Syntax Idea: p�ISSN: 2684-6853 e-ISSN: 2684-883X�
Vol. 3, No.10, Oktober 2021
SISTEM REKOMENDASI JURUSAN
PADA SEKOLAH MENENGAH KEJURUAN (SMK) DENGAN ALGORITMA K-MEANS
Siska
Howay, Rianto
Program Studi Magister
Teknologi Informasi, Program Pascasarjana, Universitas Teknologi Yogyakarta,
Indonesia
Email: [email protected],
[email protected]
Abstrak
Sistem Penentuan jurusan di SMK
Negeri 02 Moswaren Kabupaten sorong selatan, merupakan hal yang sangat penting,
karena di SMK belum ada sistem penetuan jurusan yang baik sehingga siswa
seringkali salah dalam memilih jurusan berdasarkan kemampuan yang dimiliki.
Oleh karena itu sistem ini dibuat untuk membantu pihak sekolah dalam menentukan
jurusan yang sesuai berdasarkan data nilai rapot, minat, dan bakat.� data di ambil dari beberapa angkatan mulai
dari angkatan 2019 sampai dengan 2021. Atribut yang dipakai meliputi pemilihan
jurusan SMK TKJ, TBSM, TPMG, ATPH, APAT nilai mata pelajaran Penddidikan Agama,
PPKN, Bahasa Indonesia, Matematika, IPA, IPS, Penjas, Prakarya, Mulok,
Kewira� dengan menggunakan dataset 23
data siswa baru.� hasil dari pola
klasifikasi penentuan jurusan ini dapat digunakan pihak sekolah dalam
menentukan kebijakan dalam penentuan jurusan calon siswa pada proses penerimaan
peserta didik baru.
Kata Kunci: K-Means; rekomendasi; jurusan; SMK
Abstract
The system of determining majors in SMK Negeri
02 Moswaren South Sorong Regency, is very important, because in SMK there is no
good majoring system so students are often wrong in choosing a major based on
their abilities. The purpose of this study is to use the recommendation system
of majors in vocational high schools (SMK) using the K-Means Algorithm. The
research method conducted is to conduct interviews with the school or those responsible
at smk to get the data they need. The results of the classification pattern of
major determination can be used by the school in determining policies in
determining prospective student majors in the admission process of new
learners. After conducting this research, it was found that the� system had successfully implemented the
K-means algorithm to determine the priority of determining vocational expertise
programs based on raport junior high school value criteria, interests, student
talent.
Keywords: K-Means; Recommendation; Department; Vocational High School
Pendahuluan
Pendidikan yang
berkualitas merupakan harapan dan tuntutan seluruh stakeholder pendidikan.
Semua orang tentunya akan lebih suka menntut ilmu pada lembaga yang memiliki
mutu yang baik. Atas dasar ini maka sekolah/ lembaga pendidikan harus dapat
memberikan pelayanan dan mutu yang baik agar tidak ditinggalkan dan mampu
bersaing dengan lembaga Pendidikan lainnya (Ramdhani, 2017).
Pendidikan merupakan suatu sistem yang terbangun dari beberapa komponen pendidikan yang satu dengan yang lain saling berhubungan. �Sebagian masyarakat beranggapan bahwa kegagalan dan keberhasilan yang dialami oleh seseorang tergantung pada apa yang mereka dapatkan melalui �persekolahan (Fadhli, 2017).
Lembaga pendidikan selalu mengalami perkembangan di sekolah dapat membawa perubahan dilingkungan sekolah tersebut,salah satu aspek budaya sekolah, iklim sekolah, komunikasi, kinerja guru serta peraturan yang ada di dalam sekolah, perkembangan sekolah hendaknya membawa perubahan yang positif terhadap lingkungan sekolah dalam hal ini guru merasa senang dan nyaman di sekolah karena selalu mendapatkan dukungan dari kepala sekolah dari setiap aktivitas yang dilakukan berkaitan dengan mutu pembelajaran di sekolah Gaya kepemimpinan ialah pola- pola perilaku pemimpin yang digunakan untuk mempengaruhi aktivitas orang-orang yang dipimpin untuk mencapai tujuan dalam suatu situasi organisasinya yang dapat berubah (Azizah, Sulianto, & Cintang, 2018), (Yuningsih & Herawan, 2015), (Yahya & Hakim, 2015).
Sekolah menengah kejuruan (SMK) adalah satuan pendidikan formal yang menyelenggarakan pendidikan kejuruan. Pendidikan kejuruan adalah bagian dari pendidikan yang mempersiapkan peserta didik untuk bisa bekerja di bidang tertentu dan mampu bekerja pada suatu kelompok pekerjaan. Maka pada setiap tahun ajaran baru, setiap siswa yang ingin mendaftar di SMK akan memilih jurusan selama belajar di SMK.Tes yang biasa dilakukan pada saat seleksi siswa baru di SMK melalui Nilai rapot SMP, wawancara, dan beberapa hal lainnya (Winangun, 2017).
Proses penentuan jurusan di SMK merupakan hal yang sangat
penting, karena nantinya siswa dibekali pembelajaran sesuai dengan jurusan yang
telah dipilih secara lebih mendalam dan kedalaman tersebut dimaksudkan sebagai
bekal memasuki dunia kerja. Maka dari itu pihak sekolah perlu mengetahui pola
minat siswa yang sesuai jurusan yang tersedia untuk menghindari kesalahan dalam
pemilihan jurusan. Pola tersebut juga nantinya memudahkan pihak sekolah untuk
menentukan jurusan mana yang tepat untuk calon siswa tersebut (Apriliani, 2019).
Sistem rekomendasi adalah suatu sistem yang menyarankan
informasi yang berguna atau menduga apa yang akan dilakukan untuk mencapai
tujuannya, misalnya seperti memilih jurusan tertentu. Sehingga siswa memilih
jurusan dapat lebih efektif dalam menentukan jurusan yang diinginkannya. Metode
yang digunakan dalam penelitina ini adalah K-Means (Pradana, 2019).
Proses klasifikasi jurusan sebelumya masi secara manual yaitu
menggunakan nilai rapot siswa dan wawancara. Algoritma K-Means dapat membantu
untuk menyelesaikan sistem penentuan jurusan maka dengan mudah menetukan
jurusan yang sesuai kemampuan dari siswa tersebut. hasil klasifikasi dari
algoritma K-means memiliki nilai akurasi yang cukup tinggi. Maka dari itu untuk
mengetahui pola minat dari siswa-siswi dalam menentukan jurusan yang nantinya
akan mereka ambil di SMK digunakan algoritma K-Means (Firza & Sarjono, 2020).
Tujuan penelitian ini adalah untuk membantu pihak sekolah
dalam menentukan jurusan yang sesuai berdasarkan data nilai rapot, minat, dan
bakat.� data di ambil dari beberapa
angkatan mulai dari angkatan 2019 sampai dengan 2021.
Metode Penelitian
Dalam melakukan penelitian ini,
peneliti menggunakan 6 tahapan, yaitu: Ada 6 Tahapan yang dilakukan dalam
penelitian ini yaitu: (1.) tahap business understanding, tahapan awal adalah
melakukan wawancara dengan pihak sekolah atau yang
bertanggung awab di SMK untuk mendapatkan data yang dipeerlukan. Ada
beberapa kesalahan yang dilakukan dalam penentuan jurusan, sehingan pihak
sekolah masi sulit untuk menetukan jurusan yang cocok untuk calon siswa-siswi
di SMK (Rohmad, 2021). (2.) tahap
data understanding, data diperoleh dari salah satu Sekolah Menengah
Kejuruan data yang di ambil dari beberapa Angkatan angkatan mulai dari 2019
sampai dengan 2021. Atribut yang dipakai meliputi pilihan jurusan I, pilihan
jurusan II, jurusan III, jurusan IV, jurusan V, nilai mata pelajaran
Penddidikan Agama, PPKN, Bahasa Indonesia, Matematika, IPA, IPS, Penjas,
Prakarya, Mulok, Kewira (Handyani, Usmar, & Walid, 2021). (3.) tahap
data preparation, setelah proses pengumpulan data, data ini akan di masukan
ke dalam sistem lalu diproses. (4.) tahap modellin, computing
approach pada penelitian ini dipilih berdasarkan studi litelatur
tentang�� algoritma K-Means yang mampu
mengklasifikasikan pola penjurusan SMK (Irawan, 2017). (5.) analisa dan evaluation
pattern, algoritma yang akan diterapkan pada data penjurusan siswa SMK
melalui modl simulasi. Dilakukan evaluasi untuk mengamati hasil klasifikasi
dari penerapan algoritma K-Means (Hadi, 2019).
(6.) Deployment phase. Dari keputusan dihasilkan kemudian diajukan
bagi pihak sekolah lalu diterapkan
Hasil dan Pembahasan
1.
K-Means
Beberapa
teknik klastering yang paling sederhana dan umum adalah klastering K-means.
Secara detail teknik ini menggunakan ukuran ketidakmiripan untuk mengelompokan
obyek. Ketidakmiripan dapat diterjemahkan dalam konsep jarak. Dua obyek
dikatakan mirip jika jarak dua objek tersebut dekat. Semakin tinggi nilai jarak,
semakin tinggi nilai ketidakmiripannya. Algoritma klastering K-means dapat
diringkas sebagai berikut
1)
Pilih jumlah klister
2)
Inisialisasi k pusat klaster
(diberi nilai-nilai random)
3)
Tempatkan setiap data/obyek ke
klaster terdekat. Kedekatan dua obyek ditentukan bersarkan jarak kedua obyek
tersebut. Jarak paling dekat antara satu data dengan satu klaster tertentu akan
menentukan suatu data masuk dalam klaster mana.
4)
Hitung kembali pusat klaster dengan
anggota klaster yang sekarang. Pusat klaster adalah rata- rata semua data/obyek
dalam klister
5)
Tugaskan lagi setiap obyek memakai
pusat klaster yang baru. Jika pusat Klaster sudah tidak berubah lagi, maka
proses pengklasteran selesai.
Berikut rumus pengukuran jarak :
�������
Keterangan :
����� d = titik dokumen; x = data record;
y = data centroid
2. Implementasi K-Means
Ada beberpa tahapan yang dilakukan untuk mendapatkan keputusan, dalam
tahapan ini digunakan algoritma K-Means. Untuk menentukan jurusan yang tepat
bagi siswa-siswi di SMK data yang diambil meliputi nilai rapot yang terdiri
dari nilai mata pelajaran Penddidikan Agama, PPKN, Bahasa Indonesia,
Matematika, IPA, IPS, Penjas, Prakarya, Mulok, Kewira, Minat,Bakat dan Tes
Kesehatan dan Tes Olahraga. Sistem dapat melakukan perhitungan nilai siswa agar
dapat menentukan program keahlian yang sesuai dengan hasil nilai yang diperoleh (Anita, 2019). Sistem dapat
melakukan beberapa pelaporan Laporan siswa yang masuk program keahlian TKJ,
TBSM, TPMG, ATPH, APAT. Ada 23 data yang dijdikan sempel data untuk dilakukan
proses K-Menas.
Tabel
1
Nilai
rapot 23 siswa
|
No |
Nama |
Pa |
Pkn |
Bhsindo |
Mtk |
Ipa |
Ips |
Penjas |
Prakarya |
Usaha |
|
1 |
Aguino |
80 |
75 |
80 |
85 |
80 |
78 |
80 |
75 |
76 |
|
2 |
Andreas |
70 |
78 |
78 |
80 |
78 |
75 |
78 |
78 |
78 |
|
3 |
MERSI |
80 |
75 |
80 |
85 |
75 |
78 |
77 |
79 |
80 |
|
4 |
RILLA |
78 |
79 |
80 |
80 |
78 |
78 |
75 |
80 |
78 |
|
5 |
ZULFA |
85 |
78 |
85 |
85 |
78 |
76 |
78 |
77 |
78 |
|
6 |
ANDRE |
75 |
77 |
80 |
75 |
76 |
75 |
85 |
76 |
75 |
|
7 |
FANO |
85 |
85 |
80 |
85 |
75 |
74 |
85 |
75 |
80 |
|
8 |
HELIO |
75 |
77 |
80 |
75 |
74 |
75 |
70 |
69 |
85 |
|
9 |
ENJEL |
80 |
75 |
80 |
85 |
75 |
75 |
75 |
70 |
80 |
|
10 |
EKA |
85 |
75 |
80 |
80 |
75 |
75 |
75 |
70 |
85 |
|
11 |
DIAN |
80 |
75 |
85 |
80 |
75 |
77 |
70 |
70 |
75 |
|
12 |
IMERTA |
80 |
80 |
85 |
77 |
79 |
75 |
75 |
76 |
75 |
|
13 |
YULI |
80 |
78 |
80 |
75 |
80 |
78 |
85 |
75 |
85 |
|
14 |
MARTA |
85 |
85 |
85 |
78 |
77 |
85 |
80 |
74 |
80 |
|
15 |
JOSUA |
80 |
75 |
75 |
85 |
76 |
85 |
75 |
75 |
80 |
|
16 |
NOVALIN |
80 |
85 |
85 |
85 |
75 |
70 |
85 |
75 |
77 |
|
17 |
JEFRY |
80 |
75 |
75 |
70 |
69 |
75 |
75 |
75 |
75 |
|
18 |
BAYU |
80 |
80 |
85 |
75 |
70 |
75 |
85 |
79 |
78 |
|
19 |
ELSARIO |
80 |
85 |
80 |
75 |
70 |
70 |
75 |
80 |
85 |
|
20 |
YANSEN |
85 |
80 |
80 |
70 |
70 |
80 |
75 |
77 |
85 |
|
21 |
TIKA |
80 |
75 |
75 |
80 |
80 |
78 |
85 |
76 |
70 |
|
22 |
KARISA |
78 |
70 |
80 |
78 |
78 |
76 |
78 |
75 |
75 |
|
23 |
IMERTA |
75 |
77 |
80 |
75 |
76 |
75 |
85 |
76 |
75 |
3.
Perhitungan K-Means
Proses
perhitungan K-Means melibatkan tabel 1. Berdasarkan tabel tersebut, akan
diambil nilai rata-rata untuk setiap mata pelajaran, yang kemudian akan
ditentukan secara acak untuk menentukan pusat cluster (centroid) awal.
Berikut adalah Tabel nilai rata-rata Data nilai rata-rata cluster (centroid).
Tabel
2
Perhitungan
K-Means
|
MATPEL |
Cluste (0) |
Clust (1) |
Cluste (2) |
Cluste (3) |
Cluste (4) |
|
PA |
79.308 |
80.0 |
82.5 |
80.0 |
81.667 |
|
PPKN |
75.385 |
76.0 |
83.75 |
80.0 |
80.0 |
|
BHSINDO |
79.846 |
80.0 |
82.5 |
82.5 |
78.333 |
|
MTK |
82.538 |
77.5 |
82.5 |
76.25 |
71.667 |
|
IPA |
76.846 |
74.5 |
73.75 |
78.0 |
69.667 |
|
IPS |
77.538 |
75.0 |
73.25 |
78.25 |
75.0 |
|
BHS ING |
78.692 |
85.0 |
76.25 |
77.75 |
69. 667 |
|
SENBU |
73.308 |
80.0 |
81.25 |
79.25 |
81.667 |
|
PENJAS |
76.231 |
72.5 |
85.0 |
81.25 |
75.0 |
|
PRAKARYA |
74.615 |
69.5 |
76.0 |
75.25 |
77.333 |
|
MULOK |
79.923 |
75.0 |
85.0 |
76.25 |
76.667 |
|
KEWIRA |
77.308 |
85.0 |
78.75 |
78.75 |
81.667 |
4.
Jumlah Cluster yang dihasilkan
Merujuk pada persamaan (1), kemudian dilakukan secara berulang sampai
hasil keluaran iterasi menjadi ideal antara cluster0 (c0), cluster1 (c1),
cluster2 (c2), cluster3 (c3), cluster4 (c4).�
Dari hasil keluaran cluster0 adalah jurusan TKJ, cluster1 TBSM, cluster2
TPMG, cluster3 ATPH, cluster4 APAT. Maka jumlah siswa dicluster0 jurusan
TKJ� 6 orang, cluster1 TBSM 4 siswa,
cluster2� TPMG 4 siswa, cluster3 ATPH 7 siswa,
cluster4 APAT 2 siswa. Tabel cluster dapat dilihat dibawah ini:
Tabel 3
Jumlah Cluster dari penelitian
|
Cluster 0 |
6 items |
|
Cluster 1 |
4 items |
|
Cluster 2 |
4 items |
|
Cluster 3 |
7 items |
|
Cluster 4 |
2 items |
|
Total items: 23 |
|
Kesimpulan
Hasil
pengujian terhadap �Sistem Rekmendasi penentuan jurusan� ini menunjukkan bahwa sistem telah berhasil mengimplementasikan
algoritma K-means untuk menentukan prioritas penentuan program keahlian SMK
berdasarkan kriteria nilai Raport SMP, Minat, Bakat Siswa.
BIBLIOGRAFI
Anita, Anita. (2019). Pengaruh Facebook
Terhadap Prestasi Belajar Siswa Smp Negeri 1 Kikim Tengah Kabupaten Lahat.
Uin Raden Fatah Palembang.Google Scholar
Apriliani, Nurul. (2019). Evaluasi
Program Praktik Kerja Industri (Prakerin) Jurusan Teknik Komputer Jaringan
(TKJ) Di SMK Komputama Jeruklegi Kabupaten Cilacap. IAIN Purwokerto. Google Scholar
Azizah, Mira, Sulianto, Joko, &
Cintang, Nyai. (2018). Analisis keterampilan berpikir kritis Siswa sekolah
dasar pada pembelajaran matematika kurikulum 2013. Jurnal Penelitian
Pendidikan, 35(1), 61�70. Google Scholar
Fadhli, Muhammad. (2017). Manajemen
peningkatan mutu pendidikan. Tadbir: Jurnal Studi Manajemen Pendidikan, 1(2),
215�240. Google Scholar
Firza, Firza, & Sarjono, Sarjono. (2020).
Penerapan Algoritma K-Means Dalam Metode Clustering Untuk Peminatan Jurusan
Bagi Siswa Swasta Pelita Raya Kota Jambi. Jurnal Manajemen Sistem Informasi,
5(3), 371�382. Google Scholar
Hadi, Fakhri. (2019). Penerapan
Algoritma Cart Dan C4. 5 Untuk Penentuan Jurusan Siswa Baru. Universitas
Islam Negeri Sultan Syarif Kasim Riau. Google Scholar
Handyani, Yeni, Usmar, Ali, & Walid,
Abul. (2021). Pengaruh Latar Belakang Pendidikan Dan Gender Terhadap Indeks
Prestasi Kumulatif Mahasiswa Tadris Matematika Uin Sulthan Thaha Saifuddin
Jambi Angkatan 2017. Uin Sulthan Thaha Saifuddin Jambi. Google Scholar
Irawan, Bei Harira.
(2017). Prediksi Kelulusan Tepat Waktu Pada Kampus Stmik Mic Cikarang Dengan
Algoritma K-Means Clustering. Jurnal Sigma, 5(1), 10�22. Google Scholar
Pradana, Ferdiansyah Setya. (2019). Analisa
dan Perancangan Sistem Informasi Praktek Kerja Industri Menggunakan AHP. JUST
IT: Jurnal Sistem Informasi, Teknologi Informasi Dan Komputer, 10(1),
72�77. Google Scholar
Ramdhani, Muhammad Ali. (2017). Lingkungan
pendidikan dalam implementasi pendidikan karakter. Jurnal Pendidikan UNIGA,
8(1), 28�37. Google Scholar
Rohmad, Rohmad. (2021). (Lengkapi Lembar
Pengesahan Dengan Stempel, Gunakan Ttd Asli Pada Lembar Persetujuan Publikasi,
Upload Ulang)... Implementasi Hidden Curriculum Pesantren Untuk Mengembangkan
Karakter Religius Siswa Di Smk Sunan Kalijaga Sampung Ponorogo. Iain
Ponorogo.
Winangun, Kuntang. (2017). Pendidikan Vokasi
Sebagai pondasi bangsa menghadapi globalisasi. Jurnal Taman Vokasi, 5(1),
72�78. Google Scholar
Yahya, Muhammad, & Hakim, Arif Rahman.
(2015). Analisis Pengaruh Gaya Kepemimpinan, Motivasi Kerja, dan Kompensasi
Terhadap Kinerja Guru (Studi Kasus di SMA PPMI ASSALAM Surakarta). Jurnal
Pendidikan Ilmu Sosial, 24(1), 67�77. Google Scholar
Yuningsih, Eri, & Herawan, Endang. (2015).
Kepemimpinan transformasional kepala sekolah dan iklim sekolah terhadap sekolah
efektif pada sd negeri di purwakarta. Jurnal Administrasi Pendidikan, 22(2). Google Scholar
|
Siska Howay, Rianto (2021) |
|
First publication right: |
|
This article is licensed under: |