Analisis Data Mining dengan Algoritma K-Means Clustering untuk Menentukan Siswa Berprestasi di MTS miftahul ulum bengkak

Tujuan dari penelitian ini adalah melakukan analisis terhadap data nilai siswa di MTs Miftahul Ulum Bengkak dengan menerapkan algoritma K-Means Clustering, sehingga dapat diperoleh pengelompokan siswa berdasarkan tingkat prestasinya. secara objektif dan efisien. Latar belakang penelitian ini adalah masih digunakannya metode manual dalam penentuan siswa berprestasi yang cenderung subjektif dan memakan waktu lama. Penelitian ini menggunakan lima jenis data nilai siswa sebagai bahan analisis Penelitian ini berfokus pada lima mata pelajaran inti, yaitu Bahasa Indonesia, Bahasa Inggris, Matematika, IPA, dan IPS, yang digunakan sebagai dasar dalam proses analisis. Proses analisis dilakukan menggunakan perangkat lunak RapidMiner Studio dengan tahapan menentukan jumlah cluster, perhitungan jarak menggunakan Euclidean Distance, dan pembentukan cluster berdasarkan kemiripan nilai rata-rata siswa. Berdasarkan hasil analisis, penerapan algoritma K-Means mampu mengelompokkan data siswa ke dalam tiga kelompok utama yang mewakili perbedaan tingkat prestasi., yaitu Cluster 0 yang berisi 7 siswa berprestasi tinggi, Cluster 1 berisi 3 siswa berprestasi sedang, dan Cluster 2 berisi 1 siswa berprestasi rendah. Berdasarkan hasil analisis, metode K-Means Clustering terbukti efektif dalam mengelompokkan data secara akurat sesuai dengan karakteristik yang dimiliki masing-masing siswa. dan dapat membantu pihak sekolah dalam mengidentifikasi siswa berprestasi berdasarkan data nilai akademik. Kata Kunci: Data, K-Means Clustering, Siswa Berprestasi, MTs Miftahul Ulum Bengkak. The purpose of this study is to analyze student grade data at MTs Miftahul Ulum Bengkak by applying the K-Means Clustering algorithm, so that student grouping can be obtained based on their achievement level. objectively and efficiently. The background of this study is that manual methods are still used in determining high-achieving students which tend to be subjective and time-consuming. This study uses five types of student grade data as analysis material. This study focuses on five core subjects, namely Indonesian, English, Mathematics, Science, and Social Studies, which are used as the basis for the analysis process. The analysis process is carried out using RapidMiner Studio software with the stages of determining the number of clusters, calculating distances using Euclidean Distance, and forming clusters based on the similarity of students' average scores. Based on the results of the analysis, the application of the K-Means algorithm is able to group student data into three main groups that represent differences in achievement levels, namely Cluster 0 which contains 7 high-achieving students, Cluster 1 contains 3 medium-achieving students, and Cluster 2 contains 1 low-achieving student. Based on the analysis results, the K-Means Clustering method proved effective in accurately grouping data according to each student's characteristics and can help schools identify high-achieving students based on academic grades. Keywords: Data Mining,K-Means Clustering,High-Achieving Students, MTs Miftahul Ulum Bengkak.