Sistem rekomendasi siswa berprestasi menggunakan metode K-Means Clustering dan TOPSIS

INDONESIA:

Pendidikan yang berkualitas akan mendorong siswa untuk belajar aktif, dinamis, mandiri, dan memberdayakan semua potensi yang ada di dalam diri siswa. Pemberdayaan potensi ini dapat dikonversi menjadi prestasi yang unggul dengan menggunakan program siswa berprestasi. Pemilihan siswa berprestasi haruslah objektif dan tepat sasaran karena dapat merugikan sekolah dan siswa. Selain itu, pemilihan siswa berprestasi juga masih terkendala oleh perhitungan manual yang masih menggunakan Microsoft Excel, data yang diolah cukup banyak, dan belum tersedianya sistem informasi yang mendukung sehingga penentuan siswa berprestasi menjadi kurang efektif, efisien, dan rentan terjadinya kesalahan pengolahan data. Berdasarkan permasalahan tersebut, perlu adanya suatu Pengelompokan (clustering) untuk membedakan tingkatan pemahaman siswa terhadap mata pelajaran sehingga guru menjadi tahu bagaimana tindakan yang harus dilakukan untuk mengembangkan potensi dan evaluasinya terhadap siswa berdasarkan tingkatannya. Selain itu, perlu juga adanya Sistem Pendukung Keputusan yang dapat merekomendasikan siswa yang berprestasi untuk dilakukan suatu pengambilan keputusan. Metode pengelompokan yang akan digunakan dalam penelitian ini adalah K-Means Clustering sedangkan metode sistem pendukung keputusan yang akan digunakan adalah Technique For Order Preference by Similarity to Ideal Solution (TOPSIS). Pengelompokan tersebut terdiri dari kelompok Siswa Paham, Cukup Paham, dan Kurang Paham. Selanjutnya untuk hasil cluster siswa paham akan diolah kembali untuk menentukan keputusan pemilihan siswa berprestasi menggunakan metode TOPSIS. Berdasarkan pengujian performa clustering dengan menggunakan perhitungan Davies-Bouldin Index (DBI) dari penggunaan metode K-Means Clustering dalam menentukan pengelompokan pemahaman siswa yang telah dilakukan menghasilkan nilai rata-rata DBI sebesar 0,41 dari 10 kali percobaan dan dapat dikatakan performa clustering yang dihasilkan adalah “Baik”. Sedangkan pengujian tingkat akurasi dari penggunaan metode K-Means Clustering dan TOPSIS dalam menentukan rekomendasi siswa berprestasi menghasilkan rata-rata tingkat akurasi “Sangat Baik” yaitu sebesar 83,33% dari total keseluruhan pengukuran akurasi, yaitu pengujian akurasi dengan satu siswa, dua siswa, dan tiga siswa.

ENGLISH:

Quality education will encourage students to learn actively, dynamically, independently, and empower all the potential that exists in students. Empowerment of this potential can be converted into superior achievement by using outstanding student programs. Selection of outstanding students must be objective and right on target because it can harm schools and students. In addition, the selection of outstanding students is still constrained by manual calculations that still use Microsoft Excel, a lot of data that is processed, and the lack of a supporting information system so that the determination of outstanding students is less effective, efficient, and prone to data processing errors. Based on these problems, it is necessary to have a grouping (clustering) to differentiate the level of students' understanding of the subject so that the teacher knows how to take action to develop the potential and evaluation of students based on their level. In addition, there is also a need for a Decision Support System that can recommend outstanding students to make a decision. The method of grouping that will be used in this research is K-Means Clustering, while the method of decision support system that will be used is Technique For Order Preference by Similarity to Ideal Solution (TOPSIS). This grouping consists of groups of Students with Understanding, Self-Understanding, and Poor Understanding. Furthermore, for the cluster results, students understand that they will be reprocessed to determine the decision to choose outstanding students using the TOPSIS method. Based on the clustering performance test using the Davies-Bouldin Index (DBI) calculation from the use of the K-Means Clustering method in determining the grouping of students' understanding that has been done, it has resulted in an average DBI value of 0.41 from 10 experiments and it can be said that the resulting clustering performance is "Good". While testing the level of accuracy from the use of the K-Means Clustering and TOPSIS methods in determining the recommendations of outstanding students, the average accuracy rate is "Very Good", which is 83.33% of the total accuracy measurement, namely testing accuracy with one student, two students, and three students.

ARABIC:

سيشجع التعليم الجيد الطلاب على التعلم بشكل نشط وديناميكي ومستقل ويمكّن كل الإمكانات الموجودة لدى الطلاب. يمكن تحويل التمكين من هذه الإمكانات إلى إنجاز متفوق باستخدام برامج الطلاب المتميزة. يجب أن يكون اختيار الطلاب المتفوقين موضوعيًا وصحيحًا في الهدف لأنه يمكن أن يضر بالمدارس والطلاب. بالإضافة إلى ذلك ، لا يزال اختيار الطلاب المتميزين مقيدًا بالحسابات اليدوية التي لا تزال تستخدم Microsoft Excel ، والكثير من البيانات التي تتم معالجتها ، وعدم وجود نظام معلومات داعم بحيث يكون تحديد الطلاب المتميزين أقل فعالية وكفاءة و عرضة لأخطاء معالجة البيانات. بناءً على هذه المشكلات ، من الضروري وجود مجموعة (مجموعات) للتمييز بين مستوى فهم الطلاب للموضوع حتى يعرف المعلم كيفية اتخاذ إجراء لتطوير إمكانات الطلاب وتقييمهم بناءً على مستواهم. بالإضافة إلى ذلك ، هناك حاجة أيضًا إلى نظام دعم القرار الذي يمكن أن يوصي الطلاب المتميزين لاتخاذ قرار. طريقة التجميع التي سيتم استخدامها في هذا البحث هي K-Means Clustering ، بينما طريقة نظام دعم القرار التي سيتم استخدامها هي تقنية تفضيل الطلب عن طريق التشابه مع الحل المثالي (TOPSIS). تتكون هذه المجموعة من مجموعات من الطلاب ذوي الفهم والفهم الذاتي وضعف الفهم. علاوة على ذلك ، بالنسبة لنتائج المجموعة ، يدرك الطلاب أنه سيتم إعادة معالجتها لتحديد قرار اختيار الطلاب المتميزين باستخدام طريقة TOPSIS. استنادًا إلى اختبار أداء التجميع باستخدام حساب Davies-Bouldin Index (DBI)I من استخدام طريقة K-Means Clustering في تحديد تجميع فهم الطلاب الذي تم إجراؤه ، فقد نتج عن ذلك متوسط قيمة DBI يبلغ 0.41 من من 10 تجارب ويمكن القول أن أداء التجميع الناتج هو "جيد". أثناء اختبار مستوى الدقة من استخدام طرق K-Means Clustering و TOPSIS في تحديد توصيات الطلاب المتميزين ، كان متوسط معدل الدقة "جيد جدًا" ، وهو 83.33٪ من إجمالي قياس الدقة ، أي اختبار الدقة مع طالب وطالبان وثلاثة طلاب.