<![CDATA[Pengelolaan data nilai akademik siswa yang besar dan kompleks menjadi tantangan signifikan dalam dunia pendidikan, khususnya di SMK yang fokus mempersiapkan siswa untuk dunia kerja. Data yang tidak terorganisir dengan baik sering kali menghambat proses pengambilan keputusan berbasis data. Algoritma K-Means dipilih dalam penelitian ini karena kemampuannya yang efektif dalam menganalisis data dan mengelompokkan pola tersembunyi. Penelitian ini menerapkan metodologi Knowledge Discovery in Databases (KDD), meliputi seleksi data, praproses, transformasi, klasterisasi, evaluasi menggunakan Davies-Bouldin Index (DBI), dan interpretasi hasil. Dataset terdiri dari nilai akademik siswa pada mata pelajaran utama, seperti Matematika, Bahasa Inggris, dan Kimia. Hasil penelitian menunjukkan klaster ideal terdiri dari dua kelompok dengan nilai DBI 0.519, di mana atribut Kimia memiliki pengaruh paling signifikan. Klasterisasi ini memberikan wawasan yang mendalam tentang pola akademik siswa, mendukung strategi pembelajaran berbasis data, serta membantu sekolah menyusun kebijakan pendidikan yang lebih efektif.]]>
Copyrights © 2025
