Abstract:Abstract: One application of artificial intelligence in the healthcare sector is the development of expert systems capable of emulating the reasoning process of medical experts in diagnosing diseases based on observed symptoms.…
mptoms. Skin diseases are common health problems caused by various factors, including fungal, bacterial, viral, parasitic infections, and immune system disorders. The identification of skin diseases generally requires direct consultation with a medical specialist. However, in practice, several obstacles remain, such as patients’ reluctance to seek medical consultation, limited access to healthcare services, long distances to medical facilities, and relatively high consultation and treatment costs. Through artificial intelligence, computers can perform tasks previously limited to humans, including decision-making processes modeled on human reasoning. One method that can be applied is the Naïve Bayes Classifier. Therefore, this study proposes an expert system for the early diagnosis of skin diseases using the Naïve Bayes Classifier method to provide a fast and efficient alternative solution for preliminary identification.
Keywords: expert system, skin disease, naïve bayes classifier, artificial intelligence, diagnosis.
Abstrak: Salah satu penerapan kecerdasan buatan dalam bidang kesehatan adalah pengembangan sistem pakar yang mampu meniru cara berpikir seorang ahli dalam mendiagnosa penyakit berdasarkan gejala yang muncul. Penyakit kulit merupakan salah satu permasalahan kesehatan yang umum terjadi dan dapat disebabkan oleh berbagai faktor seperti infeksi jamur, bakteri, virus, parasit, maupun gangguan sistem imun. Proses identifikasi penyakit kulit pada umumnya memerlukan konsultasi langsung dengan dokter spesialis. Namun demikian, dalam praktiknya masih terdapat berbagai kendala, seperti rasa malu pasien untuk berkonsultasi, keterbatasan akses layanan kesehatan, jarak lokasi praktik dokter yang relatif jauh, serta biaya pemeriksaan dan pengobatan yang cukup tinggi. Dengan kecerdasan buatan komputer dapat melakukan hal-hal yang sebelumnya hanya dapat dilakukan oleh manusia, dan Manusia dapat menjadikan komputer sebagai pengambil keputusan berdasarkan cara kerja otak manusia dalam mengambil keputusan. Salah satu metode yang dapat digunakan adalah Metode Naive Bayes Classfifier. Penyakit kulit dapat disebabkan oleh jamur, virus, kuman, parasit hewani, infeksi bakteri dan lain-lain. Mengidentifikasi penyakit kulit biasanya kita harus ke dokter, namun masih mengalami kendala dalam menangani pengidentifikasi penyakit hal itu terkadang dipengarui oleh masyarakat terkadang merasa malu untuk mengkonsultasikan penyakit kulitnya ke dokter karena tanda-tanda penyakit kulit sudah mulai tampak, biaya konsultasi dan obat yang tergolong mahal, lokasi praktek dokter jauh.
Kata kunci: sistem pakar, penyakit kulit, naïve bayes classifier, kecerdasan buatan, diagnosa.
Abstract:Abstract : This study aims to apply the K-Means Clustering method to analyze and classify students’ academic performance based on Midterm Exam (UTS), Assignments, and Final Exam (UAS) scores at SMK Swasta Kualuh. The main…
The main problem faced by the school is the difficulty of analyzing students’ score data manually as the volume of data increases, which requires a more objective and structured approach. This research uses a quantitative approach with data mining techniques through the K-Means algorithm. The data were obtained from students’ academic scores and processed through data cleaning, determination of the number of clusters, distance calculation using Euclidean Distance, and iterative clustering until stable results were achieved. The results show that students were successfully grouped into three clusters: high-performing, average-performing, and low-performing students. The application of the K-Means method provides systematic insights into students’ academic performance and can support schools in making better decisions to improve learning quality.
Keywords: K-Means Clustering, Data Mining, Student Performance, Academic Scores, Web.
Abstrak : Penelitian ini bertujuan untuk menerapkan metode K-Means Clustering dalam menganalisis dan mengelompokkan prestasi akademik siswa berdasarkan nilai Ujian Tengah Semester (UTS), Tugas, dan Ujian Akhir Semester (UAS) di SMK Swasta Kualuh. Permasalahan yang dihadapi sekolah adalah sulitnya melakukan analisis data nilai siswa secara manual seiring dengan meningkatnya jumlah data, sehingga diperlukan metode yang lebih objektif dan terstruktur. Metode penelitian yang digunakan adalah pendekatan kuantitatif dengan teknik data mining menggunakan algoritma K-Means. Data yang digunakan berasal dari nilai akademik siswa yang kemudian diproses melalui tahap pembersihan data, penentuan jumlah klaster, perhitungan jarak menggunakan Euclidean Distance, serta iterasi hingga klaster stabil. Hasil penelitian menunjukkan bahwa data siswa berhasil dikelompokkan ke dalam tiga klaster, yaitu siswa berprestasi tinggi, sedang, dan rendah. Penerapan metode K-Means ini mampu membantu pihak sekolah dalam mengidentifikasi tingkat prestasi siswa secara lebih sistematis dan dapat dijadikan dasar dalam pengambilan keputusan untuk peningkatan kualitas pembelajaran.
Kata kunci: K-Means Clustering, Data Mining, Prestasi Siswa, Nilai Akademik, Web.
Abstract:Abstract : Iris species classification is an important topic in the field of data mining and machine learning because it is commonly used as a benchmark dataset for classification methods. This study aims to design and implement…
mplement an information system that can classify Iris flower species using the K-Nearest Neighbor (KNN) method. The dataset used in this research is the Iris dataset, which consists of 150 data records with four attributes: sepal length, sepal width, petal length, and petal width, and three classes, namely Iris Setosa, Iris Versicolor, and Iris Virginica. The KNN method works by calculating the distance between test data and training data using the Euclidean distance formula and determining the class based on the majority of the nearest neighbors. The results of the study show that the KNN method is able to classify Iris species accurately with a good level of performance. Based on the testing results, the developed system can assist users in identifying Iris species effectively and efficiently. In conclusion, the K-Nearest Neighbor method can be successfully applied in an information system for Iris species classification.
Keywords: Classification, Iris Dataset, K-Nearest Neighbor, Data Mining, Machine Learning
Abstrak : Klasifikasi spesies Iris merupakan topik penting dalam bidang data mining dan machine learning karena sering digunakan sebagai dataset standar dalam pengujian metode klasifikasi. Penelitian ini bertujuan untuk merancang dan mengimplementasikan sistem informasi yang dapat mengklasifikasikan spesies bunga Iris menggunakan metode K-Nearest Neighbor (KNN). Dataset yang digunakan adalah dataset Iris yang terdiri dari 150 data dengan empat atribut, yaitu panjang sepal, lebar sepal, panjang petal, dan lebar petal, serta tiga kelas yaitu Iris Setosa, Iris Versicolor, dan Iris Virginica. Metode KNN bekerja dengan menghitung jarak antara data uji dan data latih menggunakan rumus Euclidean Distance, kemudian menentukan kelas berdasarkan mayoritas tetangga terdekat. Hasil penelitian menunjukkan bahwa metode KNN mampu mengklasifikasikan spesies Iris dengan tingkat akurasi yang baik. Berdasarkan hasil pengujian, sistem yang dikembangkan dapat membantu pengguna dalam mengidentifikasi spesies Iris secara efektif dan efisien. Dengan demikian, metode K-Nearest Neighbor dapat diterapkan dengan baik dalam sistem informasi klasifikasi Iris Species.
Kata Kunci : Klasifikasi, Dataset Iris, K-Nearest Neighbor, Data Mining, Machine Learning
Abstract:Abstract: This study aims to apply the K-Means algorithm for food product segmentation on the GoFood service based on price and rating variables. The large variety of available products makes data difficult to analyze without…
thout systematic grouping, necessitating a method capable of automatically clustering data so that patterns and characteristics become clearer. The K-Means algorithm was chosen for its simple, fast, and effective computational process in dividing data based on distance similarity. The research process includes collecting public datasets, determining the number of clusters, selecting initial centroids, calculating distances using Euclidean Distance, grouping data to the nearest cluster, and iteratively updating centroids until convergence is achieved. Results show that K-Means successfully grouped data into three clusters: Cluster 1 with high price and high rating, Cluster 2 with moderate price and highest rating, and Cluster 3 with low price and very high rating. This study produced a web-based system that automatically processes data and displays clustering results in an easily understandable interface.
Keywords: K-Means, Clustering, Segmentation, GoFood, Data Mining
Abstrak: Penelitian ini bertujuan menerapkan algoritma K-Means untuk segmentasi produk makanan pada layanan GoFood berdasarkan variabel harga dan rating. Banyaknya variasi produk menyebabkan data sulit dianalisis tanpa pengelompokan sistematis, sehingga diperlukan metode yang mampu mengelompokkan data secara otomatis agar pola dan karakteristik terlihat lebih jelas. Algoritma K-Means dipilih karena memiliki proses perhitungan yang sederhana, cepat, dan efektif dalam membagi data berdasarkan tingkat kemiripan jarak. Proses penelitian meliputi pengumpulan dataset publik, penentuan jumlah cluster, pemilihan centroid awal, perhitungan jarak menggunakan Euclidean Distance, pengelompokan data ke cluster terdekat, hingga pembaruan centroid secara iteratif sampai kondisi konvergen tercapai. Hasil penelitian menunjukkan K-Means berhasil mengelompokkan data ke dalam tiga cluster: Cluster 1 dengan harga tinggi dan rating tinggi, Cluster 2 dengan harga sedang dan rating tertinggi, serta Cluster 3 dengan harga rendah dan rating sangat tinggi. Penelitian ini menghasilkan sistem berbasis web yang mengolah data secara otomatis dan menampilkan hasil clustering dalam tampilan mudah dipahami.
Kata kunci: K-Means, Clustering, Segmentasi, GoFood, Data Mining
Abstract:Abstract: The Human Development Index (HDI) is an important indicator for measuring the quality of regional development through the dimensions of health, education, and decent living standards. In North Sumatra Province,…
HDI achievements between districts/cities still show significant disparities, requiring a data-based analytical approach to map development patterns objectively. This study aims to optimize the validity of regional HDI clustering through the application of the K-Means++ algorithm with distance measure variations. This study uses a quantitative approach with an unsupervised learning method. The data analyzed includes HDI, Average Length of Schooling (ALS), and Adjusted Per Capita Expenditure sourced from the Central Statistics Agency. The research stages include data preprocessing and standardization, determining the optimal number of clusters using the Elbow method, applying the K-Means++ algorithm, and evaluating cluster quality using the Davies–Bouldin Index (DBI) and Purity Index. In addition, a comparison of clustering performance based on Euclidean, Manhattan, and Cosine distances was conducted. The results of the study show that the optimal number of clusters is three clusters representing high, medium, and low levels of human development. A DBI value of 0.60 and a Purity Index of 0.61 indicate good clustering quality. Euclidean and Manhattan distances produced the best performance compared to Cosine distance.
Keyword: Human Development Index; K-Means++; Clustering; Distance Measure; Davies–Bouldin Index; Purity Index.
Abstrak: Indeks Pembangunan Manusia (IPM) merupakan indikator penting untuk mengukur kualitas pembangunan wilayah melalui dimensi kesehatan, pendidikan, dan standar hidup layak. Di Provinsi Sumatera Utara, capaian IPM antar kabupaten/kota masih menunjukkan ketimpangan yang cukup signifikan, sehingga diperlukan pendekatan analitis berbasis data untuk memetakan pola pembangunan secara objektif. Penelitian ini bertujuan untuk mengoptimalkan validitas klasterisasi IPM wilayah melalui penerapan algoritma K-Means++ dengan variasi distance measure. Penelitian ini menggunakan pendekatan kuantitatif dengan metode unsupervised learning. Data yang dianalisis meliputi IPM, Rata Lama Sekolah (RLS), dan Pengeluaran per Kapita Disesuaikan yang bersumber dari Badan Pusat Statistik. Tahapan penelitian mencakup praproses dan standarisasi data, penentuan jumlah klaster optimal menggunakan metode Elbow, penerapan algoritma K-Means++, serta evaluasi kualitas klaster menggunakan Davies–Bouldin Index (DBI) dan Purity Index. Selain itu, dilakukan perbandingan kinerja klasterisasi berdasarkan Euclidean, Manhattan, dan Cosine distance. Hasil penelitian menunjukkan bahwa jumlah klaster optimal adalah tiga klaster yang merepresentasikan tingkat pembangunan manusia tinggi, menengah, dan rendah. Nilai DBI sebesar 0,60 dan Purity Index sebesar 0,61 menunjukkan kualitas klasterisasi yang baik. Euclidean dan Manhattan distance menghasilkan performa terbaik dibandingkan Cosine distance.
Kata kunci: Indeks Pembangunan Manusia; K-Means++; Klasterisasi; Distance Measure; Davies–Bouldin Index; Purity Index.
Abstract:Abstract: This study implements the Apriori algorithm to analyze patterns in property development location selection based on six key attributes: location, soil type, property type, land area, distance to city center, and…
d surrounding facilities. Using a dataset of 100 property records with minimum support of 10%, confidence of 60%, and lift greater than 1.2, the analysis successfully identified significant association rules between land characteristics and suitable property types. The research developed a web-based recommendation system integrating Python for data mining analysis and PHP-mysql for the user interface. Validation results demonstrate that rules such as "large land area and moderate distance to city center → apartment" achieved support of 13%, confidence of 61.9%, and lift of 1.82, proving the system's effectiveness. Manual validation confirmed consistency between theoretical calculations and system outputs, with processing time under 5 seconds for 100 records. The system successfully filtered invalid rules, such as those with support below 10% or lift less than 1.2, demonstrating robust rule generation mechanisms. This system serves as a practical decision support tool for property developers in determining optimal property types based on specific location characteristics and environmental conditions.
Â
Keyword: apriori algorithm; property development; association rules; data mining; decision support system
Â
Abstrak: Penelitian ini mengimplementasikan algoritma Apriori untuk menganalisis pola penentuan lokasi pembangunan properti berdasarkan enam atribut kunci yaitu lokasi, jenis tanah, jenis properti, luas tanah, jarak ke pusat kota, dan fasilitas sekitar. Menggunakan dataset 100 data properti dengan parameter minimum support 10%, confidence 60%, dan lift lebih besar dari 1,2, analisis berhasil mengidentifikasi aturan asosiasi signifikan antara karakteristik lahan dengan jenis properti yang sesuai. Penelitian menghasilkan sistem rekomendasi berbasis web yang mengintegrasikan Python untuk analisis data mining dan PHP-mysql untuk antarmuka pengguna. Hasil validasi menunjukkan aturan seperti "luas tanah besar dan jarak ke pusat kota sedang → apartemen" mencapai support 13%, confidence 61,9%, dan lift 1,82, membuktikan efektivitas sistem. Validasi manual mengonfirmasi konsistensi antara perhitungan teoretis dengan output sistem, dengan waktu pemrosesan di bawah 5 detik untuk 100 data. Sistem berhasil menyaring aturan tidak valid seperti yang memiliki support di bawah 10% atau lift kurang dari 1,2, menunjukkan mekanisme pembangkitan aturan yang robust. Sistem ini dapat menjadi alat bantu pengambilan keputusan praktis bagi pengembang properti dalam menentukan jenis properti optimal berdasarkan karakteristik lokasi dan kondisi lingkungan tertentu.
Â
Kata kunci: algoritma apriori; pembangunan properti; aturan asosiasi; data mining; sistem pendukung keputusan.
Abstract:Abstract: This research aims to design an automatic buggy vehicle driver system based on the ESP32 microcontroller at Medan Aviation Polytechnic. The system is designed to enhance the operational efficiency of campus vehicles,…
icles, enabling them to operate autonomously without requiring a direct driver. The ESP32 microcontroller serves as the central controller, regulating the DC motor for steering, pneumatic motors for gas and brake pedals, and a motor driver to control the current to the motors. The system's performance testing showed that the power required for the pneumatic motors (gas and brake) is 36 watts, and for the DC motor steering, it is 72 watts. Turning tests at a 90° angle and braking tests, where the braking distance was reduced by 10 cm after calibration, indicated that the system operates as expected. These tests confirmed the system's responsiveness and accuracy in automatic operation. Technical challenges in testing, such as adjusting sensor sensitivity and calibrating the pneumatic system, were addressed through repeated trials. This research contributes to the development of vehicle automation in educational settings and offers potential for further advancement, such as integrating LiDAR and GPS sensors for improved navigation accuracy.
Â
Keywords: Â Automatic Buggy Vehicle Driver, Microcontroller, ESP32, Control System, Vehicle Automation
Â
Abstrak: Penelitian ini bertujuan merancang sistem penggerak mobil buggy otomatis berbasis mikrokontroler ESP32 di Politeknik Penerbangan Medan. Sistem ini dirancang untuk meningkatkan efisiensi operasional kendaraan kampus yang dapat bergerak secara otonom tanpa memerlukan pengemudi langsung. Mikrokontroler ESP32 digunakan sebagai pusat kendali, mengatur motor DC untuk setir, motor pneumatik untuk pedal gas dan rem, serta motor driver untuk mengatur arus motor. Pengujian kinerja sistem menunjukkan daya yang dibutuhkan untuk motor pneumatik gas dan rem sebesar 36 watt, serta 72 watt untuk motor DC penggerak setir. Pengujian belokan pada sudut 90° dan pengujian pengereman yang dipersingkat 10 cm setelah kalibrasi menunjukkan kinerja yang sesuai harapan. Pengujian ini mengonfirmasi responsivitas dan akurasi sistem dalam pengoperasian otomatis. Tantangan teknis dalam pengujian, seperti pengaturan sensitivitas sensor dan kalibrasi sistem pneumatik, berhasil diatasi melalui uji coba berulang. Penelitian ini memberikan kontribusi pada pengembangan otomasi kendaraan di lingkungan pendidikan dan berpotensi untuk pengembangan lebih lanjut, seperti penggunaan sensor LiDAR dan GPS untuk meningkatkan akurasi navigasi.
Â
Kata kunci: Penggerak Mobil Buggy Otomatis, Mikrokontroler, ESP32, Sistem Kendali, Otomasi Kendaraan
Abstract:Abstract: This study aims to design and build a control and monitoring system for runway edge lights using Power Line Carrier (PLC). This system is designed to overcome the limitations of manual methods in inspecting runway…
way lights, which are time-consuming and labour-intensive, especially in airport environments with large areas. The system uses an ESP8266 microcontroller, a PZEM-004T sensor module for monitoring electrical parameters, and a Power Line Adapter as the data transmission medium. Test results indicate that the system can transmit and receive data over a distance of ±70 metres with an average response time of 7–10 seconds. The sensor can also detect voltage and current with an error rate below 5%, demonstrating the system's accuracy and reliability. As a result, the system enhances the efficiency and effectiveness of technicians in monitoring runway edge light conditions and has the potential for further development in broader applications within the fields of electrical engineering and aviation.
Â
Keywords: Â Power Line Carrier, Runway Edge Light, Monitoring, ESP8266, PZEM-004T
Â
Abstrak: Penelitian ini bertujuan merancang dan membangun sistem kontrol serta monitoring lampu runway edge menggunakan Power Line Carrier (PLC) untuk mengatasi keterbatasan metode manual yang memerlukan waktu dan tenaga, khususnya di bandara dengan area luas. Sistem ini memanfaatkan mikrokontroler ESP8266, modul sensor PZEM-004T untuk pemantauan parameter listrik, serta Power Line Adapter sebagai media transmisi data. Hasil pengujian menunjukkan bahwa sistem mampu mengirim dan menerima data hingga jarak ±70 meter dengan waktu respons rata-rata 7–10 detik, sementara sensor mendeteksi tegangan dan arus dengan tingkat kesalahan di bawah 5%, menandakan keakuratan dan keandalan sistem. Dengan demikian, sistem ini dapat meningkatkan efisiensi dan efektivitas teknisi dalam memantau kondisi lampu runway edge, serta memiliki potensi pengembangan untuk aplikasi lebih luas di bidang kelistrikan dan transportasi udara.
Â
Kata kunci: Power Line Carrier, Runway Edge Light, Monitoring, ESP8266, PZEM-004T
Abstract:Abstract: Potholes are a serious problem in transportation infrastructure that directly impacts driver safety and travel efficiency. This study proposes a deep learning-based method by integrating the YOLOv4 algorithm for…
r rapid object detection and using semantic segmentation to produce more precise pixel image analysis of various forms of potholes. The YOLOv4 method (You Only Look Once version 4) is used as the main algorithm in the object detection process because of its ability to identify objects in real-time with high speed and optimal accuracy. This study lies in a hybrid approach between object detection using YOLOv4 and semantic segmentation with DeepLab, which enables the system to recognize potholes. Testing was carried out using two methods: by inputting images (PNG/JPG) and using real-time video input via webcam. The dataset used was 1,561 images with various variants of road damage, which were annotated and labeled using Roboflow. The test results of the YOLOv4 model showed a detection accuracy ranging from 90–92%, with the highest performance of 95% for large potholes at close range, and a minimum of 59% for small potholes at long distances. These results confirm the effectiveness of YOLOv4 in quickly and accurately detecting potholes across various road conditions. This research is expected to contribute to the automation of road infrastructure maintenance systems, reduce the risk of traffic accidents, and improve the comfort and safety of road users.
Keywords: pothole detection; YOLOv4; deep learning; semantic segmentation; transportation infrastructure
Abstrak: Kerusakan jalan berlubang menjadi permasalahan serius dalam infrastruktur transportasi yang berdampak langsung terhadap keselamatan pengendara dan efisiensi perjalanan. Penelitian ini mengusulkan metode berbasis deep learning dengan mengintegrasikan algoritma YOLOv4 untuk deteksi objek secara cepat dan menggunakan  segmentasi semantik guna menghasilkan analisis gambar piksel yang lebih presisi terhadap berbagai bentuk jalan berlubang. Metode YOLOv4 (You Only Look Once versi 4) digunakan sebagai algoritma utama dalam proses deteksi objek karena kemampuannya dalam melakukan identifikasi objek secara real-time dengan kecepatan tinggi dan akurasi yang optimal. Penelitian ini terletak pada pendekatan hibrida antara deteksi objek menggunakan YOLOv4 dan segmentasi semantik dengan DeepLab, yang memungkinkan sistem dapat mengenali jalan berlubang. Pengujian dilakukan dengan dua metode yaitu dengan cara input menggunakan citra (PNG/JPG) dan menggunakan input video real-time melalui webcam. Dataset yang digunakan berjumlah 1.561 citra dengan berbagai varian kerusakan jalan, yang dianotasi dan dilabeli menggunakan Roboflow. Hasil pengujian model YOLOv4 menunjukkan akurasi deteksi berkisar antara 90–92%, dengan performa tertinggi sebesar 95% untuk lubang besar pada jarak dekat, dan minimum 59% untuk lubang kecil pada jarak jauh. Hasil ini menegaskan efektivitas YOLOv4 dalam mendeteksi jalan berlubang secara cepat dan akurat di berbagai kondisi jalan. Penelitian ini diharapkan dapat memberikan kontribusi dalam otomatisasi sistem pemeliharaan infrastruktur jalan, mengurangi risiko kecelakaan lalu lintas, serta meningkatkan kenyamanan dan keselamatan pengguna jalan.
Kata kunci: deteksi jalan berlubang; YOLOv4; deep learning; segmentasi semantik; infrastruktur transportasi
Abstract:Abstract: This study aims to analyze the distribution of teaching load of teachers at SMKN 1 Stabat using the K-Means Clustering method. The main problem faced is the imbalance in the number of teaching hours between teachers…
chers which can affect the effectiveness of teaching and learning activities. The data used is the total weekly teaching hours of each teacher, which is taken from the document on the distribution of teaching tasks for the even semester of the 2024/2025 academic year. The K-Means method is used to group teachers into three categories of teaching load: light, medium, and heavy. The grouping process is carried out by determining the number of clusters (K = 3), initializing the centroid, calculating the distance of each data to the centroid, and updating the position of the centroid until the results are stable. The final results show that most teachers are included in the medium load cluster, while a small number are in the light and heavy categories. This shows that the distribution of the teaching load is not yet completely even. The application of K-Means has been proven to be able to provide an analytical picture of the distribution of teacher work, as well as support data-based decision making in education management.
Â
Keywords: K-Means Clustering, Teaching Load, Teacher Schedule, Data Clustering, SMKN 1 Stabat
Abstrak: Penelitian ini bertujuan untuk menganalisis pembagian beban mengajar guru di SMKN 1 Stabat dengan menggunakan metode K-Means Clustering. Masalah utama yang dihadapi adalah ketidakseimbangan jumlah jam mengajar antar guru yang dapat memengaruhi efektivitas kegiatan belajar-mengajar. Data yang digunakan berupa total jam mengajar mingguan dari setiap guru, yang diambil dari dokumen pembagian tugas mengajar semester genap tahun ajaran 2024/2025. Metode K-Means digunakan untuk mengelompokkan guru ke dalam tiga kategori beban mengajar: ringan, sedang, dan berat. Proses pengelompokan dilakukan dengan menentukan jumlah klaster (K=3), menginisialisasi centroid, menghitung jarak masing-masing data ke centroid, serta memperbarui posisi centroid hingga hasil stabil. Hasil akhir menunjukkan bahwa sebagian besar guru tergolong dalam klaster beban sedang, sementara sebagian kecil masuk kategori ringan dan berat. Hal ini menunjukkan bahwa distribusi beban mengajar belum sepenuhnya merata. Penerapan K-Means terbukti mampu memberikan gambaran analitis terhadap distribusi kerja guru, serta mendukung pengambilan keputusan berbasis data dalam manajemen pendidikan.
Â
Kata kunci: K-Means Clustering, beban mengajar, jadwal guru, pengelompokan data, SMKN 1 Stabat