Analisis Perbandingan Metode Clustering Untuk Seleksi Penerima Bantuan Pendidikan Berbasis Data Mining

Fajrin Fajrin; Apriani Apriani; Ria Rismayati

doi:10.31004/riggs.v5i2.11894

Authors

Fajrin Fajrin Universitas Bumigora
Apriani Apriani Universitas Bumigora
Ria Rismayati Universitas Bumigora

DOI:

https://doi.org/10.31004/riggs.v5i2.11894

Keywords:

Clustering, K-Means, Fuzzy C-Means, Gaussian Mixture Model, Hierarchical Clustering, Bantuan Pendidikan

Abstract

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.

Downloads

Download data is not yet available.

References

[1] I. A. Muzaki, Mujahidah, and M. Erihadiana, “Manajemen sumber daya manusia sebagai basis penguatan kualitas pendidikan,” Muntazam: J. Manaj. Pendidik. Islam, vol. 2, no. 2, pp. 14–31, 2021, doi: 10.35706/muntazam.v2i2.5998.

[2] A. Abrianto, “Application of K-Means clustering algorithm for determining PIP scholarship recipients at SMPN 9 Blitar,” JOSAR (J. Students Acad. Res.), vol. 9, no. 1, pp. 204–214, 2024, doi: 10.35457/josar.v9i1.3105.

[3] D. Agustini, M. Farida, M. Sari, and M. E. Rosadi, “Rancang bangun sistem informasi beasiswa (studi kasus: Uniska MAB Banjarmasin),” Technologia: J. Ilm., vol. 13, no. 3, p. 270, 2022, doi: 10.31602/tji.v13i3.7558.

[4] A. R. Nisa et al., “Prediction on target of underprivileged scholarships using fuzzy logic method,” J. Appl. Sci. Technol. Humanit., vol. 1, no. 2, pp. 159–173, 2024, doi: 10.62535/4bg52465.

[5] A. Setiyowati, L. A. Ramadhani, and M. K. Amin, “Sistem pendukung keputusan menentukan penerima beasiswa kurang mampu menggunakan metode Profile Matching,” J. Inform. Upgris, vol. 6, no. 1, 2020, doi: 10.26877/jiu.v6i1.4896.

[6] K. A. Mustari, P. Assiroj, B. Hartati, and F. Samuel, “Implementasi data mining pada instansi pemerintahan,” JATI (J. Mhs. Tek. Inform.), vol. 8, no. 3, pp. 3137–3142, 2024, doi: 10.36040/jati.v8i3.9618.

[7] G. C. Messakh, M. N. Hayati, and S. Sifriyani, “Comparison K-Means and Fuzzy C-Means in regencies/cities grouping based on educational indicators,” J. Varian, vol. 7, no. 1, pp. 99–114, 2023, doi: 10.30812/varian.v7i1.2879.

[8] E. W. Ambarsari, N. Dwitiyanti, N. Selvia, W. N. Cho, and P. D. Mardika, “Comparison approaches of the Fuzzy C-Means and Gaussian Mixture Model in clustering the welfare of the Indonesian people,” KnE Social Sciences, vol. 8, no. 9, pp. 16–22, 2023, doi: 10.18502/kss.v8i9.13315.

[9] A. S. Muthahharah, M. A. Tiro, and A. Aswi, “Application of soft-clustering analysis using expectation maximization algorithms on Gaussian Mixture Model,” J. Varian, vol. 6, no. 1, pp. 71–80, 2022, doi: 10.30812/varian.v6i1.2142.

[10] M. R. Gusmansyah, Rahmaddeni, Rohid, S. Daulay, and A. Rivaldi, “Perbandingan metode machine learning untuk klastering penerima bantuan pendidikan siswa,” J. Pustaka AI, vol. 5, no. 2, pp. 193–203, 2025, doi: 10.55382/jurnalpustakaai.v5i2.1139.

[11] M. Muhammad, “Recommendation system using user-based collaborative filtering and spectral clustering,” in Proceedings of EAI, 2021. doi: 10.4108/eai.17-7-2021.2312409.

[12] K. Y. Katrina and J. B. B. Darmawan, “Penerapan algoritma Agglomerative Hierarchical untuk clustering peringkat prioritas penerima bantuan rumah,” in Semin. Nas. Tek. Elektro, Sist. Inf., dan Tek. Inform. (SNESTIK V), 2025, pp. 105–111.

[13] H. Syukron, M. F. Fayyad, and F. J. Fauzan, “Comparison K-Means, K-Medoids and Fuzzy C-Means for clustering customer data with LRFM model,” Malcom: Indones. J. Mach. Learn. Comput. Sci., vol. 2, pp. 76–83, 2022.

[14] P. S. Saputra, G. R. Dantes, and I. G. A. Gunadi, “Perbandingan algoritma Fuzzy C-Means dan algoritma Naive Bayes dalam menentukan Keluarga Penerima Manfaat (KPM) berdasarkan status sosial ekonomi (SSE) terendah,” JST (J. Sains dan Teknol.), vol. 10, no. 1, pp. 64–74, 2021, doi: 10.23887/jstundiksha.v10i1.23340.

[15] R. Rahmattullah, Indwiarti, and A. A. Rohmawati, “Clustering harga rumah: perbandingan model K-Means dan Gaussian Mixture Model,” e-Proceeding of Eng., vol. 10, no. 3, pp. 3441–3449, 2023.

[16] F. A. Totti and N. Setiyawati, “A comparative study of K-Means, Gaussian Mixture Model, and Spectral Clustering for facial emotion recognition,” Sistemasi, vol. 14, no. 6, p. 3007, 2025, doi: 10.32520/stmsi.v14i6.5668.

[17] A. M. Ikotun, F. Habyarimana, and A. E. Ezugwu, “Benchmarking validity indices for evolutionary K-means clustering performance,” Sci. Rep., vol. 15, p. 21842, 2025, doi: 10.1038/s41598-025-08473-6.