PERBANDINGAN KINERJA ALGORITMA K-MEANS DAN K-MEDOIDS UNTUK MENGELOMPOKAN DATA SISWA PENERIMA BOSDA DI SMKN 1 KATIBUNG

Sutiono, Sutiono and Wasilah, Wasilah (2024) PERBANDINGAN KINERJA ALGORITMA K-MEANS DAN K-MEDOIDS UNTUK MENGELOMPOKAN DATA SISWA PENERIMA BOSDA DI SMKN 1 KATIBUNG. Masters thesis, INSTITUT INFORMATIKA DAN BISNIS DARMAJAYA.

	Text 1. COVER.pdf Download (175kB)
	Text 2. PERSETUJUAN DAN PENGESAHAN.pdf Download (913kB)
	Text 3. ABSTRAK.pdf Download (196kB)
	Text 4. DAFTAR ISI.pdf Download (175kB)
	Text 5. BAB 1.pdf Download (131kB)
	Text 6. BAB 2.pdf Download (322kB)
	Text 7. BAB 3.pdf Download (177kB)
	Text 8. BAB 4.pdf Download (309kB)
	Text 9. BAB 5.pdf Download (120kB)
	Text 10. DAFTAR PUSTAKA.pdf Download (177kB)

Abstract

Bantuan Operasional Daerah (Bosda) SMKN 1 Katibung merupakan bantuan yang diberikan kepada siswa yang tidak mampu membayar dalam bentuk bantuan biaya Sumbangan Pembinaan Pendidikan (SPP) selama 1 tahun. Pengambilan Bantuan Operasional Sekolah Daerah (BOSDA) di SMKN 1 Katibung masih menggunakan seleksi manual, yakni melibatkan beberapa tahapan krusial. Penulis tertarik untuk melakukan analisis komparatif algoritma pengelompokan K-means dan K-Medoids. Berdasarkan hasil penelitian, dapat disimpulkan bahwa pemodelan yang dilakukan dengan menggunakan algoritma K-means tidak membuahkan hasil yang baik. Hasil pengelompokan menggunakan algoritma K-means menunjukkan nilai Davies Bouldin Index (DBI) sebesar 0,842, yang menunjukkan bahwa partisi data yang dihasilkan tidak cukup optimal. Namun, dengan menggunakan algoritma K-Medoids, hasil pengelompokan menunjukkan peningkatan yang signifikan dalam kualitas partisi data. Nilai DBI adalah 0,671. Peningkatan kualitas pengelompokan, hasil penelitian, menunjukkan peningkatan sekitar 20,33%, menunjukkan bahwa pengelompokan yang dilakukan dengan menggunakan algoritma K-Medoids menghasilkan partisi data yang lebih baik dibandingkan dengan menggunakan K-means. Kluster yang dihasilkan lebih berbeda satu sama lain dan lebih kohesif secara internal, menunjukkan bahwa algoritma K-Medoids lebih efektif dalam menangani data dan membaginya menjadi kelompok yang lebih baik. Oleh karena itu, dalam konteks penelitian ini, dapat disimpulkan bahwa penggunaan algoritma K-Medoids lebih dianjurkan daripada K-means untuk mengelompokkan data yang sama.

Item Type:	Thesis (Masters)
Subjects:	Ilmu Komputer
Divisions:	Pasca Sarjana > Magister Teknik Informatika
Depositing User:	sutiono tio tio
Date Deposited:	06 Jan 2025 04:42
Last Modified:	06 Jan 2025 04:42
URI:	http://repo.darmajaya.ac.id/id/eprint/19114

Actions (login required)

View Item