Pengelompokan Tingkat Keaktifan Siswa dalam Mengikuti Proses Belajar di SMA Negeri 2 Tilamuta Menggunakan Metode K-Means Clustering

Muh Faisal (ITB Ichsan Boalemo)
Hamsir Saleh (ITB Ichsan Boalemo)
Rahmat Thaib (Universitas Pohuwato)
Ismail Tolotu (Universitas Pohuwato)

Jurnal Nasional Komputasi dan Teknologi Informasi
Vol 8, No 5 (2025): Oktober 2025

Abstrak - K-Means clustering adalaha salah satu metode pengelompokan data yang sering digunakan dalam analisis data berbasis pembelajaran mesin (machine learning). Metode ini bertujuan untuk membagi data kedalam beberapa cluster berdasarkan kemiripan antar data dalam ruang multidimensi. Prose k-means dimulai dengan menentukan jumlah cluster yang diinginkan, lalu algoritma mengelompokan data secra iteratif kedalam cluster berdasarkan jarak terdekat ke titik pusat cluster (centroid), hingga posisi centroid stabil dan ada perubahan signifikan. Dalam konteks pendidikan, metode ini digunakan untuk mengelompokan siswa berdasarkan tingkat keaktifan mereka di dalam kelas atau pembelajaran. Data yang digunakan meliputi berbagai indikator keaktifan, seperti partisipasi dalam pembelajaran (diskusi dan tanya jawab), keterlibatan dalam pengerjaan tugas kelompok, pemahaman terhadap materi yang diberikan, ketertarikan pada guru bidang studi, dan juga ketertarikan pada mata pelajaran. Dengan k-means clustering, siswa dapat dikelompokan kedalam 3 kategori seperti kelompok sangat aktif, aktif dan tidak aktif. Berdasarkan hasil analisis menunjukan bahwa sebagian vesarsiswa berada dalam cluster tidak aktif, sementara beberapa siswa lainnya tersebar di cluster aktif, dan sangat aktif. Pengelompokan ini membantu guru dalam memahami variasi tingkat partisipasi siswa dan merancang strategi pembelajaran yang lebih efektif untuk setiap kelompok. Dengan demikian, metode k-means clustering tidak hanya berguna untuk analisis data, tetapi juga dapat diimplementasikan sebagai alat pendukung dalam pembelajaran.Kata Kunci: K-Means Clustering; pengelompokan siswa; tingkat keaktifan; Pembelajaran di kelas; analisis data dan pendidikan; Abstract - K-means clustering is a popular data clustering method used in statistical analysis and machine learning. This method aims to partition data into several clusters based on similarities in a multidimensional space. The k-means process starts by determining the desired number of clusters (k), after which the algorithm iteratively groups data points into clusters based on their proximity to the nearest cluster centroid, continuing until the centroids stabilize and no significant changes occur. In the context of education, this method can be applied to group students based on their level of classroom engagement. The data used includes various indicators of engagement, such as participation in discussions, the number of questions asked, involvement in group tasks, and attendance rates. Using k-means clustering, students are categorized into several groups, including highly active, active, moderately active, and less active. The analysis results show that the majority of students fall into the moderately active cluster, while a smaller number of students are distributed across the highly active and less active clusters. This clustering helps teachers better understand the variations in student participation and design more effective instructional strategies tailored to each group. Thus, k-means clustering is not only useful for data analysis but can also be implemented as a supportive tool in crafting more targeted educational planning.Keywords: k-means clustering; student clustering; engagement levels; classroom learning; educational data analysis;