Analisis Kondisi Sosial Ekonomi Santri Menggunakan Metode K-Means Clustering
-
Putri Nuraini Qolbiati
*
Universitas Mercu Buana Yogyakarta, Sleman,
Indonesia
- Irfan Pratama Universitas Mercu Buana Yogyakarta, Sleman, Indonesia
Abstract
Abstrak− Analisis terhadap kondisi sosial santri di MI Al Huda Kota Malang disusun berdasarkan sejumlah indikator penting yang meliputi tingkatpenghasilan, jenis pekerjaan, latar belakang pendidikan, serta kepemilikantempat tinggal. Ketiadaan sistem klasifikasi yang terorganisir menyebabkanproses penentuan tingkat kesejahteraan belum dapat dilakukan secara objektifdan terukur. Untuk mengatasi hal tersebut, digunakan pendekatan data miningmelalui penerapan algoritma K-Means Clustering sebagai metode pengelompokan data. Tahapan awal dilakukan dengan proses preprocessing data, yang mencakup pemilihan variabel yang relevan, penanganan data, sertanormalisasi menggunakan StandardScaler agar distribusi data menjadi lebihseragam. Setelah itu, evaluasi terhadap hasil clustering dilakukan denganmemanfaatkan beberapa metrik, yaitu Elbow Method, Silhouette Score, dan Davies-Bouldin Index guna menentukan jumlah cluster yang optimal.Berdasarkan hasil evaluasi, diperoleh jumlah cluster terbaik sebanyak empat (k = 4), dengan nilai Silhouette Score sebesar 0,3341 dan Davies-Bouldin Indexsebesar 1,1277. Setiap cluster kemudian dianalisis lebih lanjut sesuaikarakteristik masing-masing tanpa melakukan perubahan terhadap jumlahcluster yang telah ditetapkan. Sebagai perbandingan, algoritma DBSCAN juga diterapkan, namun menunjukkan performa yang lebih rendah dibandingkandengan K-Means dalam menghasilkan kualitas pengelompokan. Secarakeseluruhan, metode K-Means terbukti mampu memberikan hasil clusteringyang lebih konsisten dan representatif, sehingga dapat dimanfaatkan sebagai dasar dalam pengambilan keputusan terkait kondisi sosial ekonomi santri.
References
A. A. Baskara., N. Hidayati., and D. Kartini., “Framework Data Mining : Sebuah Survei,” J. Media Inform. Budidarma, vol. 9, no. 2, pp. 899–911, 2025, doi: 10.30865/mib.v9i2.8879.
Utari. and M. Iqbal, “Implementasi Data Mining dalam Pengelompokan Perilaku Penggunaan Media Sosial Siswa SMA Menerapkan Algoritma K-Means,” JIMAT, vol. 6, no. 1, pp. 44–51, 2026, doi: 10.47065/jimat.v6i1.959.
I. Pii., N. Suarna., and N. Rahaningsih., “Penerapan Data Mining pada Penjualan Produk Pakaian Dameyra Fashion Menggunakan Metode K-Means Clustering,” JATI (Jurnal Mhs. Tek. Inform., vol. 7, no. 1, pp. 423–430, 2023, doi: 10.36040/jati.v7i1.6336.
R. Dila, S. Defit, and S. Arlis, “Analisis Algoritma K-Means Clustering dalam Pengelompokan Prestasi Belajar Siswa Menengah Atas (SMA),” Bull. Comput. Sci. Res., vol. 5, no. 5, pp. 1113–1119, 2025, doi: 10.47065/bulletincsr.v5i5.751.
F. Khudin, I. D. Saputra, M. Ilham, M. S. H. Fadilah, and D. S. Rahmadan, “Analisis Komparatif Penerapan K-Means Clustering pada Lima Dataset Nyata untuk Evaluasi Sosial Ekonomi dan Finansial,” J. Artif. Intell. Digit. Bus., vol. 4, no. 2, pp. 5081–5091, 2025, doi: 10.31004/riggs.v4i2.1361.
G. P. Insany., J. L. Buliali., and A. Affandi., “Comparison of K-Means and DBSCAN Web-Based Food Clustering Based on Nutritional Content,” J. Nas. Tek. Elektro dan Teknol. Inf., vol. 14, no. 2, pp. 194–202, 2025, doi: 10.22146/jnteti.v14i2.11275.
M. S. Abidin, Y. Kustiyahningsih, E. Rahmanita, B. D. Satoto, and M. I. Firmansyah, “Application of the DBSCAN Algorithm in MSME Clustering using the Silhouette Coefficient Method,” J. Sist. Cerdas, vol. 7, no. 3, pp. 260–270, 2024, doi: 10.37396/jsc.v7i3.472.
V. Wulandari., Y. Syarif., Z. Alfian., M. A. Althof., and M. Mufidah., “Comparison of Density-Based Spatial Clustering of Applications with Noise (DBSCAN), K-Means and X-Means Algorithms on Shopping Trends Data,” Int. J. Adv. Technol. Inf. Syst., vol. 1, no. 1, pp. 11–18, 2024, doi: 10.57152/ijatis.v1i1.1135.
N. A. Yolandari, L. E. Butarbutar, G. C. H. Rajagukguk, M. F. Zulfi, and F. Ramadhani, “Analisis Perbandingan K-Means dan DBSCAN dalam Pengelompokan Data Travel Review Ratings Menggunakan Evaluasi Silhouette Index dan Davies-Bouldin Index,” JITET (Jurnal Inform. dan Tek. Elektro Ter., vol. 13, no. 3, pp. 470–481, 2023, doi: 10.23960/jitet.v13i3.6884.
D. E. Putri, E. Praja, and W. Mandala, “Penerapan K-Means Clustering dalam Segmentasi Siswa Berdasarkan Status Sosial Ekonomi,” Progresif J. Ilm. Komput., vol. 21, no. 2, pp. 483–494, 2025, doi: 10.35889/progresif.v21i2.2809.
R. Sari and M. Yasin, “Penerapan Data Mining untuk Clustering Kondisi Sosial Ekonomi Berdasarkan Kepemilikan Jaminan Kesehatan,” J. Tek. Inform. dan Teknol. Inf., vol. 5, no. 3, pp. 44–55, 2025, doi: 10.55606/jutiti.v5i3.6082.
R. L. Budiarti., L. Puad., and Rismawati., “Penerapan Metode K-Means Clustering Untuk Proses Penentuan Bantuan Langsung Tunai (BLT) Pada Desa Mekar Sari Kecamatan Kumpeh Kabupaten Muaro Jambi,” J. Akad., vol. 16, no. 2, pp. 57–63, 2024, doi: 10.53564/akademika.v16i2.1190.
R. Ardiansyah., A. Fandi., Z. Ibnu., and A. Masayoshi., “Evaluation of K-Means, DBSCAN, and Hierarchical Clustering for Strategic Segmentation of Tourism SMEs in Rembang, Indonesia,” J. Tek. Inform., vol. 6, no. 3, pp. 1605–1630, 2025, doi: 10.52436/1.jutif.2025.6.3.4602.
M. S. Hasibuan, A. H. Lubis, and M. N. Sari, “Perbandingan Algoritma Clustering DBSCAN dan K-Means dalam Pengelompokan Siswa Terbaik,” J. Inform. dan Teknol., vol. 5, no. 2, pp. 301–309, 2024, doi: 10.37373/infotech.v5i2.1457.
B. Nafandra., D. Sulistiowati., and N. Amalita., “Comparison of K-Means and DBSCAN Algorithms in Regional Segmentation in Indonesia Based on Mortality and Fertility Indicators,” J. MSA (Matematika dan Stat. serta Apl., vol. 14, no. 1, pp. 24–35, 2026, doi: 10.24252/msa.v14i1.61961.
A. Fauziah., “Perbandingan Metode K-Means dan DBSCAN pada Analaisis Klaster Multivariat Profil Siswa,” J. Ilm. Multidisiplin Ilmu, vol. 3, no. 1, pp. 48–56, 2026, doi: 10.69714/1kays705.
A. Ardhi Baskara, N. Maharani Piranti, and M. Fahrury Romdendine, “Framework Data Mining: Sebuah Survei,” JATI (Jurnal Mhs. Tek. Inform., vol. 9, no. 3, pp. 4886–4895, 2025, doi: 10.36040/jati.v9i3.13803.
I. Pii, N. Suarna, and N. Rahaningsih, “Penerapan Data Mining Pada Penjualan Produk Pakaian Dameyra Fashion Menggunakan Metode K-Means Clustering,” JATI (Jurnal Mhs. Tek. Inform., vol. 7, no. 1, pp. 423–430, 2023, doi: 10.36040/jati.v7i1.6336.
G. P. Insany, A. Fergina, and M. I. Juardi, “Comparison of K-means and DBSCAN Web- Based Food in Clustering Based on Nutritional Content,” bit-Tech, vol. 8, no. 2, pp. 1245–1255, 2025, doi: 10.32877/bt.v8i2.2813.
M. S. Abidin, Y. Kustiyahningsih, E. Rahmanita, B. D. Satoto, and M. I. Firmansyah, “Application of the DBSCAN Algorithm in MSME Clustering using the Silhouette Coefficient Method,” J. Sist. Cerdas, vol. 7, no. 3, pp. 260–270, 2024, doi: 10.37396/jsc.v7i3.472.
S. Paembonan. and H. Abduh., “Penerapan Metode Silhouette Coefficient Untuk Evaluasi Clustering Obat,” PENA Tek. J. Ilm. Ilmu-Ilmu Tek., vol. 6, no. 2, pp. 48–54, 2021, doi: 10.51557/pt_jiit.v6i2.690.
Y. Hasan, “Pengukuran Silhouette Score dan Davies-Bouldin Index pada Hasil Cluster K-Means dan DBSCAN,” KAKIFIKOM (Kumpulan Artik. Karya Ilm. Fak. Ilmu Komputer), vol. 6, no. 1, pp. 60–74, 2024, [Online]. Available: https://ejournal.ust.ac.id/index.php/KAKIFIKOM/article/view/3938
I. F. Ashari., E. D. Nugroho., D. D. Andrianto., and M. A. N. M. Y. R. Liwardana., “Analysis of Elbow, Silhouette, Davies-Bouldin, Calinski-Harabasz, and Rand-Index Evaluation on K-Means Algorithm for Classifying Flood-Affected Areas in Jakarta,” J. Appl. Informatics Comput., vol. 7, no. 1, pp. 95–103, 2023, doi: 10.30871/jaic.v7i1.4947.
Muslim, N. Mayasari, and W. Fitriani, “Clustering K-Means and DBSCAN for Network Traffic Anomaly Detection in Digital Islamic Community Systems,” in 2nd International Conference on Islamic Community Studies (ICICS), 2025.
Copyright (c) 2026 Putri Nuraini Qolbiati, Irfan Pratama
This work is licensed under a Creative Commons Attribution 4.0 International License.
Authors who publish with this journal agree to the following terms:
- Authors retain copyright and grant the journal right of first publication with the work simultaneously licensed under Creative Commons Attribution 4.0 International License that allows others to share the work with an acknowledgment of the work's authorship and initial publication in this journal.
- Authors are able to enter into separate, additional contractual arrangements for the non-exclusive distribution of the journal's published version of the work (e.g., post it to an institutional repository or publish it in a book), with an acknowledgment of its initial publication in this journal.
- Authors are permitted and encouraged to post their work online (e.g., in institutional repositories or on their website) prior to and during the submission process, as it can lead to productive exchanges, as well as earlier and greater citation of published work (Refer to The Effect of Open Access).
