Algoritma K-Means Untuk Klasterisasi Kampung Di Desa Bojong BerdasarkanTingkat Pendidikan
DOI:
https://doi.org/10.31294/bianglala.v13i1.12008Keywords:
K-Means Clustering, tingkat pendidikan, klasterisasi, pendidikan desa, RapidMinerAbstract
Desa Bojong menghadapi tantangan dalam memetakan tingkat pendidikan penduduknya
secara terstruktur. Meskipun data tersedia, kurangnya pengorganisasian menyebabkan kesenjangan
akses pendidikan, terutama di wilayah-wilayah tertentu. Penelitian ini bertujuan untuk
mengelompokkan tingkat pendidikan warga Desa Bojong menggunakan algoritma K-Means, sehingga
dapat memberikan wawasan yang lebih mendalam tentang kondisi pendidikan masyarakat. Data yang
digunakan mencakup 6.027 penduduk dari 10 kampung, dengan atribut seperti usia, pendidikan
terakhir, pekerjaan, dan status pernikahan. Proses analisis mengikuti tahapan Knowledge Discovery in
Database (KDD) dan dilakukan menggunakan perangkat lunak RapidMiner. Hasil penelitian
menunjukkan bahwa jumlah klaster yang ideal adalah 7, dengan nilai terbaik 0,467 untuk DaviesBouldin Index (DBI). Setiap klaster menunjukkan tingkat pendidikan tertentu. Cluster 6 memiliki tingkat
pendidikan yang sangat tinggi, dengan banyak penduduk yang sampai perguruan tinggi. Sementara
itu, Cluster 0 terdiri dari orang-orang yang hanya tamat SD atau bahkan tidak sekolah. Studi ini
menunjukkan distribusi pendidikan di Desa Bojong. Hasil ini dapat membantu pemerintah desa
membuat program pendidikan yang lebih baik. Kampung dengan tingkat pendidikan rendah dapat
berkonsentrasi pada program yang meningkatkan akses pendidikan dasar, seperti literasi dan subsidi
pendidikan, sedangkan kampung dengan tingkat pendidikan tinggi dapat berkonsentrasi pada
pengembangan program pendidikan lanjutan atau pelatihan vokasional. Metode ini diharapkan dapat
membantu Desa Bojong mengatasi kesenjangan pendidikan dan meningkatkan kualitas hidup
warganya dengan menyediakan program yang tepat sasaran. Selain itu, penelitian ini membantu
implementasi algoritma K-Means dalam pengelompokan data pendidikan di daerah pedesaan.
References
Abdussalam Amrullah, Intam Purnamasari,
Betha Nurina Sari, Garno, & Apriade
Voutama. (2022). Analisis Cluster Faktor
Penunjang Pendidikan Menggunakan
Algoritma K-Means (Studi Kasus:
Kabupaten Karawang). Jurnal Informatika
Dan Rekayasa Elektronik, 5(2), 244–252.
https://doi.org/10.36595/jire.v5i2.701
Awaliah, L., Rahaningsih, N., & Dana, R. D.
(2024). Implementasi Algoritma K-Means
Dalam Analisis Cluster Korban Kekerasan
Di Provinsi Jawa Barat. JATI (Jurnal
Mahasiswa Teknik Informatika), 8(1),
188–195.
https://doi.org/10.36040/jati.v8i1.8332
Basalamah, A. T., & Setyadi, R. (2023).
Penerapan Algoritma K-Means Clustering
Pada Tingkat Penyelesaian Pendidikan Di
Provinsi Indonesia. 04(02), 114–121.
Febriansyah, F., & Muntari, S. (2023).
Penerapan Algoritma K-Means untuk
Klasterisasi Penduduk Miskin pada Kota
Pagar Alam. JISKA (Jurnal Informatika
Sunan Kalijaga), 8(1), 66–77.
Gustino, & Suprapti, T. (2024). Analisis Desa Di
Kecamatan Krangkeng Berdasarkan
Tingkat Pendidikan Menggunakan
Algoritma K-Means. JATI (Jurnal
Mahasiswa Teknik Informatika), 8(2),
1861 –1868.
https://doi.org/10.36040/jati.v8i2.9220
Hasanah, M., Defit, S., & Nurcahyo, G. W.
(2021). Implementasi Algoritma K-Means
untuk Klasterisasi Peserta Olimpiade
Sains Nasional Tingkat SMA. Jurnal
Sistim Informasi Dan Teknologi, 3(1), 30–
35.
https://doi.org/10.35134/jsisfotek.v1i3.6
Kurniawan, M. D., Priyatna, B., & Nurapriana, F. (2023). Implementasi Algoritma KMeans Untuk Klasterisasi Data Obat
Puskesmas Kotabaru. Jurnal Sains
Komputer & Informatika (J-SAKTI, 7(2),
882–890.
https://tunasbangsa.ac.id/ejurnal/index.ph
p/jsakti Implementasi
Kurniawan, R., M. Mukarrobin, M. M., &
Mahradianur, M. (2021). Klasterisasi
Tingkat Pendidikan Di Dki Jakarta Pada
Tingkat Kecamatan Menggunakan
Algoritma K-Means. Technologia: Jurnal
Ilmiah, 12(4), 234.
https://doi.org/10.31602/tji.v12i4.5633
Novitasari, N., Nuris, N. D., & Herdiana, R.
(2023). Penerapan Algoritma K-Means
untuk Clustering Data Jumlah Penduduk
Miskin Berdasarkan Kota/Kabupaten di
Jawa barat menggunakan Rapidminer.
Jurnal Informatika Terpadu, 9(1), 68–73.
https://doi.org/10.54914/jit.v9i1.660
Oktarian, S., Defit, S., & Sumijan. (2020).
Clustering Students’ Interest
Determination in School Selection Using
the K-Means Clustering Algorithm Method.
Jurnal Informasi Dan Teknologi, 2(3), 68–
75. https://doi.org/10.37034/jidt.v2i3.65
Putri, M. R., Nugraha, G. S., & Dwiyansaputra,
R. (2024). Pengelompokan Provinsi di
Indonesia Berdasarkan Indikator
Pendidikan Menggunakan Metode KMeans Clustering. 7(1), 1 –8.
Romli, I., & Dewi Puspita, F. R. (2021).
Penerapan Data Mining Menggunakan
Algoritma K-Means Untuk Klasifikasi
Penyakit Ispa. Indonesian Journal of
Business Intelligence (IJUBI), 4(1), 10.
https://doi.org/10.21927/ijubi.v4i1.1727
Saputro, D. T., & Sucihermayanti, W. P. (2021).
Penerapan Klasterisasi Menggunakan KMeans untuk Menentukan Tingkat
Kesehatan Bayi dan Balita di Kabupaten
Bengkulu Utara Daniel. Jurnal ABDIMASKU: Jurnal Pengabdian Masyarakat
Kedokteran, 12(2), 146–155.
https://doi.org/10.30659/abdimasku.1.3.12
6-133
Setianingsih, I., & Alli, I. (2023). Klasterisasi
Pengeluaran Kas Di Desa Pamengkang
Menggunakan Metode K-Means. 7(1 ),
784–787.
Downloads
Published
Issue
Section
License
Copyright (c) 2025 Yovi Yuliantin, Ahmad Faqih, Kaslani
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.
