Optimisasi Klasterisasi Nilai Ujian Nasional dengan Pendekatan Algoritma K-Means, Elbow, dan Silhouette

Abstract

Penelitian ini bertujuan untuk menerapkan algoritma K-Means dalam klasterisasi data nilai Ujian Nasional (UN) dengan pemanfaatan metode optimasi Elbow dan Silhouette. Klasterisasi data nilai UN memiliki potensi untuk mengidentifikasi pola yang ada dalam hasil ujian dan membantu dalam pemahaman lebih lanjut tentang karakteristik kelompok nilai yang berbeda. Dalam penelitian ini, kami menggunakan data nilai UN sebagai input untuk algoritma K-Means. Proses klasterisasi dilakukan dengan mempertimbangkan penggunaan metode optimasi Elbow dan Silhouette. Metode Elbow digunakan untuk menentukan jumlah klaster yang optimal, sementara metode Silhouette digunakan untuk mengevaluasi kualitas klaster yang terbentuk. Hasil penelitian ini menunjukkan bahwa penerapan algoritma K-Means dengan optimasi Elbow dan Silhouette dapat menghasilkan klaster yang relevan dari data nilai UN. Penentuan jumlah klaster menggunakan metode Elbow memberikan indikasi tentang jumlah kelompok nilai yang paling sesuai, sedangkan evaluasi menggunakan metode Silhouette membantu mengukur sejauh mana kelompok-kelompok tersebut terisolasi dan konsisten. Diharapkan bahwa hasil penelitian ini akan memberikan wawasan lebih lanjut tentang penggunaan algoritma K-Means dalam klasterisasi data nilai UN. Penemuan pola dalam klaster nilai UN dapat memberikan informasi berharga bagi lembaga pendidikan dan pengambil keputusan dalam mengembangkan strategi pendidikan yang lebih efektif. Dengan menggabungkan algoritma K-Means dengan metode optimasi Elbow dan Silhouette, penelitian ini memberikan kontribusi pada pemahaman kita tentang bagaimana teknik klasterisasi dapat diterapkan secara efektif dalam analisis data nilai Ujian Nasional. Selain itu, metodologi yang digunakan dalam penelitian ini dapat memiliki implikasi lebih luas dalam analisis data pada berbagai bidang lainnya