jrip.v4i1.1362Analisis Pembelajaran Moral dan Agama Melalui Penerapan Loose Part Jurnal Riset dan Inovasi Pembelajaran doi 10 51574 jrip v4i1 1362
  3. IMPLEMENTASI ALGORITMA K-MEANS PADA PENGELOMPOKAN DATA PENERIMAAN PESERTA DIDIK BARU DI SMKN 1 BALONGAN... ejournal.itn.ac.id/index.php/jati/article/view/8335IMPLEMENTASI ALGORITMA K MEANS PADA PENGELOMPOKAN DATA PENERIMAAN PESERTA DIDIK BARU DI SMKN 1 BALONGAN ejournal itn ac index php jati article view 8335
  4. DATA MINING STUDY FOR GROUPING ELEMENTARY SCHOOLS IN BOJONEGORO REGENCY BASED ON CAPACITY AND EDUCATIONAL... doi.org/10.30598/barekengvol17iss2pp1081-1092DATA MINING STUDY FOR GROUPING ELEMENTARY SCHOOLS IN BOJONEGORO REGENCY BASED ON CAPACITY AND EDUCATIONAL doi 10 30598 barekengvol17iss2pp1081 1092
  5. One moment, please.... one moment please wait request verified doi.org/10.47709/dsi.v3i1.2775One moment please one moment please wait request verified doi 10 47709 dsi v3i1 2775
Read online
File size408.5 KB
Pages10
DMCAReport

Related /

ads-block-test