PERBANDINGAN ALGORITMA K-MEANS CLUSTERING DAN FUZZY TSUKAMOTO UNTUK MENGELOMPOKKAN DATA SISWA SMP NU MEDAN BERDASARKAN PRESTASI AKADEMIK

Abstract

Penelitian ini bertujuan untuk membandingkan kinerja algoritma K-Means Clustering dan Fuzzy Tsukamoto dalam mengelompokkan data siswa SMP NU Medan berdasarkan prestasi akademik. Latar belakang penelitian ini didasarkan pada pentingnya analisis data pendidikan sebagai dasar pengambilan keputusan yang tepat dalam meningkatkan kualitas pembelajaran. Data yang digunakan berasal dari nilai akademik siswa pada beberapa mata pelajaran inti. Metode K Means Clustering digunakan untuk melakukan pengelompokan secara tegas (hard clustering), sedangkan Fuzzy Tsukamoto digunakan untuk mengelompokkan dengan pendekatan logika fuzzy (soft clustering). Hasil penelitian menunjukkan bahwa algoritma K-Means mampu menghasilkan pengelompokan yang sederhana dan mudah diinterpretasikan, namun cenderung kurang fleksibel terhadap data yang bersifat ambigu. Sebaliknya, metode Fuzzy Tsukamoto memberikan hasil pengelompokan yang lebih adaptif dengan mempertimbangkan derajat keanggotaan setiap data, sehingga lebih sesuai dalam merepresentasikan variasi prestasi akademik siswa. Kesimpulan dari penelitian ini adalah Fuzzy Tsukamoto lebih unggul dalam memberikan analisis yang komprehensif terhadap data prestasi akademik, sedangkan K-Means lebih unggul dari sisi kemudahan implementasi.