Optimasi Algoritma Constrained K-Means Menggunakan Principal Component Analysis Pada Clustering Peserta Didik Rekayasa Perangkat Lunak SMKN 2 Kraksaan

Authors

  • Matlubul Khairi Universitas Nurul Jadid
  • Mohammad Alvin Kafabihi Universitas Nurul Jadid
  • Ivan Lailur Romadhan Universitas Nurul Jadid

Keywords:

Clustering, Constrained K-Means, Principal Component Analysis, Reduksi Demensi, Silhouette Score

Abstract

Penelitian ini bertujuan untuk mengoptimalkan algoritma Constrained K-Means dengan reduksi dimensi dataset menggunakan Principal Component Analysis (PCA) pada pengelompokan siswa Rekayasa Perangkat Lunak di SMKN 2 Kraksaan. Masalah utama yang dihadapi adalah efektivitas dan efisiensi proses klasterisasi pada dataset berdimensi tinggi serta adanya keterbatasan tertentu yang harus dipatuhi, seperti batasan pada ukuran klaster atau hubungan antar data. Algoritma K-Means konvensional tidak dirancang untuk menangani kendala-kendala ini sehingga diperlukan pendekatan yang lebih efektif. Penelitian ini menggunakan metode kuantitatif dengan pendekatan eksperimental. Data yang digunakan adalah hasil tes uji kemampuan akademik siswa kelas X yang mencakup atribut nilai deret, matematika, figural, mengingat, dan analogi. Tahapan penelitian meliputi seleksi data, pembersihan data, reduksi dimensi dengan PCA, dan klasterisasi menggunakan algoritma Constrained K-Means. Evaluasi hasil klasterisasi dilakukan menggunakan Silhouette Score. Hasil penelitian menunjukkan bahwa kombinasi PCA dan Constrained K-Means Clustering efektif dalam mengelompokkan siswa ke dalam tiga klaster yang seimbang. Reduksi dimensi menggunakan PCA meningkatkan kinerja algoritma klasterisasi baik dari segi kecepatan maupun akurasi. Hasil klasterisasi menunjukkan adanya tiga kelompok utama yaitu siswa dengan kemampuan tinggi, sedang, dan rendah. Evaluasi dengan Silhouette Score menunjukkan nilai tertinggi pada pengurangan dimensi hingga satu komponen PCA, yang menghasilkan klasterisasi paling optimal. 

Author Biographies

  • Matlubul Khairi, Universitas Nurul Jadid
    Fakultas Teknik
  • Mohammad Alvin Kafabihi, Universitas Nurul Jadid
    Fakultas Teknik
  • Ivan Lailur Romadhan, Universitas Nurul Jadid
    Fakultas Teknik

References

S. S. Danutirta, “PENGELOLAAN KELAS INDUSTRI DI SMK N 2 KLATEN,†Hanata Widya, vol. 7, no. 6, Art. no. 6, Oct. 2018.

S. N. Halizah, “KESENJANGAN KURIKULUM SMK DENGAN KEBUTUHAN INDUSTRI,†ADIBA J. Educ., vol. 4, no. 2, pp. 227–233, 2024.

S. Sarifudin and A. Suhri, “REVITALISASI SEKOLAH BERBASIS TEACHING FACTORY (TEFA) SEBAGAI RUJUKAN SEKOLAH MENENGAH KEJURUAN SWASTA DI PAMEKASAN (STUDI KASUS DI SMKS MAMBAUL ULUM BATA-BATA PANAAN PALENGAAN PAMEKASAN),†Stud. Religia J. Pemikir. Dan Pendidik. Islam, vol. 8, no. 2, pp. 317–334, 2024.

A. W. Bramantiya and D. Nurhadi, “Eksplorasi Daya Saing Lulusan SMK Kompetensi Keahlian Teknik Pengelasan Kelas Industri PT. INKA Melalui Sertifikasi Welder (Studi Kasus di SMK Negeri 1 Bendo),†Didakt. J. Kependidikan, vol. 13, no. 3, pp. 4193–4202, 2024.

N. Kurniasih, “Kurikulum Kolaborasi Komunitas sebagai Jawaban Terhadap Kebutuhan Skill Tenaga Kerja di SMK Al Muallim Kesugihan,†Chatra J. Pendidik. Dan Pengajaran, vol. 2, no. 1, pp. 28–37, 2024.

“Evaluasi Pelaksanaan Kelas Industri di SMK Muhammadiyah 1 Surakarta dan SMK Pancasila Surakarta | Jurnal Pendidikan Tambusai.†Accessed: Jul. 06, 2024. [Online]. Available: https://jptam.org/index.php/jptam/article/view/10209

M. V. Roesminingsih, T. R. Hariastuti, and F. Agustina, “Perencanaan Peningkatan Mutu Sekolah di SMKN Purwosari Bojonegoro,†J. Pendidik. Tambusai, vol. 6, no. 1, pp. 1892–1906, 2022.

N. THANTASIA, “MANAJEMEN KERJASAMA SEKOLAH DENGAN DUNIA USAHA DAN DUNIA INDUSTRI DALAM MENINGKATKAN KOMPETENSI LULUSAN PADA SMK N 7 BANDAR LAMPUNG,†PhD Thesis, UIN RADEN INTAN LAMPUNG, 2023. Accessed: Dec. 22, 2024. [Online]. Available: http://repository.radenintan.ac.id/29825/

E. M. Fitri, R. R. Suryono, and A. Wantoro, “KLASTERISASI DATA PENJUALAN BERDASARKAN WILAYAH MENGGUNAKAN METODE K-MEANS PADA PT XYZ,†J. Komputasi, vol. 11, no. 2, Art. no. 2, Nov. 2023, doi: 10.23960/komputasi.v11i2.12582.

A. H. Lutfiannisa, M. Maimunah, and P. Sukmasetya, “Clustering Data Pasien Berdasarkan Usia di Puskesmas Menerapkan Metode K-Means,†J. Inf. Syst. Res. JOSH, vol. 5, no. 2, Art. no. 2, Jan. 2024, doi: 10.47065/josh.v5i2.4755.

M. Capó, A. Pérez, and J. A. Lozano, “An efficient K-means clustering algorithm for tall data,†Data Min. Knowl. Discov., vol. 34, no. 3, pp. 776–811, May 2020, doi: 10.1007/s10618-020-00678-9.

E. P. Utami, D. A. K. Handayani, and T. L. Prihandoko, “IMPLEMENTASI PELAYANAN BIMBINGAN KARIR DALAM PROGRAM KELAS INDUSTRI DI SMK NU MA’ARIF KUDUS,†Emphaty Cons-J. Guid. Couns., vol. 5, no. 2, pp. 1–15, 2024.

Q. Qian, Y. Xu, J. Hu, H. Li, and R. Jin, “Unsupervised visual representation learning by online constrained k-means,†in Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition, 2022, pp. 16640–16649. Accessed: Dec. 22, 2024. [Online]. Available: http://openaccess.thecvf.com/content/CVPR2022/html/Qian_Unsupervised_Visual_Representation_Learning_by_Online_Constrained_K-Means_CVPR_2022_paper.html

P. Huang, P. Yao, Z. Hao, H. Peng, and L. Guo, “Improved Constrained k-Means Algorithm for Clustering with Domain Knowledge,†Mathematics, vol. 9, no. 19, Art. no. 19, Jan. 2021, doi: 10.3390/math9192390.

M. Khairi, M. Syafiih, and A. Khairi, “Industry Class Clustering of Software Expertise Competency at SMKN 2 Kraksaan Using Constrained K-Means Clustering Algorithm,†J. Comput. Netw. Archit. High Perform. Comput., vol. 6, no. 3, pp. 1128–1133, 2024.

P. Ray, S. S. Reddy, and T. Banerjee, “Various dimension reduction techniques for high dimensional data analysis: a review,†Artif. Intell. Rev., vol. 54, no. 5, pp. 3473–3515, Jun. 2021, doi: 10.1007/s10462-020-09928-0.

P. Chhikara, N. Jain, R. Tekchandani, and N. Kumar, “Data dimensionality reduction techniques for Industry 4.0: Research results, challenges, and future research directions,†Softw. Pract. Exp., vol. 52, no. 3, pp. 658–688, Mar. 2022, doi: 10.1002/spe.2876.

I. Maulana, A. M. Siregar, R. Rahmat, and A. Fauzi, “OPTIMIZATION OF MACHINE LEARNING MODEL ACCURACY FOR BRAIN TUMOR CLASSIFICATION WITH PRINCIPAL COMPONENT ANALYSIS,†J. Tek. Inform. Jutif, vol. 5, no. 3, Art. no. 3, Jun. 2024, doi: 10.52436/1.jutif.2024.5.3.2058.

F. L. Gewers et al., “Principal Component Analysis: A Natural Approach to Data Exploration,†ACM Comput. Surv., vol. 54, no. 4, pp. 1–34, May 2022, doi: 10.1145/3447755.

J. Singh and D. Singh, “A comprehensive review of clustering techniques in artificial intelligence for knowledge discovery: Taxonomy, challenges, applications and future prospects,†Adv. Eng. Inform., vol. 62, p. 102799, 2024.

S. Alelyani, J. Tang, and H. Liu, “Feature selection for clustering: A review. data clustering: Algorithms and applications, editor: Charu aggarwal and chandan reddy.†CRC Press, 2013.

T. F. Covoes, E. R. Hruschka, and J. Ghosh, “A study of k-means-based algorithms for constrained clustering,†Intell. Data Anal., vol. 17, no. 3, pp. 485–505, 2013.

A. M. Bagirov, R. M. Aliguliyev, and N. Sultanova, “Finding compact and well-separated clusters: Clustering using silhouette coefficients,†Pattern Recognit., vol. 135, p. 109144, 2023.

W. Jia, M. Sun, J. Lian, and S. Hou, “Feature dimensionality reduction: a review,†Complex Intell. Syst., vol. 8, no. 3, pp. 2663–2693, Jun. 2022, doi: 10.1007/s40747-021-00637-x.

Downloads

Additional Files

Published

2024-12-31

Issue

Vol. 8 No. 2 (2024): DESEMBER 2024

Section

ARTICLES

License

 

 

 

Creative Commons License

JurTI (Jurnal Teknologi Informasi)

This work is licensed under a Creative Commons Attribution-NonCommercial 4.0 International License.