Abstract:Abstract: Conventional semiconductor chip counting at PT Elektronik Indonesia relies on manual weighing, which is prone to human error and inefficiency. This study proposes a desktop-based counting system using a digital…
scanner and image processing. The novelty lies in integrating horizontal-vertical projection with probabilistic Hough transform to robustly detect grid lines, form square cells, and enable accurate unit estimation via average intensity analysis, eliminating the need for reference weighing. Experiments on 15 actual chip images yielded an error rate of 0.009519% and up to 73.674%time efficiency gains compared to the manual method. The system reduces operator dependency, minimizes errors, and accelerates counting, providing a practical machine vision solution for semiconductor production.
Keywords: chip counting; image processing; probabilistic hough transform; grid line detection; time effeciency.
Abstrak: Penghitungan chip semikonduktor konvensional di PT Elektronik Indonesia bergantung pada penimbangan manual, yang rentan terhadap kesalahan manusia dan kurang efisien. Penelitian ini mengusulkan sistem penghitungan berbasis desktop menggunakan scanner digital dan pengolahan citra. Kebaruan terletak pada integrasi proyeksi horizontal-vertikal dengan probabilistic Hough transform untuk mendeteksi garis grid secara kuat, membentuk sel persegi, serta memungkinkan estimasi unit akurat melalui analisis intensitas rata-rata, sehingga menghilangkan kebutuhan penimbangan referensi. Eksperimen pada 15 citra chip aktual menghasilkan tingkat kesalahan 0,009519% dan peningkatan efisiensi waktu hingga 73,674% dibandingkan metode manual. Sistem ini mengurangi ketergantungan operator, meminimalkan kesalahan, dan mempercepat penghitungan, menyediakan solusi machine vision praktis untuk produksi semikonduktor.
Kata kunci: penghitungan chip; pengolahan citra; probabilistic Hough transform; deteksi garis grid; efisiensi waktu.
Abstract:Abstract: One of the main challenges in digital image processing is limited resolution, which makes it difficult to preserve visual details when images are enlarged. Conventional methods such as Bilinear Interpolation are…
e commonly used for image upscaling; however, these approaches often produce blurred images, lose fine textures, and fail to reconstruct complex visual structures. This study aims to enhance digital image resolution by employing a deep learni based approach using a Low-Light Convolutional Neural Network (LLCNN) built upon a Deep Neural Network (DNN) architecture. The dataset used in this study is the DIV2K dataset, which consists of 1,000 high-resolution images. These images were downsampled using scaling factors of ×2, ×3, and ×4 to generate paired Low Resolution–High Resolution (LR–HR) data for training and evaluation. The proposed LLCNN is designed to extract important features such as edges, textures, and local patterns through multiple convolutional layers, followed by non-linear mapping to reconstruct high-resolution images more accurately. Quantitative performance evaluation was conducted using the Peak Signal-to-Noise Ratio (PSNR) and the Structural Similarity Index (SSIM). Model performance was evaluated quantitatively using the Peak Signal-to-Noise Ratio (PSNR) metric. Experimental results showed that the proposed method improved image quality compared to the bilinear method. These results indicate that the deep learning based approach effectively improves image sharpness and structural fidelity, thereby demonstrating its potential for digital image resolution enhancement.
Keywords: deep neural network; image resolution; low-light convolutional neural network; machine learning
Abstrak: Permasalahan utama dalam pengolahan citra digital adalah keterbatasan resolusi yang menyebabkan detail visual sulit dipertahankan ketika citra diperbesar. Metode konvensional seperti Bilinear Interpolation masih banyak digunakan, namun sering menghasilkan citra buram, kehilangan tekstur halus, serta tidak mampu merekonstruksi struktur visual yang kompleks. Penelitian ini bertujuan untuk meningkatkan kualitas resolusi citra digital dengan memanfaatkan pendekatan deep learning berbasis Low-Light Convolutional Neural Network (LLCNN) yang dibangun di atas arsitektur Deep Neural Network (DNN). Data yang digunakan dalam penelitian ini berasal dari dataset DIV2K, yang terdiri dari 1000 citra beresolusi tinggi. Citra tersebut diturunkan menjadi resolusi rendah menggunakan faktor downsampling ×2, ×3, dan ×4 untuk membentuk pasangan data Low Resolution–High Resolution (LR–HR) sebagai data pelatihan dan pengujian. LLCNN dirancang untuk mengekstraksi fitur-fitur penting seperti tepi, tekstur, dan pola lokal melalui beberapa lapisan konvolusi, kemudian melakukan pemetaan non-linear guna merekonstruksi citra resolusi tinggi secara lebih presisi. Evaluasi performa model dilakukan secara kuantitatif menggunakan metrik Peak Signal-to-Noise Ratio (PSNR). Hasil eksperimen menunjukkan bahwa metode yang diusulkan mampu meningkatkan kualitas citra dibandingkan metode bilinear. Hasil ini membuktikan bahwa pendekatan berbasis deep learning efektif dalam meningkatkan ketajaman dan kesesuaian struktur citra digital.
Kata kunci: deep neural network; low-light convolutional neural network; machine learning; resolusi citra
Abstract:Abstract: Higher education plays an essential role in improving human resource quality, one of which is through the institution’s ability to monitor and predict student graduation outcomes. This study does not focus on a…
a specific university but utilizes the publicly available Students Performance in Exams dataset from Kaggle, consisting of 1,000 student records containing mathematics, reading, and writing scores, along with demographic attributes such as gender, parental education level, lunch type, and test preparation participation. The data were processed through a feature engineering stage by adding an average score variable as an early indicator of graduation status. A predictive model was developed using the Random Forest Classifier, achieving an accuracy of 94.5%. The final model was integrated into a Streamlit-based web application to provide an accessible tool for academic stakeholders. The results indicate that the proposed model can serve as an effective decision-support tool for early evaluation of students’ likelihood of graduation.
Keywords: prediction; random forest classifier, streamlit, student graduation.
Abstrak: Pendidikan tinggi memegang peran penting dalam peningkatan kualitas sumber daya manusia, salah satunya melalui kemampuan institusi dalam memantau dan memprediksi tingkat kelulusan mahasiswa. Penelitian ini tidak berfokus pada perguruan tinggi tertentu, melainkan menggunakan dataset publik Students Performance in Exams dari Kaggle yang berisi 1.000 data mahasiswa, terdiri atas nilai matematika, membaca, menulis, serta atribut demografis seperti gender, tingkat pendidikan orang tua, jenis makan siang, dan partisipasi kursus persiapan. Data diolah melalui tahap feature engineering dengan menambahkan variabel average score sebagai indikator awal kelulusan. Model prediksi dibangun menggunakan algoritma Random Forest Classifier, yang menghasilkan tingkat akurasi sebesar 94,5%. Model ini kemudian diimplementasikan ke dalam aplikasi web berbasis Streamlit untuk memberikan layanan prediksi yang mudah diakses oleh pihak akademik. Hasil penelitian menunjukkan bahwa model mampu digunakan sebagai alat pendukung keputusan untuk melakukan evaluasi dini terhadap potensi kelulusan mahasiswa.
Kata kunci: kelulusan mahasiswa; prediksi; random forest classifier; streamlit.
Abstract:Abstract: Teacher performance appraisal is a very important aspect in improving the quality of education today, but often occurs during the assessment process of subjectivity constraints and lack of a structured system,…
in this study aims to build a data structure modeling and facilitate the school MAS Islamiyah Hessa Air Genting in the assessment to determine the best teacher transparently and measurably by using the Technique for Order Preference by Similarity to Ideal Solution (TOPSIS) algorithm. The TOPSIS method was chosen because it is able to provide ranking results based on the closeness of alternatives to the ideal solution. In this modeling, assessment criteria data such as pedagogical, professional, personality, social competencies, as well as other indicators such as teacher discipline and achievement are modeled structurally in a relational database. The results show that the designed data structure is able to support the decision-making process efficiently and objectively.
Keywords: data structure; decision support system; teacher assessment; topsis; ranking.
Abstrak: Penilaian kinerja guru merupakan aspek yang sangat penting dalam peningkatan mutu pendidikan saat ini, namun sering terjadi saat proses penilaian kendala subjektivitas dan kurangnya sistem yang terstruktur, dalam penelitian ini bertujuan untuk membangun pemodelan struktur data serta mempermudah pihak sekolah MAS Islamiyah Hessa Air Genting dalam penilaian untuk menentukan guru terbaik secara transparan dan terukur dengan menggunakan algoritma Technique for Order Preference by Similarity to Ideal Solution (TOPSIS). Metode TOPSIS dipilih karena mampu memberikan hasil perankingan berdasarkan kedekatan alternatif terhadap solusi ideal. Dalam pemodelan ini, data kriteria penilaian seperti kompetensi pedagogik, profesional, kepribadian, sosial, serta indikator lain seperti kedisiplinan dan prestasi guru dimodelkan secara terstruktur dalam basis data relasional. Hasil penelitian menunjukkan bahwa struktur data yang dirancang mampu mendukung proses pengambilan keputusan secara efisien dan objektif.
Kata kunci: struktur data; topsis; penilaian guru; sistem pendukung keputusan; perangkingan
Abstract:Abstract: Non-performing loans remain one of the main challenges faced by cooperatives, particularly when the loan eligibility assessment process is still conducted manually. This traditional approach tends to be time consuming,…
nsuming, subjective, and prone to inaccurate decisions. This study aims to develop a predictive model for borrower eligibility using the Support Vector Machine (SVM) algorithm as a more efficient and objective machine learning-based solution. A total of 1,000 loan history records were processed using RapidMiner software, taking into account variables such as salary, years of employment, loan amount, monthly installment, employment status, monthly expenses, number of dependents, housing status, age, and collateral value. The model’s performance was evaluated using a confusion matrix and classification metrics including accuracy, precision, recall, and kappa. The results indicate that the SVM model achieved an accuracy of 90.05%, precision of 90.13%, recall of 90.05%, and f1 score of 90,08%, reflecting a strong performance in classifying borrower eligibility. The application of this method makes a significant contribution to the development of data driven decision support systems within cooperative environments. This finding expands the scientific understanding in the field of microfinance and supports the implementation of artificial intelligence technologies in making decisions that are more precise, rapid, and accurate.
Keywords: cooperative; eligibility prediction; machine learning; non-performing loan; SVM
Abstrak: Kredit macet merupakan salah satu permasalahan utama yang dihadapi koperasi, terutama ketika proses penilaian kelayakan peminjam masih dilakukan secara manual. Pendekatan ini cenderung lambat, subjektif, dan berisiko menghasilkan keputusan yang kurang akurat. Penelitian ini bertujuan untuk membangun model prediksi kelayakan peminjam menggunakan algoritma Support Vector Machine (SVM) sebagai solusi berbasis machine learning yang lebih efisien dan objektif. Sebanyak 1.000 data riwayat pinjaman diolah menggunakan tools RapidMiner dengan mempertimbangkan variabel: gaji, lama bekerja, besar pinjaman, angsuran per bulan, status pegawai, pengeluaran bulanan, jumlah tanggungan, status rumah, umur, dan nilai jaminan. Evaluasi model dilakukan menggunakan confusion matrix dan metrik klasifikasi seperti akurasi, presisi, recall, dan kappa. Hasil menunjukkan bahwa model SVM mencapai akurasi 90,05%, presisi 90,13%, recall 90,05%, dan f1 score 90,08%, yang mencerminkan performa model yang sangat baik dalam mengklasifikasikan kelayakan peminjam. Penerapan metode ini memberikan kontribusi penting dalam pengembangan sistem pendukung keputusan berbasis data di lingkungan koperasi. Temuan ini memperluas wawasan keilmuan di bidang keuangan mikro dan mendukung penerapan teknologi kecerdasan buatan dalam pengambilan keputusan yang lebih tepat, cepat, dan akurat.
Kata Kunci: koperasi; kredit macet; machine learning; prediksi kelayakan; SVM
Abstract:Abstract: Rizky Convection Business is a sportswear production company based on Jalan Elang Lestari Kisaran. Every day they receive orders from schools and agencies that need sportswear. However, Rizky Convection often faces…
aces challenges, especially in managing raw material inventory, allocating production time and processing orders that come in large quantities. For this reason, order data needs to be grouped to make it easier for employees to work on it. The data that will be processed in this study is order data from 2022-2024. One way to do this is to apply data mining techniques, one of which is the K-Means Clustering method. The purpose of this study is to model the use of K-Means Clustering to improve production management and procurement of raw materials for fabrics at Rizky Convection. K-Means Clustering is the grouping of a number of data into clusters (groups) so that each cluster will contain data that is as similar as possible. The results of K-Means Clustering grouping with 3 clusters, namely cluster 1, the large order group has 25 order data, cluster 2, the small order group has 361 order data and cluster 3, the medium order group has 100 order data.
Keywords: data mining; order data; K-Means; sportswear manufacturing.
Abstrak: Usaha Konveksi Rizky merupakan perusahaan produksi pakaian olahraga yang berpusat di Jalan Elang Lestari Kisaran. Setiap hari mereka menerima pesanan dari sekolah dan instansi yang membutuhkan pakaian olahraga. Namun Konveksi Rizky sering menghadapi tantangan terutama dalam pengelolaan persediaan bahan baku kain, pengalokasian waktu produksi dan pemrosesan pesanan yang datang dalam jumlah banyak. Untuk itu, data pesanan perlu dikelompokkan untuk mempermudah karyawan dalam mengerjakannya. Data yang akan diproses pada penelitian ini adalah data pesanan dari tahun 2022-2024. Salah satu cara untuk hal tersebut adalah dengan menerapkan teknik data mining, salah satunya metode K-Means Clustering. Tujuan penelitian ini adalah untuk memodelkan penggunaan K-Means Clustering untuk meningkatkan manajemen produksi dan pengadaan bahan baku kain di Rizky Konveksi. K-Means Clustering adalah pengelompokan sejumlah data ke dalam cluster (group) sehingga setiap dalam cluster tersebut akan berisi data yang semirip mungkin. Hasil pengelompokkan K-Means Clustering dengan 3 cluster yaitu cluster 1 kelompok pesanan banyak memiliki 25 data pesanan, cluster 2 kelompok pesanan sedikit memiliki 361 data pesanan dan cluster 3 kelompok pesanan sedang memiliki 100 data pesanan.
Kata kunci: data mining; data pesanan; K-Means; konveksi.
Abstract:Abstract: Program Indonesia Pintar (PIP) is government assistance program aimed at supporting the education of underprivileged students. However, some PIP fund recipients are misallocated, with aid given to students who…
do not fully meet the eligibility criteria, while those in greater need don’t receive it, including at SDN 014672 Tanjung Alam, Asahan Regency, North Sumatra Province. Based on this issue, a structured system is needed. The purpose of this study is to construct decision support systems for determining PIP fund recipients using Additive Ratio Assessment (ARAS) method. Data was collected using questionnaires, documentation, and observation techniques. Respondents consisted of 8 students from SDN 014672 Tanjung Alam. Criteria include number of dependents, homeownership status, attendance rate, and students final grades. System was developed using CodeIgniter 3 as framework, MySQL as database software, and InnoDB as database engine. ARAS method was applied to rank available alternatives. Based on calculations, first rank was obtained by alternative 6 (Malika Hendra As-Syifa), second rank by alternative 7 (Mutia Indah Sari), and third rank by alternative 8 (Rafa Kavindra). This study is expected to be further developed by applying other DSS methods, performing regular system maintenance, and integrating system with school data to improve accuracy and usability.
Keywords: additive ratio assessment; decision support system; smart indonesia program.
Abstrak: Program Indonesia Pintar (PIP) merupakan bantuan pemerintah untuk mendukung pendidikan siswa kurang mampu. Namun, masih ditemukan penerima anggaran PIP yang kurang tepat sasaran, di mana bantuan diberikan kepada siswa yang kurang memenuhi kriteria, sementara siswa yang lebih membutuhkan tidak menerimanya, termasuk di SDN 014672 Tanjung Alam, Kabupaten Asahan, Provinsi Sumatera Utara. Berdasarkan permasalahan tersebut, dibutuhkan sebuah sistem terstruktur. Tujuan penelitian ini untuk membangun sistem pendukung keputusan penetapan pemeroleh anggaran PIP menggunakan metode Additive Ratio Assessment (ARAS). Data dikumpulkan dengan teknik angket, dokumentasi, dan observasi. Responden adalah 8 siswa SDN 014672 Tanjung Alam. Kriteria meliputi jumlah tanggungan orang tua, status kepemilikan rumah, tingkat kehadiran, dan nilai akhir siswa. Sistem dirancang menggunakan CodeIgniter 3 sebagai framework, MySQL sebagai database software, dan InnoDB sebagai database engine. Perhitungan dengan metode ARAS digunakan untuk merangking alternatif yang ada. Berdasarkan perhitungan yang dilakukan, peringkat pertama diperoleh oleh alternatif 6 yakni Malika Hendra As-Syifa, peringkat kedua diperoleh oleh alternatif 7 yakni Mutia Indah sari, dan peringkat ketiga diperoleh oleh alternatif 8 yakni Rafa Kavindra. Penelitian ini diharapkan dapat dikembangkan lebih lanjut dengan menerapkan metode Sistem Pendukung Keputusan (SPK) lainnya, melakukan pemeliharaan sistem secara berkala, serta mengintegrasikan sistem dengan data sekolah untuk meningkatkan keakuratan dan kemudahan penggunaan.
Kata kunci: additive ratio assessment; program indonesia pintar; sistem pendukung keputusan
Abstract:Abstract: Advancements in digital technology have significantly transformed communication and learning. Traditional learning methods have limitations in providing a fast and interactive learning environment, necessitating…
g accessible technology that enhances student and teacher engagement while ensuring convenience. WhatsApp has emerged as a widely used solution due to its accessibility, privacy features, and cross-platform compatibility, offering users a sense of convenience. This study examines the role of Perceived Convenience in the acceptance and use of WhatsApp in secondary education in Medan City using the UTAUT2 Model. A survey was conducted with 439 respondents from 8 secondary schools in Medan and analyzed using SEM-PLS with SmartPLS-4. The results indicate that social influence, hedonic motivation, habit, and perceived convenience positively impact the intention to use WhatsApp. Additionally, facilitating conditions, perceived convenience, and intention to use significantly influence actual usage behavior. However, performance expectancy, effort expectancy, and price value do not affect either intention or behavior in using WhatsApp. Moderating variables such as age, gender, and experience partially moderate the relationships between independent factors and WhatsApp usage intention and behavior. This study contributes by incorporating Perceived Convenience into the UTAUT2 Model and affirming its role in educational technology adoption.
Keywords: perceived convenience; secondary education; UTAUT2; whatsapp
Abstrak: Kemajuan teknologi digital telah membawa perubahan signifikan dalam komunikasi dan pembelajaran. Metode pembelajaran tradisional memiliki keterbatasan dalam menyediakan lingkungan belajar yang cepat dan interaktif, sehingga diperlukan teknologi yang mudah diakses, meningkatkan keterlibatan siswa dan guru, serta nyaman digunakan. WhatsApp menjadi salah satu solusi dan banyak digunakan karena mudah diakses, privasi yang ditawarkan, serta kompatibilitas lintas platform sehingga memberikan kenyamanan yang dapat dirasakan pengguna ketika menggunakannya. Oleh karena itu, Penelitian ini menguji peran Persepsi Kenyamanan terhadap penerimaan dan penggunaan WhatsApp dalam pendidikan menengah di Kota Medan menggunakan Model UTAUT2. Survei dilakukan pada 439 responden dari 8 sekolah menengah di kota Medan, dan dianalisis dengan SEM-PLS menggunakan SmartPLS-4. Hasil penelitian menunjukkan bahwa social influence, hedonic motivation, habit, dan perceived convenience berpengaruh positif signifikan terhadap behavioral intention. Sementara itu, facilitating conditions, perceived convenience, dan behavioral intention berdampak positif pada use behavior. Namun, performance expectancy, effort expectancy, dan price value tidak berpengaruh terhadap niat maupun perilaku penggunaan WhatsApp. Variabel moderasi usia, jenis kelamin, dan pengalaman memoderasi sebagian hubungan antara faktor bebas terhadap niat dan perilaku penggunaan WhatsApp. Penelitian ini berkontribusi dengan menambahkan variabel persepsi kenyamanan (perceived convenience) ke dalam Model UTAUT2 dan menegaskan perannya dalam adopsi teknologi pendidikan.
Kata kunci: pendidikan menengah; persepsi kenyamanan; UTAUT2; whatsapp
Abstract:Abstract: Secondary education plays an important role in shaping students' academic, social, and emotional skills and preparing them for further education or entering the workforce. One important aspect of education is the…
he application of discipline through sanctions for violations of school rules. SMA Negeri 1 Kisaran currently still uses a manual system in recording and imposing sanctions, which is prone to errors, data loss, and is less efficient in decision making. This study aims to propose the implementation of a decision support system based on the Technique for Order Preference by Similarity to Ideal Solution (TOPSIS) method to determine more objective and transparent sanctions. The results of the application of the TOPSIS method in the process of determining objective sanctions for students at SMA Negeri 1 Kisaran are based on factors such as attendance, neatness, diligence, and student behavior, resulting in more accurate and systematic decisions. This study shows that the application of the TOPSIS method increases efficiency in determining sanctions for students and supports a fairer and data-based coaching process in schools.
Keywords: decision support system; discipline; sanctions; TOPSIS.
Abstrak: Pendidikan menengah memiliki peran penting dalam membentuk keterampilan akademik, sosial, dan emosional peserta didik serta mempersiapkan mereka untuk pendidikan lebih lanjut atau masuk ke dunia kerja. Salah satu aspek penting dalam pendidikan adalah penerapan disiplin melalui sanksi terhadap pelanggaran aturan sekolah. SMA Negeri 1 Kisaran saat ini masih menggunakan sistem manual dalam pencatatan dan pemberian sanksi, yang rentan terhadap kesalahan, kehilangan data, serta kurang efisien dalam pengambilan keputusan. Penelitian ini bertujuan mengusulkan penerapan sistem pendukung keputusan berbasis metode Technique for Order Preference by Similarity to Ideal Solution (TOPSIS) untuk menentukan sanksi yang lebih objektif dan transparan. Hasil dari penerapan metode TOPSIS dalam proses penentuan sanksi objektif pada peserta didik di SMA Negeri 1 Kisaran didasarkan pada faktor-faktor seperti kehadiran, kerapian, kerajinan, serta kelakuan siswa, sehingga menghasilkan keputusan yang lebih akurat dan sistematis. Studi ini menunjukkan bahwa penerapan metode TOPSIS meningkatkan efisiensi dalam menentukan sanksi bagi siswa serta mendukung proses pembinaan yang lebih adil dan berbasis data di sekolah.
Kata kunci: kedisiplinan; sanksi; sistem pendukung keputusan; TOPSIS.
Abstract:Abstract: School building construction is an important part of educational facilities and infrastructure. Many elementary school buildings in Asahan Regency are damaged, unfit for use or lack facilities including classrooms…
oms and other supporting infrastructure. The results of the selection that are not transparent in deciding the feasibility of rehabilitation and construction of elementary school buildings are often subjective and time-consuming. This causes decisions to be taken that cannot be made as quickly as possible and inequality, where schools that actually need rehabilitation more do not get priority for rehabilitation. The purpose of this study is to implement data mining in the selection of school building construction projects with the K-Means clustering algorithm in clustering the feasibility of rehabilitation of elementary school building construction. The results of this study found 31 elementary schools that are eligible for school building construction rehabilitation and 4 are not eligible for school building construction rehabilitation. This study is expected to provide a significant contribution in increasing the efficiency of school building construction selection and more transparency towards elementary school buildings to be rehabilitated.
Keywords: education authorities; k-means; rehabilitation and construction of school buildings.
Abstrak: Pembangunan gedung sekolah ialah bagian penting dalam sarana dan prasarana pendidikan. Banyak gedung Sekolah Dasar di Kabupaten Asahan menderita kerusakan, tidak layak pakai atau kekurangan fasilitas meliputi ruang kelas dan infrastruktur pendukung lainnya. Hasil penyeleksian yang bersifat tidak transparan dalam memutuskan kelayakan rehabilitasi dan pembangunan gedung Sekolah Dasar sering kali bersifat subjektif dan memakan waktu lama.Hal tersebut menyebabkan keputusan yang diambil tidak dapat dilakukan secepat mungkin serta ketimpangan, dimana sekolah yang sebenarnya lebih membutuhkan rehabilitasi justru tidak mendapatkan prioritas untuk direhabilitasi. Tujuan penelitian ini ialah mengimplementasi data mining pada pemilihan proyek pembangunan gedung sekolah dengan algoritma K-Means clustering dalam mengcluster kelayakan rehabilitasi pembangunan gedung sekolah dasar. Hasil Penelitian ini terdapat 31 sekolah dasar layak untuk direhabilitasi pembangunan gedung sekolah dan 4 tidak layak untuk direhabalitasi pembangunan gedung sekolah. Penelitian ini diharapkan dapat memberikan kontribusi signifikan dalam menaikkan efisiensi penyeleksian pembangunan gedung sekolah dan lebih transparansi terhadap gedung sekolah dasar yang akan direhabilitasi.
Kata kunci: dinas pendidikan; k-means; rehabilitasi dan pembangunan gedung sekolah.