<![CDATA[Performa akademik siswa dipengaruhi oleh berbagai faktor, dan penelitian ini menggunakan algoritma KMeans clustering untuk melakukan analisis segmentasi faktor akademik pada kinerja siswa. Dataset yang digunakan di ambil dari data public Student Perfomance Factors di Kaggle, yang terdiri dari 6.607 siswa yang memiliki karakteristik seperti jam belajar, kehadiran, jam tidur, dan nilai sebelumnya. Kemudian, algoritma K-Means digunakan untuk menggabungkan data siswa ke dalam beberapa kluster berdasarkan kesamaan karakteristik. Hasil evaluasi menunjukkan nilai Silhouette Score sebesar 0,27, yang mengindikasikan bahwa segmentasi sudah cukup baik meskipun memiliki ruang untuk peningkatan. Dari proses segmentasi sudah ini, ditemukan bahwa siswa dapat dikelompokkan menjadi tiga kelompok dengan pola yang berbeda. Analisis ini menunjukan bahwa siswa dapat dikelompokan menjadi tiga kelompok, dan dari pengelompokan ini ditemukan bahwa jam belajar dan Tingkat kehadiran siswa memiliki peran yang signifikan terhadap prestasi akademik mereka. Selain itu, ada korelasi antara kebiasaan tidur individu dalam kelompok tertentu. Dengan mengetahui bagaimana setiap kelompok berbeda, metode pembelajaran dapat disesuaikan untuk memenuhi kebutuhan unik pada setiap siswa.]]>
Copyrights © 2025
