Perbandingan algoritma clustering dbscan dan k-means dalam pengelompokan siswa terbaik

Abstract

Siswa terbaik ditentukan dengan kriteria yang telah ditentukan secara penilaian oleh ketentuan sekolah adapun kriteria penilaian siswa terbaik adalah berdasarkan kedisiplinan, akhlak, nilai raport, absensi, ekstrakurikuler, dan perlombaan. Saat ini pihak SMP Negeri 3 Panyabungan belum berhasil menemukan metode terbaik dalam proses pengelompokkan siswa terbaik tersebut. Metode clustering adalah teknik yang dapat digunakan untuk mengelompokkan data prestasi siswa berdasarkan berbagai kriteria, sehingga memudahkan proses penilaian. Penelitian ini membahas kinerja dua algoritma clustering, yaitu DBSCAN dan K-Means, dalam pengelompokan siswa SMP terbaik serta dengan menerapkan Python pada prosesnya. Penelitian ini bertujuan untuk mengetahui algoritma mana yang lebih efisien dan efektif dalam mengelompokkan data siswa SMP berdasarkan prestasi akademik mereka. Hasil penelitian menunjukkan bahwa algoritma DBSCAN dengan epsilon 11 dan sampel data 24 menghasilkan 2 klaster dengan Silhouette Score sebesar 0.258030877243884. Sedangkan algoritma K-Means 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.