%0 Thesis
%9 Skripsi
%A Nazila P., Lingga
%A Universitas Pakuan,
%A Fakultas Matematika dan Ilmu Pnegetahuan Alam,
%A Program Studi Ilmu Komputer,
%B Fakultas Matematika dan Pengetahuan Alam
%D 2025
%F eprintsunpak:9820
%I Universitas Pakuan
%T Klasifikasi Kemampuan Belajar Siswa Sekolah Dasar menggunakan Metode Fuzzy C-Means dan Adaptive Neuro Fuzzy Inference System
%U http://eprints.unpak.ac.id/9820/
%X Klasifikasi Kemampuan Belajar Siswa Sekolah Dasar menggunakan Metode Fuzzy C-Means dan Adaptive Neuro Fuzzy Inference System    Lingga Nazila P.1, Arie Qur’ania2, Adriana Sari Aryani3*    1,2,3 Department of Computer Science, Faculty of Mathematics and Natural Science, Pakuan University, Bogor, West Java, 16143, Indonesia        Abstract  Setiap anak merupakan pribadi unik dengan potensi yang memerlukan pengembangan selama pendidikan dasar, dan kemampuan belajar berfungsi sebagai indikator keberhasilan sistem pembelajaran. Namun, siswa pada jenjang ini, khususnya di kelas tinggi (4, 5, dan 6), sering kali kesulitan memahami konsep dasar. Hal ini mengindikasikan adanya hambatan dalam penguasaan materi serta potensi ketidaksesuaian metode pembelajaran. Sesuai Pasal 12 ayat (1) huruf b Undang-Undang Nomor 20 Tahun 2003 tentang Sistem Pendidikan Nasional, setiap peserta didik berhak memperoleh pelayanan pendidikan yang selaras dengan bakat dan minatnya. Ketentuan ini menggarisbawahi adanya korelasi antara bakat, kepribadian, dan kemampuan belajar. Pengukuran kemampuan belajar ini dilakukan berdasarkan kategori Taksonomi Bloom, dengan variabel dari Talents Mapping. Oleh karena itu, peran kecerdasan buatan dapat membantu mengklasifikasikan kemampuan belajar siswa. Proses ini melibatkan algoritma Fuzzy C-Means (FCM) untuk klasterisasi dan Adaptive Neuro Fuzzy Inference System (ANFIS) untuk klasifikasi. Data penelitian dibagi dengan proporsi 86:15, sehingga diperoleh 491 data latih dan 87 data uji. Implementasi clustering dengan FCM menghasilkan 3 cluster optimal dengan silhouette index 0.5818. Model ANFIS dikembangkan dengan fungsi keanggotaan generalized bell, dilatih selama 50 epoch menggunakan hybrid learning dengan learning rate 0,001. ANFIS kemudian menjalani retraining yang dilakukan berdasarkan evaluasi aturan menggunakan metode cosine similarity, dan berhasil mencapai akurasi terbaik sebesar 98% dengan rata-rata loss 0.4684. Seluruh hasil diimplementasikan dalam aplikasi web yang dibangun menggunakan bahasa pemrograman Python dan framework Flask.    Keywords: Fuzzy C-Means; Adaptive Neuro Fuzzy Inference System; Taksonomi Bloom; Talents Mapping; Cosine Similarity Method