<![CDATA[Pengelompokan data siswa berprestasi merupakan langkah penting dalam proses evaluasi dan pengambilan keputusan di lingkungan pendidikan. Metode clustering seperti K-Means dan K-Medoids banyak digunakan untuk mengelompokkan data berdasarkan prestasi akademik, kehadiran, dan aktivitas ekstrakurikuler. Penelitian ini bertujuan untuk membandingkan kinerja kedua algoritma tersebut dalam mengelompokkan siswa berprestasi di SMP Muhammadiyah 60 Medan. Metode yang digunakan meliputi proses clustering data menggunakan algoritma K-Means dan K-Medoids, serta evaluasi hasil menggunakan nilai silhouette untuk menilai kualitas cluster. Hasil penelitian menunjukkan bahwa kedua metode mampu mengelompokkan siswa ke dalam kategori berprestasi tinggi, sedang, dan rendah. K-Means lebih cepat dalam komputasi dan cocok untuk data yang homogen serta berukuran besar, namun sensitif terhadap outlier. Sebaliknya, K-Medoids lebih stabil dan tahan terhadap outlier meskipun membutuhkan waktu komputasi yang lebih lama. Berdasarkan hasil evaluasi, K-Medoids memberikan hasil yang lebih representatif pada kondisi data dengan variasi nilai ekstrem. Penelitian ini diharapkan dapat membantu pihak sekolah dalam melakukan segmentasi siswa secara efektif dan efisien guna mendukung pengambilan kebijakan yang lebih tepat sasaran.]]>
Copyrights © 2026
