PENERAPAN ALGORITMA MACHINE LEARNING UNTUK PENGELOMPOKAN SISWA BERDASARKAN ASPEK AKADEMIK DAN NON-AKADEMIK

Penelitian ini bertujuan untuk mengembangkan sistem pengelompokan potensi siswa sebagai strategi dalam mengatasi keterbatasan proses identifikasi akademik yang selama ini masih dilakukan secara manual, subjektif dan rentan terhadap bias pengamatan. Algoritma K-Means Clustering dan K-Medoids diterapkan pada dataset yang terdiri dari 1.023 data siswa dari SMP Negeri 2 Jekulo Kudus dan SMP Negeri 3 Jekulo Kudus dengan variabel berupa nilai rapor semester, mata pelajaran utama seperti Matematika, IPA dan Bahasa Indonesia, Rata-rata, nilai sikap, serta partisipasi kegiatan ekstrakurikuler. Penelitian ini menggunakan jumlah cluster k = 3 yang merepresentasikan kategori potensi siswa Tinggi, Sedang dan Rendah untuk kebutuhan pemetaan pendidikan. Tahap pra-pemrosesan data meliputi imputasi nilai hilang menggunakan nilai rata-rata serta normalisasi fitur numerik menggunakan RobustScaler untuk meminimalkan pengaruh outlier tanpa menghilangkan data siswa. Hasil evaluasi menunjukkan bahwa algoritma K-Means memiliki performa clustering yang lebih baik dibandingkan K-Medoids berdasarkan metrik evaluasi, dengan nilai Silhouette sebesar 0.529 dan Davies–Bouldin Index sebesar 0.879, sehingga dinilai lebih sesuai untuk karakteristik dataset siswa yang digunakan. Sistem kemudian diimplementasikan dalam bentuk aplikasi web interaktif berbasis Python menggunakan framework Flask dan database MySQL, yang memungkinkan pengelolaan data secara terpusat, akses real-time, serta visualisasi hasil clustering melalui antarmuka pengguna. Dengan adanya sistem ini, sekolah diharapkan dapat melakukan pemetaan potensi siswa secara lebih objektif, efisien dan berbasis data analitik untuk mendukung perencanaan strategi pembelajaran, program intervensi dan pengambilan keputusan pendidikan yang lebih tepat sasaran dan inklusif.