Analisis Hambatan Pembelajaran Daring Menggunakan Algoritma K-Medoids Clustering (Study Kasus : SMK Swasta Panca Setia Sidomulyo)

Abstract

SMK Swasta Panca Setia Sidomulyo merupakan instansi pendidikan yang bertujuan untuk meningkatkan pengetahuan siswa di dalam mengembangkan diri. Saat ini setiap siswa pada SMK Swasta Panca Setia Sidomulyo memiliki hambatan pada saat belajar daring. Dimana hambatan yang dialami masing- masing siswa terdiri dari stabilitas jaringan disetiap wilayah tempat tinggal siswa serta kemampuan orang tua untuk membeli kuota internet. untuk mengukur tingkat hambatan yang dialami setiap siswa, maka diperlukan aplikasi Data Mining untuk mengelompokkan siswa berdasarkan tingkat hambatan pembelajaran daring. pengelompokan siswa untuk cluster pertama (tidak ada hambatan) ada 134 siswa sedangkan untuk pusat cluster kedua (hambatan sedang) ada 192 siswa dan pada pusat cluster ketiga (tinggi hambatan) ada 6 siswa. Sehingga dapat diketahui siswa yang memiliki hambatan tinggi. Hasil pengelompokan dapat digunakan sebagai landasan untuk menentukansiapa siswa yang kemungkinan mengalami penurunan prestasi sehingga dapat diberikan bantuan untuk mengurangi hambatan yang ada. Melalui penerapan metode KMedoids dalam mengelompokkan siswa berdasarkan tingkat hambatan pembelajaran daring, maka proses pengelompokan dapat diproses dengan cepat dan akan ditampilkan dalam laporan yang dapat didownload. Panca Setia Sidomulyo Private Vocational School is an educational institution that aims to increase students' knowledge in self-development. Currently, every student at the Panca Setia Sidomulyo Private Vocational School has obstacles when studying online. Where the obstacles experienced by each student consist of network stability in each area where students live and the ability of parents to buy internet quota. to measure the level of barriers experienced by each student, a Data Mining application is needed to group students based on the level of barriers to online learning. student grouping for the first cluster (no obstacles) there are 134 students while for the second cluster center (moderate resistance) there are 192 students and in the third cluster center (high barriers) there are 6 students. So that it can be known students who have high barriers. The grouping results can be used as a basis for determining which students are likely to experience a decline in achievement so that assistance can be given to reduce existing barriers. Through the application of the K-Medoids method in grouping students based on the level of online learning barriers, the grouping process can be processed quickly and will be displayed in a downloadable report.