Clustering Penempatan Praktek Kerja Lapangan Siswa Sekolah Menengah Kejuruan Ti Muhammadiyah Cikampek Menggunkan Algoritma K-Means dan Algoritma Topsis
Abstract
Pemberangkatan praktek kerja lapangan (PKL) yang dilakukan oleh SMK TI Muhammadiyah Cikampek memiliki tujuan untuk
mengenalkan siswa-siswi dengan kondisi dunia kerja yang akan dihadapi dimasa mendatang. Sistem clustering pemberangkatan siswa
praktek kerja lapangan dibutuhkan untuk mengurangi masalah saat pemberangkatan praktek kerja lapangan. Pasalnya, kesiapan siswa
dalam melakukan praktek kerja lapangan yang berbeda dapat berpengaruh terhadap pengurangan kuota yang diberikan oleh perusahaan
untuk kegiatan praktek kerja lapangan selanjutnya. Dilakukan perhitungan K-means pada 686 data siswa kelas 11 yang akan melakukan
praktek kerja lapangan sehingga sekolah dapat meminimalisasi kesalahan dalam penempatan siswa praktek kerja lapangan. Perhitungan
K-means yang dilakukan menghasilkan 447 orang termasuk kedalam cluster 1 yang berarti siswa akan ditempakan pada perusahaan kelas
besar, cluster 2 terdapat 134 orang yang akan melakukan praktek kerja lapangan pada perusahaan kelas menengah atau CV, dan siswa
yang akan melakukan praktek kerja lapangan di sekolah termasuk kedalam cluster 3 sebanyak 105 orang.
References
Siswa Smk,” J. Pendidik. Vokasi, Vol. 2, No. 3, Pp. 397–409, 2013.
[2] F. Ayu And N. Permatasari, “Perancangan Sistem Informasi Pengolahan Data Praktek Kerja Lapangan (Pkl) Pada
Devisi Humas Pt. Pegadaian,” Vol. 2, No. 2, Pp. 12–26, 2018.
[3] K. Chotimah, “Pengaruh Praktek Kerja Lapangan, Motivasi Memasuki Dunia Kerja, Dan Efikasi Diri Terhadap
Kesiapan Kerja Siswa Kelas Xii Program Keahlian Administrasi Perkantoran Smk Muhammadiyah Bobotsari Tahun
Ajaran 2018/2019,” 2019.
[4] R. Fatchurrohman, “Pengaruh Motivasi Berprestasi Terhadap Kesiapan Belajar, Pelaksanaan Prakerin Dan
Pencapaian Kompetensi Mata Pelajaran Produktif,” Innov. Vocat. Technol. Educ., Vol. 7, No. 2, Pp. 164–174, 2017.
[5] D. Feblian And D. U. Daihani, “Implementasi Model Crisp-Dm Untuk Menentukan Sales Pipeline Pada Pt X,” J.
Tek. Ind., Vol. 6, No. 1, Pp. 1–12, 2017.
[6] N. A. Hasibuan Et Al., “Implementasi Data Mining Untuk Pengaturan Layout,” J. Ris. Komput., Vol. 4, No. 4, Pp.
6–11, 2017.
[7] K. Bakhsar, W. Saputra, And H. S. Tambunan, “Penerapan Algoritma K-Means Dalam Pengelompokan Pekerja
Tetap Perusahaan Konstruksi Menurut Provinsi,” Vol. 1, No. 4, Pp. 146–153, 2020.
[8] G. Karyono, “Analisis Tektnik Data Mining ‘Algoritma C4.5 Dan K-Nereset Neighbor’ Untuk Mendiagnosa
Penyakit Diabetes Mellitus,” Semin. Nas. Teknol. Inf., Pp. 77–82, 2016.
[9] W. Utomo, “Penerapan Algoritma K-Means Untuk Pengelompokkan Penyakit Kronis Pada Warga Lansia ( Studi
Kasus Pada : Posyandu Lansia Rw 07 ),” Vol. 4, Pp. 1153–1161, 2020.
[10] A. Supriyatna, I. Carolina, S. Janti, And A. Haidir, “Cluster Ing Koridor Transjakarta Berdasarkan Jumlah
Penumpang Dengan Algoritma K-Means,” Vol. 4, No. September, Pp. 682–693, 2020
