Penerapan K-Means Clustering dalam Segmentasi Siswa Berdasarkan Status Sosial Ekonomi
Abstract
The accuracy of educational aid distribution remains a challenge, especially when it is not based on structured socioeconomic data. This study aims to group students at SMP Negeri 1 Lunang based on socioeconomic status using the K-Means Clustering algorithm as a segmentation approach. The data used includes parents' income and occupation, number of dependents, social assistance, certificates of poverty, and distance from home to school. After data normalization, clustering and visualization were performed using Principal Component Analysis (PCA). The clustering results yielded three main groups representing different socioeconomic levels: low, medium, and high. Validation using the Silhouette Score yielded a value of 0.2592, indicating that the cluster separation was adequate. These findings suggest that K-Means can serve as a decision-making tool for data-driven aid distribution. This study offers a new approach to student segmentation that simultaneously considers geographical and socioeconomic indicators.
Keywords: K-Means; Socioeconomic status; Student segmentation; PCA; Silhouette score
Abstrak
Ketepatan penyaluran bantuan pendidikan masih menjadi tantangan, terutama ketika tidak berbasis pada data sosial ekonomi yang terstruktur. Penelitian ini bertujuan untuk mengelompokkan siswa SMP Negeri 1 Lunang berdasarkan status sosial ekonomi menggunakan algoritma K-Means Clustering sebagai pendekatan segmentasi. Data yang digunakan mencakup penghasilan dan pekerjaan orang tua, jumlah tanggungan, bantuan sosial, surat keterangan tidak mampu, dan jarak rumah ke sekolah. Setelah data dinormalisasi, dilakukan klasterisasi dan visualisasi menggunakan Principal Component Analysis (PCA). Hasil clustering menghasilkan tiga kelompok utama yang merepresentasikan tingkatan sosial ekonomi berbeda yaitu rendah, menengah dan tinggi. Validasi menggunakan Silhouette Score menunjukkan nilai sebesar 0,2592, menandakan bahwa pemisahan klaster cukup baik. Temuan ini menunjukkan bahwa K-Means dapat menjadi alat bantu pengambilan keputusan untuk penyaluran bantuan berbasis data. Penelitian ini menawarkan pendekatan baru dalam segmentasi siswa yang mempertimbangkan indikator geografis dan sosial secara bersamaan.
Kata kunci: K-Means; Status sosial ekonomi; Segmentasi siswa; PCA; Silhouette scoreReferences
M. F. Firdani, G. A. Wibowo, dan B. O. Lubis, “Sistem Pendukung Keputusan Penerimaan Bantuan dari Pemerintah untuk Siswa Tidak Mampu dengan Metode Simple Additive Weighting (SAW) pada SMP Permata Depok,” METHODIKA, vol. 11, no. 1, pp. 20–29, 2025, doi: doi.org/10.46880/mtk.v11i1.3549.
A. Abrianto, “Application of K-Means Clustering Algorithm for Determining PIP Scholarship Recipients at SMPN 9 Blitar,” JOSAR, vol. 9, no. 1, pp. 204–214, 2024, doi: doi.org/10.35457/josar.v9i1.3105.
G. G. Dawous, S. S. Oktaviany, dan M. R. Ashari, “Dana Bos Dan Pemerataan Layanan Pendidikan Dasar Di Daerah Timur Indonesia,” J. Al Burhan Staidaf, vol. 2, no. 2, pp. 32–41, 2022, [Daring]. Tersedia pada: https://jurnal.staidaf.ac.id/index.php/jab/article/view/79.
S. H. H. Lubis, W. Pangaribuan, S. T. Ahmad, dan S. Arif, “Kebijakan Pemerataan dan Perluasan Akses Pendidikan dan Dampaknya Terhadap Sekolah Swasta,” Syntax Lit. J. Ilm. Indones., vol. 6, no. 7, pp. 6172–6182, 2022, [Daring]. Tersedia pada: https://jurnal.syntaxliterate.co.id/index.php/syntax-literate/article/view/7135.
M. A. M. P dan M. Qibtiyah, “Pemanfaatan Algoritma K-Means Clustering dalam Penentuan Prioritas Penerima Program Bantuan Sosial Pendidikan,” J. Inform. dan Komput. J. Inform. dan Komput., vol. 15, no. 2, pp. 68–76, 2024, [Daring]. Tersedia pada: https://journal.unmaha.ac.id/index.php/jik/article/view/386.
M. Ivan, “Evaluasi Kebijakan Bantuan Pendidikan (Program Indonesia Pintar/Bantuan Operasional Sekolah) dalam Mengatasi Anak Tidak Sekolah (ATS) dan Peningkatan Angka Partisipasi Kasar/Angka Partisipasi Murni (APK/APM) di Indonesia,” J. Transform. Adm., vol. 14, no. 01, pp. 80–92, 2024, doi: 10.59098/talim.v2i02.1255.
H. Sahila, S. Maesaroh, dan Baharuddin, “Efektivitas program bantuan operasional sekolah dalam meningkatkan akses pendidikan,” Idarah Tarb. J. Manag. Islam. Educ., vol. 5, no. 3, pp. 307–315, 2024, doi: 10.32832/itjmie.v5i3.16633.
I. Batuk, A. M. Baitanu, A. R. L. Atu, dan Y. Benu, “Evaluasi Pemberian Bantuan Pendidikan bagi Siswa Siswi Kurang Mampu,” J. Stud. Multidisipliner, vol. 8, no. 6, pp. 159–162, 2024, [Daring]. Tersedia pada: https://oaj.jurnalhst.com/index.php/jsm/article/view/3279.
A. Fauzan, W. Witanti, dan F. R. Umbara, “Prediksi Bantuan Operasional Raudhatul Athfal di Tingkat Kabupaten Menggunakan Metode Support Vector Machine – Regression,” JATI (Jurnal Mhs. Tek. Inform., vol. 9, no. 1, pp. 773–779, 2025, doi: doi.org/10.36040/jati.v9i1.12505.
T. V. Sandiva, S. Defit, dan G. W. Nurcahyo, “Implementasi Algoritma C4.5 untuk Prediksi Penerima Beasiswa Program Indonesia Pintar,” J. KomtekInfo, vol. 11, no. 4, pp. 354–362, 2024, doi: 10.35134/komtekinfo.v11i4.582.
W. Agustin dan A. Bahtiar, “Implementasi Algoritma Naïve Bayes Terhadap Penerima Kartu Indonesia Pintar,” JATI (Jurnal Mhs. Tek. Inform., vol. 8, no. 2, pp. 1521–1528, 2024, doi: 10.36040/jati.v8i2.8981.
B. A. Prayudha, R. Kurniawan, Y. Wijaya, dan U. Hayati, “Algoritma K-Means untuk Meningkatkan Model Klasterisasi Data Siswa SMK Samudra Nusantara Kabupaten Cirebon Berdasarkan Nilai Akademik,” JATI (Jurnal Mhs. Tek. Inform., vol. 9, no. 1, pp. 1314–1321, 2025, doi: doi.org/10.36040/jati.v9i1.12689.
E. Indriati, N. Suharyani Azisa, E. Ivo Sihombing, dan Z. Sukma Dewi Mokodompit, “Implementasi Algoritma K-Means Clustering Untuk Pengelompokan Status Penerima Kip Kuliah Mahasiswa Universitas Papua,” JATI (Jurnal Mhs. Tek. Inform., vol. 7, no. 6, pp. 3458–3463, 2023, doi: 10.36040/jati.v7i6.8222.
E. Nahak, F. Tedy, Y. C. H. Siki, E. Ngaga, E. Jando, dan S. D. B. Mau, “Implementasi Metode MOORA dalam Sistem Pendukung Keputusan bagi Calon Penerima Beasiswa Program Indonesia Pintar di SMPN Satu Atap Nununamat,” KONSTELASI Konvergensi Teknol. dan Sist. Inf., vol. 4, no. 1, pp. 83–98, 2024, doi: 10.24002/konstelasi.v4i1.8972.
I. B. A. Peling, M. P. A. Ariawan, dan G. B. Subiksa, “Analisis Cluster Mahasiswa Penerima Beasiswa dengan Metode K-means dan SAW,” Sist. J. Sist. Inf., vol. 13, no. 4, pp. 1334–1343, 2024, doi: doi.org/10.32520/stmsi.v13i4.2914.
N. Suarna, N. Rahaningsih, dan A. A. Suarna, “Optimalisasi Prestasi Akademik Siswa Melalui Pengelompokan Indeks Prestasi dengan K-Means Clustering,” J. Kecerdasan Buatan dan Teknol. Inf., vol. 4, no. 2, pp. 198–207, 2025, doi: doi.org/10.69916/jkbti.v4i2.321.
E. O. Srirahmawati, A. I. Purnamasari, A. Bahtiar, dan E. Tohidi, “Pengelompokan Prestasi Akademik Siswa SD Menggunakan Algoritma K-Means,” JIRE (Jurnal Inform. Rekayasa Elektron., vol. 8, no. 1, pp. 80–86, 2025, doi: doi.org/10.36595/jire.v8i1.1358.
A. Salsabila, A. A. T. Susilo, dan N. K. Daulay, “Metode Hybrid Dalam Pengelompokkan Kemampuan Calistung Siswa Berbasis Machine Learning,” J. Informatics Manag. Inf. Technol., vol. 5, no. 2, pp. 112–119, 2025, doi: 10.47065/jimat.v5i2.500.
S. A. Mukhsyi, A. I. Purnamaari, A. Bahtiar, dan Kaslani, “Improving Student Achievement Clustering Model Using K-Means Algorithm in Pasundan Majalaya Vocational School,” J. Artif. Intell. Eng. Appl., vol. 4, no. 2, hal. 977–985, 2025, doi: doi.org/10.59934/jaiea.v4i2.793.
M. Iqbal, S. P. Sipayung, A. R. Sinaga, dan P. M. Hasugian, “Analysis of Student Achievement with K-Means on Socioeconomic , Behavioral , and Psychological Factors,” J. Info Sains Inform. dan Sains, vol. 14, no. 04, pp. 715–728, 2024, doi: 10.54209/infosains.v14i04.
S. Kim, S. Cho, J. Y. Kim, dan D. J. Kim, “Statistical Assessment on Student Engagement in Asynchronous Online Learning Using the k-Means Clustering Algorithm,” Sustain., vol. 15, no. 3, pp. 1–14, 2023, doi: 10.3390/su15032049.
How To Cite This :
Refbacks
- There are currently no refbacks.
