SELF ADAPTIVE K-MEANS CLUSTERING DALAM PERKEMBANGAN HASIL BELAJAR SISWA BERBASIS WEB

Abstract

K-means clustering merupakan metode pengelompokkan data yang bersifat partisonla dan memiliki kemampuan dalam mengelompokkan data berskala besar karena kesederhanaan metode yang terbukti diimplementasikan cukup baik di bidang pengelolaan data dan informasi. Kelemahan pada metode k-means adalah hasil akhir dari metode ini sangat berpengaruh terhadap inisialisasi centroid awal dan memiliki sensitifitas terhadap data outliner. Penelitian ini mengkombinasikan antara k-means clustering dengan pohon Huffman sebagai inisialisasi centroid awal dan menggunakan nilai ambang untuk mengetahui data outliner dalam cluster. Penelitian ini menggunakan 120 data nilai tryout siswa yang diambil dari salah satu sekolah di kota Semarang. Penelitian bertujuan untuk mengelompokkan data dengan berdasarkan keterkaitan antara atribut yang dimiliki oleh titik data, serta penerapan nilai ambang yang dapat membantu dalam mengetahui data outliner. Hasil penelitian ini menunjukkan nilai akurasi tertinggi sebesar 92% dengan rata-rata 67% di semua cluster. Kata kunci: K-means, pohon Huffman, nilai ambang, penggalian data pendidikan. K-means clustering is a method of grouping data which is participatory and has the ability to classify large-scale data because proven methods can be implemented well in the field of data and information. The weakness in the k-means method is the end result of this method it is very important for initial centroid initialization to have sensitivity to outliner data. This research combines k-means clustering with the Huffman tree as initial centroid initialization and uses a threshold to find outliner data in clusters. This study uses 120 data from student tryout scores taken from one of the schools in Semarang city. The purpose of this research is to classify data by working on the relationship between attributes controlled by data points. In addition, treated threshold that can help in knowing outliner data. The results of this study showed that the highest value of 92% with an average of 67% in all clusters. Keywords: K-means Clustering, Huffman Tree, Threshold, Educational Data Mining.