EUVIMEDEUVIMED entdecken
Open Access · CC BY-SA 4.0

Grouping of Student Attendance Discipline Levels Based on Daily Attendance Data Using the K-Means Algorithm

Syahwa Mutiara Putri, Anita Rahmawati, Alfina Chintya Bella, Damar Aji Gurowo, Muhammad Arifin

Jurnal Ilmiah Sistem Informasi · 21.05.2026 · 5 (2) · 674-686

DOI: 10.51903/bxrc5648 ↗

Kurz gefasst

Fachartikel in der Zeitschrift Jurnal Ilmiah Sistem Informasi, online erschienen am 21.05.2026. Verfasst von Syahwa Mutiara Putri und 4 weiteren Autor:innen. Der Volltext ist frei zugänglich (Open Access, CC BY-SA 4.0).

AbstractBibliografische AngabenZitierenVerwandte Studien

Abstract (Originalsprache)

Kedisiplinan kehadiran siswa merupakan aspek penting dalam proses pembelajaran karena mencerminkan partisipasi, tanggung jawab, dan kepatuhan terhadap aturan sekolah. Namun, data absensi sering kali hanya diperlakukan sebagai catatan administratif dan jarang dianalisis untuk mengidentifikasi pola keterlambatan yang berulang. Penelitian ini bertujuan untuk mengelompokkan pola keterlambatan siswa berdasarkan data absensi harian menggunakan algoritma K-Means guna memberikan gambaran yang lebih terstruktur dan objektif tentang disiplin kehadiran. Penelitian ini menggunakan pendekatan data mining yang meliputi pengumpulan data, preprocessing, transformasi data, normalisasi, dan clustering. Dataset yang digunakan terdiri atas 678 catatan absensi harian selama 47 minggu. Setelah direkapitulasi, data menghasilkan 54 kategori durasi keterlambatan dengan total 1.738 kejadian keterlambatan. Variabel utama yang dianalisis adalah frekuensi kejadian keterlambatan pada setiap kategori, dan StandardScaler digunakan sebelum proses clustering. Data kemudian dikelompokkan ke dalam tiga cluster, yaitu High, Medium, dan Low. Hasil penelitian menunjukkan bahwa keterlambatan singkat berdurasi 1-7 menit membentuk cluster High dengan total 1.007 kejadian, yang menunjukkan bahwa keterlambatan ringan yang berulang merupakan pola paling dominan. Cluster Medium mencakup keterlambatan 8-13 menit dengan 425 kejadian, sedangkan cluster Low mencakup keterlambatan 14-63 menit dengan 306 kejadian. Penelitian ini memberikan kontribusi berupa sudut pandang berbasis clustering dalam menafsirkan data absensi dan berimplikasi bahwa sekolah perlu memberi perhatian tidak hanya pada keterlambatan berat, tetapi juga pada keterlambatan singkat yang sering berulang melalui pemantauan lebih dini dan intervensi disiplin yang lebih tepat sasaran.

Zitieren

APA

Putri, S. M., Rahmawati, A., Bella, A. C., Gurowo, D. A., & Arifin, M. (2026). Grouping of Student Attendance Discipline Levels Based on Daily Attendance Data Using the K-Means Algorithm. Jurnal Ilmiah Sistem Informasi, 5(2), 674-686. https://doi.org/10.51903/bxrc5648

Vancouver

Putri SM, Rahmawati A, Bella AC, Gurowo DA, Arifin M. Grouping of Student Attendance Discipline Levels Based on Daily Attendance Data Using the K-Means Algorithm. Jurnal Ilmiah Sistem Informasi. 2026;5(2):674-686. doi:10.51903/bxrc5648

BibTeX
@article{Putri2026,
  author = {Putri, Syahwa Mutiara and Rahmawati, Anita and Bella, Alfina Chintya and Gurowo, Damar Aji and Arifin, Muhammad},
  title = {Grouping of Student Attendance Discipline Levels Based on Daily Attendance Data Using the K-Means Algorithm},
  journal = {Jurnal Ilmiah Sistem Informasi},
  year = {2026},
  volume = {5},
  number = {2},
  pages = {674--686},
  doi = {10.51903/bxrc5648}
}
Kostenlos starten →