Analisis Data Absensi Siswa Menggunakan Data Mining untuk Meningkatkan Disiplin Sekolah
DOI:
https://doi.org/10.64803/jodsie.v1i2.29Keywords:
Data Mining, K-Means Clustering, Absensi Siswa, Disiplin Siswa, Educational Data MiningAbstract
Kedisiplinan siswa merupakan salah satu faktor penting dalam menunjang keberhasilan proses pembelajaran di sekolah, yang dapat diukur melalui tingkat kehadiran siswa. Namun, pemanfaatan data absensi di banyak sekolah masih terbatas pada fungsi administratif dan belum dianalisis secara mendalam untuk menghasilkan informasi yang bernilai. Penelitian ini bertujuan untuk menganalisis data absensi siswa menggunakan teknik data mining guna mengidentifikasi pola kehadiran serta memberikan rekomendasi dalam meningkatkan disiplin siswa. Metode yang digunakan adalah K-Means Clustering dengan tahapan meliputi pengumpulan data, preprocessing, proses clustering, dan evaluasi hasil. Dataset yang digunakan terdiri dari 100 siswa selama satu semester dengan kategori kehadiran hadir, izin, sakit, dan alpa. Hasil penelitian menunjukkan bahwa data dapat dikelompokkan menjadi tiga kategori, yaitu kehadiran tinggi sebesar 40%, sedang sebesar 35%, dan rendah sebesar 25%. Evaluasi model menunjukkan bahwa metode yang digunakan mampu mengelompokkan data secara efektif dengan tingkat akurasi di atas 80%. Temuan ini menunjukkan bahwa data mining dapat digunakan sebagai alat bantu dalam pengambilan keputusan berbasis data untuk meningkatkan disiplin siswa. Dengan demikian, penelitian ini memberikan kontribusi praktis bagi pihak sekolah dalam mengidentifikasi siswa dengan tingkat kedisiplinan rendah serta merancang strategi pembinaan yang lebih tepat sasaran.
References
[1] W. I. Wahyuni, Y. Yusfrizal, and Z. Fatmaira, “Data Mining Correlation of Student Discipline with Level of Achievement Using Apriori Method,” JETCom, vol. 3, no. 1, pp. 43–50, 2024, doi: 10.63893/jetcom.v3i1.142.
[2] M. A. Afandi, I. K. A. Enriko, and M. A. Baihaqy, “Improvement of Student Attendance System Based on IoT,” Elinvo, vol. 7, no. 2, pp. 92–100, 2023, doi: 10.21831/elinvo.v7i2.53944.
[3] N. Selwyn, L. Pangrazio, and B. Cumbo, “Attending to Data in Datafied School,” Research in Education, vol. 109, no. 1, pp. 72–89, 2021, doi: 10.1177/0034523720984200.
[4] N. Shawareb, A. Ewais, and F. Dalipi, “Utilizing Data Mining Techniques to Predict Students Performance,” KSII Transactions, vol. 18, no. 9, 2024, doi: 10.3837/tiis.2024.09.006.
[5] A. Nammakhunt and W. Premchaiswadi, “Analysis of Student Learning Behavior using Process Mining,” PAST Journal, 2024, doi: 10.60101/past.2024.253294.
[6] S. R. F. Sinurat, M. Nasution, and R. Muti, “Analisis Data Mining Absensi Siswa dengan K-Means,” Jurnal Informatika, vol. 12, no. 2, 2024, doi: 10.36987/informatika.v12i2.5773.
[7] M. B. Rahman and Z. Fatah, “Analisis Pola Kehadiran Menggunakan Decision Tree,” Jurnal Sistem Informasi, 2024, doi: 10.69714/6z8kc143.
[8] W. I. Wahyuni et al., “Correlation of Discipline and Achievement Using Apriori,” JETCom, 2024, doi: 10.63893/jetcom.v3i1.142.
[9] E. Firmansyah and D. Gunawan, “Analisis Pola Pelanggaran Siswa dengan FP-Growth,” Jurnal Informatika, 2024, doi: 10.32493/jiup.v10i2.52258.
[10] A. Fatih and I. A. Chandra, “Perancangan Sistem Absensi Siswa Berbasis Android,” JIMAT, 2024, doi: 10.47065/jimat.v5i3.695.
[11] R. E. Pambudi et al., “Prediksi Prestasi Akademik Menggunakan Data Mining,” Jurnal TI Mura, 2024.
[12] M. Alsuwaiket et al., “Measuring Credibility of Student Attendance Data,” 2020.
[13] J. Triwidianti et al., “Perbandingan Metode Data Mining untuk Prediksi Prestasi,” 2021.
[14] A. R. Pratama et al., “Model Klasifikasi Mahasiswa Baru Berbasis Machine Learning,” 2022, doi: 10.25126/jtiik.2022934311.
[15] Ş. K. Aydoğan et al., “Predicting Student Performance Using Machine Learning,” 2024.
Downloads
Published
Issue
Section
License
Copyright (c) 2026 Indah Triana, Muhammad Hasanuddin (Author)
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.
