ANALISIS KOMPARATIF ALGORITMA K-MEANS, HDBSCAN, DAN SELF-ORGANIZING MAP UNTUK PROFILING SISWA SMA/SMK BERDASARKAN NILAI AKADEMIK DAN STATUS SOSIAL-EKONOMI

Yogantara, I Gusti Putu Urip (2026) ANALISIS KOMPARATIF ALGORITMA K-MEANS, HDBSCAN, DAN SELF-ORGANIZING MAP UNTUK PROFILING SISWA SMA/SMK BERDASARKAN NILAI AKADEMIK DAN STATUS SOSIAL-EKONOMI. Masters thesis, Universitas Pendidikan Ganesha.

[img] Text (2229101024_COVER)
2229101024_Cover.pdf
Download (12MB)
[img] Text (2229101024_ABSTRAK)
2229101024_Abstrak.pdf
Download (12MB)
[img] Text (2229101024_BAB 1 PENDAHULUAN)
2229101024_Bab 1 Pendahuluan.pdf
Download (12MB)
[img] Text (2229101024_BAB 2 KAJIAN TEORI)
2229101024_Bab 2 Kajian Teori.pdf
Restricted to Repository staff only
Download (12MB) | Request a copy
[img] Text (2229101024_BAB 3 METODELOGI PENELITIAN)
2229101024_Bab 3 Metodelogi Penelitian.pdf
Restricted to Repository staff only
Download (12MB) | Request a copy
[img] Text (2229101024_BAB 4 HASIL DAN PEMBAHASAN)
2229101024_Bab 4 Hasil dan Pembahasan.pdf
Restricted to Repository staff only
Download (12MB) | Request a copy
[img] Text (2229101024_BAB 5 PENUTUP)
2229101024_Bab 5 Penutup.pdf
Restricted to Repository staff only
Download (12MB) | Request a copy
[img] Text (2229101024_DAFTAR PUSTAKA)
2229101024_Daftar Pustaka.pdf
Download (12MB)
[img] Text (2229101024_LAMPIRAN)
2229101024_Lampiran.pdf
Download (12MB)

Abstract

Keberagaman kemampuan akademik dan latar belakang sosial-ekonomi siswa SMA/SMK menuntut pendekatan pembelajaran berdiferensiasi yang berbasis bukti. Namun, profiling siswa secara komprehensif yang mengintegrasikan data akademik dan sosial-ekonomi secara simultan belum banyak dilakukan. Penelitian ini bertujuan memetakan profil siswa SMA/SMK dengan mengintegrasikan data nilai akademik dan status sosial-ekonomi menggunakan metode machine learning non-supervised, sekaligus membandingkan tiga algoritma klasterisasi dengan karakteristik berbeda: K-Means, HDBSCAN, dan Self-Organizing Map. Data yang dianalisis mencakup 42.722 siswa dengan dua fitur utama, yaitu nilai akademik dan tingkat kesejahteraan sosio-ekonomi. Kinerja algoritma dievaluasi menggunakan Silhouette Score dan Davies-Bouldin Index (DBI). Hasil evaluasi menunjukkan K-Means sebagai algoritma paling efektif dengan Silhouette Score tertinggi (0,3658) dan DBI terendah (0,8589), diikuti SOM dengan Silhouette sebesar 0,3350 dan DBI sebesar 0,9185, sedangkan HDBSCAN memiliki kinerja terlemah dengan Silhouette 0,0192 dan DBI 3,3981. K-Means membentuk empat profil sosial-akademik yang seimbang dan distingtif yaitu Mampu–Akademik Tinggi (23,1%), Kurang Mampu–Akademik Rendah (25,5%), Mampu–Akademik Rendah (29,2%), dan Kurang Mampu–Akademik Tinggi (22,2%). Penelitian ini menyimpulkan bahwa K-Means merupakan algoritma paling sesuai untuk segmentasi profil siswa pada data sosial-akademik berdimensi rendah, dan peta profil yang dihasilkan dapat menjadi dasar bagi sekolah maupun pemerintah dalam merancang pembelajaran berdiferensiasi dan kebijakan pendidikan yang lebih tepat sasaran.

Item Type: Thesis (Masters)
Uncontrolled Keywords: Profiling Siswa, K-Means, HDBSCAN, Self-Organizing Map, Sosial-Ekonomi
Subjects: T Technology > T Technology (General)
Divisions: Pascasarjana > Program Studi Ilmu Komputer (S2)
Depositing User: I Gusti Putu Urip Yogantara
Date Deposited: 10 Aug 2026 11:54
Last Modified: 10 Aug 2026 11:54
URI: http://repo.undiksha.ac.id/id/eprint/32441

Actions (login required)

View Item View Item