Analisis Perbandingan Performa Algoritma K-Means & Peningkatan DBSCAN pada Clustering Data Pengelompokan Sekolah di Sulawesi Selatan untuk Penyaluran Merata BOP (Bantuan Operasional Pendidikan) : Studi Kasus Dinas Pendidikan Sulawesi Selatan

Latar Belakang. Pemerataan BOP Bantuan Operasional Pendidikan merupakan tugas berat bagi Dinas Pendidikan Sulawesi Selatan mengingat setiap sekolah di provinsi ini memiliki perbedaan dalam berbagai aspek sosial, ekonomi, dan geografis. Penelitian ini akan membahas dan membandingkan kinerja peningkatan DBSCAN dan algoritma K-Means Only dalam proses pengelompokan data sekolah sebagai upaya untuk mengoptimalkan penyaluran BOP agar mencapai paritas dan ketepatan sasaran yang maksimal. Pencatatan meliputi 9 variabel utama yang menjadi kriteria bantuan BOP yaitu luas wilayah, daya listrik, jumlah ruang, jumlah pegawai, jumlah guru, jumlah siswa, dan koordinat 9201 sekolah di Sulawesi Selatan beserta garis lintang dan garis bujurnya. Metode ini diawali dengan melakukan proses data praprocessing berupa penggabungan dataset, pembersihan data, penskalaan menggunakan StandardScaler, normalisasi dan pengurangan dimensionalitas menggunakan teknik Principal Component Analysis untuk menyederhanakan variabel dan mempertahankan data penting. Penyempurnaan lebih lanjut dari proses ini dipastikan melalui pengelompokan yang dilakukan menggunakan algoritma K-Means dan peningkatan DBSCAN. Pengujian dilakukan menggunakan uji Silhouette Score, sedangkan parameter epsilon dan MinPts untuk DBSCAN dihitung menggunakan K-Nearest Neighbors (KNN). Hasil penelitian membuktikan bahwa algoritma peningkatan DBSCAN-lah yang dapat mengelompokkan sekolah dengan kepadatan data yang bervariasi secara efektif, dan pada saat yang sama dapat mengidentifikasi outlier/noise secara akurat. Sedangkan K-Means terbukti efisien dalam membentuk klaster pada data yang terstruktur, namun kesulitan menangkap pola non-linear. Validasi menggunakan Silhouette Score mengonfirmasi bahwa peningkatan DBSCAN memperoleh skor lebih tinggi dibandingkan K-Means, menandakan performa clustering yang lebih baik. Dengan demikian, Kajian ini diharapkan dapat memberikan dampak positif bagi Dinas Pendidikan Sulawesi Selatan dalam memperkuat kebijakan pengurangan kesenjangan pendidikan dan meningkatkan efisiensi penyaluran dana BOP atau bentuk bantuan lainnya. Kajian ini juga akan memperkaya khasanah penelitian ilmiah melalui penerapan teknik klasterisasi dalam sektor pendidikan.