<![CDATA[Penelitian ini bertujuan menganalisis pola pengelompokan peserta pendidikan kesetaraan melalui pendekatan clustering secara komparatif menggunakan tiga algoritma, yaitu K-Means (berbasis centroid), DBSCAN (berbasis kepadatan), dan Louvain (berbasis graf). Dataset yang digunakan terdiri dari 1.057 peserta dengan atribut numerik dan kategorik yang mencerminkan karakteristik heterogen. Tahapan penelitian meliputi pra-pemrosesan data dan implementasi algoritma clustering pada dataset yang sama untuk menjaga konsistensi perbandingan. Evaluasi dilakukan menggunakan Silhouette Score dan Davies-Bouldin Index (DBI) sebagai validasi internal, serta validasi eksternal melalui konfirmasi pakar guna memastikan relevansi hasil secara kontekstual. Hasil penelitian menunjukkan bahwa K-Means dan DBSCAN menghasilkan nilai Silhouette Score sebesar 0,040 yang mengindikasikan kualitas pemisahan cluster yang rendah serta dominasi satu cluster besar. DBSCAN memiliki keunggulan dalam mendeteksi noise, namun belum mampu meningkatkan kualitas pemisahan secara signifikan pada data dengan tingkat homogenitas tinggi. Sebaliknya, algoritma Louvain menghasilkan struktur komunitas yang lebih seimbang dengan rasio ketimpangan yang rendah, sehingga lebih mampu merepresentasikan hubungan relasional antar data yang tidak sepenuhnya terwakili oleh pendekatan berbasis jarak. Penelitian ini memberikan kontribusi melalui analisis komparatif lintas pendekatan clustering pada konteks pendidikan kesetaraan serta integrasi validasi kuantitatif dan kontekstual. Temuan ini menegaskan bahwa pendekatan berbasis graf lebih adaptif untuk data dengan tingkat homogenitas tinggi dan berpotensi menjadi dasar dalam segmentasi peserta guna mendukung pengambilan keputusan berbasis data yang lebih efektif dalam sektor pendidikan. ]]>
