<![CDATA[ Di era digital, volume data yang dihasilkan terus meningkat dengan cepat, sehingga kebutuhan akan metode efektif untuk menganalisis dan menemukan pola dalam data menjadi sangat penting. Salah satu teknik yang sering digunakan untuk mengelompokkan data adalah clustering, khususnya metode K-Means. Namun, K-Means memiliki kelemahan dalam pelabelan cluster karena sifatnya yang unsupervised, yang membuat interpretasi hasil menjadi lebih sulit. Untuk mengatasi kelemahan ini, penelitian ini menggabungkan metode Simple Additive Weighting (SAW) dengan K-Means, di mana SAW digunakan untuk menilai hasil pengelompokan yang dihasilkan K-Means dan memberikan bobot pada berbagai kriteria evaluasi. Penelitian ini dilakukan dalam konteks Program Studi D4 Teknologi Rekayasa Perangkat Lunak guna mengevaluasi kemampuan dasar pemrograman mahasiswa. Dengan menggunakan kombinasi kedua metode ini, diharapkan pengelompokan data menjadi lebih akurat dan optimal, serta dapat membantu proses penilaian hasil clustering secara lebih informatif. Hasil penelitian ini menunjukkan bahwa integrasi SAW dapat meningkatkan kualitas pengelompokan dengan membantu menentukan centroid yang lebih tepat dan menilai hasil pengelompokan secara lebih mendalam]]>
Copyrights © 2025
