ABSTRAK Data yang terdapat pada SMA Wachid Hasyim 2 Taman-Sepanjang merupakan data siswa yang masih mentah sehingga data tersebut perlu diolah. Pengolahan data dengan mengelompokan (Clustering) data-data tersebut memiliki beragam metode salah satunya adalah SOM (Self Organizing Map). Untuk menvalidasi data setelah Penggunaan distance matrix digunakan IDB (Indeks Davies-Bouldin). IDB dalam SOM bertujuan untuk meningkatkan akurasi validasi hasil analisa data. Pada akhirnya penganalisaan data dengan studi kasus SMA Wachid Hasyim 2 Taman-Sepanjang ini bertujuan untuk mengetahui tingkat kemiripan siswa dalam satu kelompok (per kelas). Metode SOM mampu mengelompokan data yang berdekatan untuk dicari kemiripannya berdasarkan pola. Kemiripan data pada pengelompokan siswa yang dijadikan tiga cluster dengan learning rate 0.6 serta epoch 10, 20, 30 dengan MSE terkecil = 41.42 di epoch 30 pada 245 data training. Sedangkan yang dijadikan tiga sampai dengan sembilan Cluster dengan learning rate 0.6 serta epoch 10, 20, 30 dengan MSE terkecil = 25.04 di epoch 20 pada cluster ke-4 dengan 245 data training. Nilai terkecil pada pemvalidasian Cluster dengan IDB menggunakan tiga sampai dengan sembilan Cluster pada 245 data training berada pada cluster ke-9 dengan nilai IDB = 37.44 dan hasilnya kurang akurat karena kelas yang terbentuk hanya dua kelompok. Kata kunci: Clustering, SOM, Eucledian Distance, IDB, SMA Wachid Hasyim 2 Taman-Sepanjang

ABSTRACT The data is contained in SMA Wachid Hasyim 2 Taman-Sepanjang is still raw student data so that data needs to be processed. Processing data by grouping (clustering) the datas have variety of method the one of them is SOM (Self Organizing Map). To validate data after usin distance matrix it is used IDB (Davies-Bouldin index). IDB in SOM aims to increase validation accuracy of the data analys result. At the end data analyse with studies case SMA Wachid Hasyim 2 Taman-Sepanjang aims to know the degree ofstudent similarity in a group (every class). SOM method can be classify the closing data to reseacrh the similarity based on the pattern. Data similarity in grouping students on tree clusters with learning rate 0.6 and epoch 10, 20, 30 with smallest MSE = 41.42 in epoch 30 at 245 training data. While it is made tree until nine cluster with learning rate 0.6 and epoch 10, 20, 30 with smallest MSE = 25.04 in epoch 20 at cluster 4 with 245 training data. The smallest score at cluster validation with IDB use tree until nine cluster at 245 training data are in the 9 cluster with IDB score = 37.44 and the results less accurate because of the class only 2 groups. Keywords: Clustering, SOM, Eucledian Distance, IDB, SMA Wachid Hasyim 2 Taman-Sepanjang

Baca Jurnal Baca Jurnal Baca Jurnal Baca Jurnal Baca Jurnal Baca Jurnal Baca Jurnal Baca Jurnal Baca Jurnal Baca Jurnal Baca Jurnal