Optimalisasi Algoritma K-Means untuk Analisis pengelompokan Data Jurusan Siswa Baru Berbasis Numerical Measure

Mahda, Muhammad
Rudi Kurniawan
Tati Suprapti

Jurnal Teknologi Sistem Informasi dan Sistem Komputer TGD
Vol. 8 No. 1 (2025): J-SISKO TECH EDISI JANUARI

Dalam analisis pengelompokan data, algoritma K-Means adalah teknik yang umum digunakan. Karena memengaruhi kualitas pengelompokan, sangat penting untuk memilih jumlah cluster K yang tepat. Tujuan penelitian ini adalah untuk mengoptimalkan algoritma K-Means, yang menggunakan Davies-Bouldin Index (DBI) untuk menilai dua jenis jarak numerik, yaitu EuclideanDistance dan ManhattanDistance, untuk pengelompokan data jurusan siswa baru. KDD (Knowledge Discovery in Database) adalah pendekatan yang digunakan, yang mencakup proses Data Selection, Preprocessing, Transformasi, Data Mining, dan Evaluasi. Dataset jurusan siswa baru dengan cluster K antara 2 dan 10 digunakan untuk eksperimen. Hasil penelitian menunjukkan bahwa EuclideanDistance memiliki pemisahan cluster yang lebih baik daripada ManhattanDistance, dengan nilai DBI terendah (0.603) pada K=2. Hasil ini menunjukkan bahwa Euclidean Distance lebih efektif dalam mengoptimalkan pengelompokan data. Metode ini dapat diterapkan dalam analisis data pendidikan dan bidang lain.