<![CDATA[Penentuan penerima bantuan pendidikan yang masih dilakukan secara manual rentan menimbulkan subjektivitas dan ketidaktepatan sasaran akibat keterbatasan dalam mengolah data siswa secara menyeluruh. Penelitian ini bertujuan membandingkan kinerja lima metode clustering, yaitu K-Means, Fuzzy C-Means, Gaussian Mixture Model, Spectral Clustering, dan Agglomerative Hierarchical Clustering, dalam mengelompokkan calon penerima bantuan pendidikan berdasarkan kondisi sosial ekonomi, serta menentukan metode terbaik. Penelitian menggunakan pendekatan kuantitatif deskriptif komparatif dengan dua dataset, yaitu data siswa SMKN 1 Lambu sebanyak 1.241 data sebagai objek utama dan dataset Academic Performance Retention dari Kaggle sebanyak 574 data sebagai pembanding. Atribut yang digunakan meliputi jenis tempat tinggal, alat transportasi, jumlah saudara, pekerjaan dan pendapatan orang tua, serta jarak rumah ke sekolah. Tahapan penelitian meliputi pembersihan data, transformasi, normalisasi menggunakan RobustScaler, reduksi dimensi dengan Principal Component Analysis, penerapan lima metode clustering dengan tiga cluster, serta evaluasi menggunakan Silhouette Score dan Davies-Bouldin Index. Hasil menunjukkan Agglomerative Hierarchical Clustering memberikan performa terbaik pada dataset utama dengan Silhouette Score 0,652852 dan Davies-Bouldin Index 0,597686, mengungguli K-Means, Fuzzy C-Means, Gaussian Mixture Model, dan Spectral Clustering. Metode ini menghasilkan cluster yang lebih kompak dan terpisah antarkelompok, sehingga direkomendasikan sebagai dasar sistem pendukung keputusan penentuan penerima bantuan pendidikan yang lebih objektif dan tepat sasaran.]]>
Copyrights © 2026
