Perbandingan Algoritma Clustering DBSCAN Dan K-Means Dalam Pengelompokan Siswa Terbaik

Sari, Melda Novita (2024) Perbandingan Algoritma Clustering DBSCAN Dan K-Means Dalam Pengelompokan Siswa Terbaik. Diploma thesis, UIN Sumatera Utara.

	Text Cover.pdf Download (642kB)
	Text Bab1.pdf Download (243kB)
	Text Bab2.pdf Download (696kB)
	Text Bab3.pdf Download (286kB)
	Text Bab4.pdf Download (929kB)
	Text Bab5.pdf Download (28kB)
	Text dapus.pdf Download (266kB)

Abstract

Pendidikan merupakan aspek penting dalam mengembangkan sumber daya manusia yang berkualitas. Evaluasi prestasi siswa adalah bagian krusial untuk pengelompokan siswa terbaik. Metode clustering adalah teknik yang dapat digunakan untuk mengelompokkan data prestasi siswa berdasarkan berbagai kriteria, sehingga memudahkan proses penilaian. Skripsi ini membahas kinerja dua algoritma clustering, yaitu DBSCAN dan K-Means, dalam pengelompokan siswa SMP terbaik. Penelitian ini bertujuan untuk mengetahui algoritma mana yang lebih efisien dan efektif dalam mengelompokkan data siswa SMP berdasarkan prestasi akademik mereka. Metode pengumpulan data pada penelitian ini dengan melakukan observasi dan wawancara. Hasil penelitian menunjukkan bahwa algoritma DBSCAN dengan epsilon 11 dan sampel data 24 menghasilkan 2 klaster dengan Silhouette Score sebesar 0.258030877243884. Sedangkan algoritma KMeans dengan metode Elbow menghasilkan 4 klaster dengan Silhouette Score sebesar 0.5697019340266847. Dari perbandingan tersebut, algoritma K-Means terbukti lebih efisien. K-Means juga menunjukkan klaster yang lebih bersih, terstruktur, dan memiliki kemiripan antar data yang lebih baik, sehingga lebih disarankan untuk pengelompokan siswa SMP terbaik.

Jenis Item:	Skripsi (Diploma)
Subjects:	000 Generalities > 005 Computer programming, programs, data
Divisions:	Fakultas Sains dan Teknologi > Ilmu Komputer > Skripsi
Pengguna yang mendeposit:	Mrs Siti Masitah
Date Deposited:	05 Feb 2025 04:28
Last Modified:	05 Feb 2025 04:28
URI:	http://repository.uinsu.ac.id/id/eprint/24641

Actions (login required)

View Item