PENERAPAN MODEL HYBRID K-MEANS-GAUSSIAN MIXTURE MODEL UNTUK PERSONALISASI REKOMENDASI STUDI LANJUT BERDASARKAN POTENSI AKADEMIK

Abstract

Pemilihan jalur studi lanjut yang tidak tepat setelah lulus sekolah menengah atas sering terjadi akibat keterbatasan analisis data prestasi siswa secara objektif dan sistematis di sekolah. Meskipun institusi pendidikan mengumpulkan data akademik secara rutin, pemanfaatannya masih bersifat manual dan administratif sehingga gagal mendeteksi pola potensi siswa yang kompleks dan multidimensi. Penelitian ini bertujuan menerapkan model clustering hybrid K-Means–Gaussian Mixture Model (GMM) untuk melakukan segmentasi prestasi akademik siswa guna menghasilkan personalisasi rekomendasi studi lanjut yang akurat dan berbasis data. Model hybrid ini mengintegrasikan kekuatan inisialisasi centroid dari K-Means dengan fleksibilitas probabilitas posterior dari GMM dalam menangani ketidakpastian serta tumpang tindih data. Penelitian dilakukan menggunakan data sekunder dari 566 siswa SMA Negeri 9 Medan dengan enam variabel mata pelajaran inti. Evaluasi kualitas pengelompokan pada konfigurasi 2 hingga 6 klaster menunjukkan bahwa konfigurasi 4 klaster menghasilkan performa terbaik dengan nilai Davies-Bouldin Index sebesar 0,161706 dan Silhouette Coefficient sebesar 0,870467. Hasil akhir memetakan 566 siswa ke dalam klaster C1 (241 siswa) dan C3 (124 siswa) yang dikategorikan sebagai segmentasi Sains, Teknologi, Logika & STEM, serta klaster C2 (36 siswa) dan C4 (165 siswa) sebagai segmentasi Komunikasi, Literasi & Teknologi Digital. Hasil segmentasi ini berhasil diintegrasikan dengan basis aturan berbasis regulasi kementerian untuk memberikan rekomendasi program studi dan prospek karir yang spesifik. Penelitian ini menyimpulkan bahwa model hybrid K-Means–GMM sangat efektif dalam mengidentifikasi potensi akademik siswa serta memberikan kontribusi nyata bagi layanan bimbingan karir sekolah.