Perbandingan Implementasi Algoritma K-Means, K-Medoids, dan Fuzzy K-Medoids Type-2 Untuk Pengelompokkan Fasilitas Sekolah Dasar Di Kabupaten Bangkalan

Pendidikan merupakan fondasi sangat penting bagi pengembangan sumber daya manusia yang berkualitas tinggi, yang juga dipengaruhi oleh ketersediaan serta kelayakan fasilitas sekolah. Kabupaten Bangkalan sebagai salah satu wilayah di Madura memiliki banyak sekolah dasar dengan kondisi fasilitas yang beragam, mulai dari ruang kelas, laboratorium, perpustakaan, hingga sarana pendukung lainnya. Namun, hingga kini belum terdapat pemetaan fasilitas sekolah dasar di Kabupaten Bangkalan yang disusun secara terstruktur dan berbasis analisis data, sehingga proses identifikasi sekolah yang membutuhkan prioritas peningkatan sarana menjadi kurang optimal. Berdasarkan permasalahan tersebut, penelitian ini bertujuan untuk menghasilkan pemetaan fasilitas yang lebih terstruktur serta membandingkan performa beberapa algoritma clustering dalam mengelompokkan sekolah berdasarkan kondisi fasilitasnya. Dengan menerapkan metode clustering, penelitian ini membandingkan tiga algoritma, yaitu K-Means, K-Medoids, dan Fuzzy K-Medoids Type-2. Data penelitian terdiri dari 680 data sekolah dasar dengan sembilan variabel utama yaitu status sekolah, peserta didik, jumlah guru, ruang kelas, perpustakaan, ruang ibadah, UKS, toilet, dan akreditasi, yang akan dibagi menjadi dua kategori yaitu all facility dan main facility. Pendekatan yang digunakan mengikuti tahapan CRISP-DM, dan evaluasi pengelompokan dilakukan dengan memanfaatkan Silhouette Coefficient (SC) untuk mengukur tingkat pemisahan dan kekompakan cluster. Hasil pengujian menunjukkan bahwa pada skenario All Facility, nilai Silhouette tertinggi diperoleh oleh K-Means sebesar 0,5534, diikuti K-Medoids 0,5399 dan Fuzzy K-Medoids Type-2 0,3773. Pada skenario Main Facility, nilai tertinggi juga diperoleh oleh K-Means sebesar 0,7680, kemudian K- Medoids 0,7655 dan Fuzzy K-Medoids Type-2 0,6363, sehingga dapat disimpulkan bahwa K-Means menghasilkan performa clustering terbaik pada kedua skenario.