KOMPARATIF KLASTERISASI ALGORITMA K-MEANS DAN GAUSSIAN MIXTURE MODELS UNTUK KESIAPAN SEKOLAH PERWIRA PRAJURIT KARIER TENTARA NASIONAL INDONESIA (SEPA PK TNI) DI UNIVERSITAS PERTAHANAN REPUBLIK INDONESIA

Tujuan dari penelitian ini adalah untuk mengevaluasi seberapa efektif algoritma klasterisasi K-Means dan Gaussian Mixture Models (GMM) dalam mengukur kesiapan siswa Sekolah Perwira Prajurit Karier TNI di Universitas Pertahanan Republik Indonesia. Indeks Prestasi Kumulatif (IPK) dan nilai kesegaran jasmani adalah beberapa metrik akademik dan fisik yang dikumpulkan. Pemahaman bisnis, pemahaman data, persiapan data, pemodelan, evaluasi, dan persebaran (deployment) adalah bagian dari metode CRISP-DM (Cross-Industry Standard Process for Data Mining) yang digunakan dalam penelitian ini. Berdasarkan indeks validasi Davies-Bouldin dan Calinski-Harabasz, hasil evaluasi menunjukkan bahwa algoritma K-Means menghasilkan klaster yang lebih kompak dan terpisah dengan baik dengan nilai yang lebih tinggi dalam hal separasi dan kepadatan klaster dibandingkan dengan GMM. Model klastering yang telah dievaluasi telah siap untuk tahap deployment, yang menunjukkan bahwa model siap untuk digunakan dalam tugas-tugas yang dilakukan di Unhan RI mengenai pengelompokan kesiapan dan pembagian personel. Penelitian ini akan membantu menentukan program di Universitas Pertahanan RI yang dapat meningkatkan kualitas sumber daya manusia dan membantu pengambilan keputusan strategis. Diharapkan penerapan model ini akan membantu pengembangan dan pengelolaan sumber daya manusia dalam upaya untuk meningkatkan kesiapan dan efektivitas pertahanan nasional.