PERBANDINGAN TOOLS DATA MINING UNTUK PENGELOMPOKAN SISWA PUTUS SEKOLAH DENGAN ALGORITMA K-MEANS (STUDI KASUS : SEKOLAH SMK DI INDONESIA)

• INDRA WIJAYA
• 2024

---

Penelitian ini membahas perbandingan berbagai tools data mining untuk pengelompokan siswa putus sekolah menggunakan algoritma K-Means. Studi kasus dilakukan pada sekolah-sekolah menengah kejuruan (SMK) di Indonesia. Tiga tools data mining yang dibandingkan dalam penelitian ini adalah RapidMiner, Orange, dan Weka. Proses pengumpulan data dilakukan melalui observasi dan eksperimen dengan menggunakan dataset siswa SMK yang putus sekolah. Penelitian ini bertujuan untuk mengidentifikasi alat yang
paling efektif dalam melakukan clustering siswa putus sekolah serta
memberikan perbandingan akurasi hasil clustering dari masing-masing tools.
Metode penelitian mencakup identifikasi masalah, pengumpulan data, pengujian dengan masing-masing tools, pengolahan data menggunakan algoritma K-Means, dan analisis perbandingan hasil. Hasil penelitian menunjukkan bahwa RapidMiner memliki performa yang lebih baik dibandingkan tools Orange dan Weka, setiap tools memiliki kelebihan dan kekurangan masing-masing dalam hal akurasi, kecepatan, dan kemudahan penggunaan. Temuan ini dapat memberikan wawasan bagi institusi pendidikan dalam memilih tools data mining yang paling sesuai untuk analisis data mereka.

• Data Mining
• K-Means
• Clustering
• RapidMiner
• Orange
• Weka
• Siswa Putus Sekolah
• SMK.

https://repository.bsi.ac.id/repo/52950/PERBANDINGAN-TOOLS-DATA-MINING-UNTUK-PENGELOMPOKAN-SISWA-PUTUS-SEKOLAH-DENGAN-ALGORITMA-K-MEANS-(STUDI-KASUS-:-SEKOLAH-SMK-DI-INDONESIA)
Anda dapat membaca file tugas akhir ini di repository.