<![CDATA[Penelitian ini mengembangkan pendekatan baru untuk pembentukan kelompok belajar dalam model Jigsaw Cooperative Learning di lingkungan perguruan tinggi, yang bertujuan mengatasi tantangan homogenitas kelompok dan kurangnya personalisasi. Menggunakan metodologi CRISP-DM, penelitian dimulai dengan pemahaman bisnis dan data, di mana data mahasiswa mencakup identitas, kinerja akademis (nilai kuis dan IPK), kepribadian (MBTI), dan gaya belajar dikumpulkan melalui kuesioner Microsoft Form. Pada tahap persiapan data, pembersihan data dilakukan untuk mengatasi nilai kosong, dan fitur-fitur dikodekan serta distandardisasi menggunakan normalisasi Z-score. Reduksi dimensi dengan Principal Component Analysis (PCA) digunakan untuk menyederhanakan struktur data, dengan dua komponen utama dipilih karena mampu merepresentasikan sebagian besar variansi. Untuk pemodelan, algoritma clustering K-means diimplementasikan. Jumlah klaster optimal ditentukan sebagai 4 menggunakan metode Elbow. Hasil clustering divisualisasikan dalam dua dimensi menggunakan PCA, menunjukkan pemisahan klaster yang cukup jelas. Evaluasi kualitas clustering menggunakan Silhouette Score menunjukkan nilai 0.36, mengindikasikan bahwa struktur klaster cukup representatif meskipun ada beberapa data yang mendekati batas antar klaster. Berdasarkan hasil clustering, kelompok-kelompok heterogen dibentuk dengan mengambil satu anggota dari setiap klaster secara bergiliran, menghasilkan 7 kelompok dengan 4-5 anggota. Proses ini bertujuan untuk meningkatkan kolaborasi dan pemahaman materi, serta memberikan pengalaman belajar yang lebih adil dan personal. Kata kunci— Jigsaw, K-means, clustering, Cooperative Learning, CRISP-DM]]>
