Pendidikan anak usia dini (PAUD) adalah jenjang pendidikan sebelum jenjang pendidikan dasar yang merupakan suatu upaya pembinaan yang ditujukan bagi anak sejak lahir sampai dengan usia enam tahun. Penelitian ini berusaha untuk mengelompokan siswa berdasarkan umur dan kemampuan. Pengelompokkan data dilakukan dengan menggunakan metode Clustering K-Means yaitu dengan mengelompokan data berdasarkan umur dan kemampuan (membaca, menulis, menghitung, dan menghafal). Algoritma k-means merupakan algoritma yang membutuhkan parameter input sebanyak k dan membagi sekumpulan n objek kedalam k cluster sehingga tingkat kemiripan antar anggota dalam satu cluster tinggi sedangkan tingkat kemiripan dengan anggota pada cluster lain sangat rendah. Hasil dari pengujian sistem, diperoleh tiga kelompok siswa berdasarkan umur dan kemampuan yaitu, 215 siswa kelompok A, 125 siswa kelompok B, dan 120 siswa kelompok C. Uji coba terhadap 460 data dengan jumlah klaster yang sama, jika suatu klaster tingkat kemiripan yang tinggi, maka rata – rata yang dihasilkan juga memiliki tingkat kemiripan yang tinggi. Hasil perhitungan dataset dengan metode K-Means. Perbedaan hasil program k-means terjadi karena prbedaan inisialisasi centroid pertama. Metode k-means sangat sensitif terhadap inisialisasi centroid awal, sehingga hasil cluster yang dihasilkan berbeda.

Early childhood education (ECD) is the level of education before primary education, which is a development effort aimed at children from birth to the age of six. This study sought to classify students based on age and ability. Grouping data using the K-Means Clustering method is by classifying data based on age and ability (reading, writing, counting, and memorize). K-means algorithm is an algorithm that takes as input parameters k and divide a set of n objects into k clusters so that the level of similarity between members of the cluster are high and similarities with other members of the cluster is very low. Results of the testing system, there are three groups of students based on age and ability, namely, 215 students group A, group B 125 students, and 120 students group C. The trial of 460 data with the same number of clusters, if a high level of similarity cluster, the average - average produced also has a high degree of similarity. Results of datasets with the method of calculation of K-Means. Differences in k-means clustering program outcomes occur because the initialization prbedaan first centroid. K-means clustering method is highly sensitive to initial centroid initialization, so the results produced by different clusters.

http://digilib.unmuhjember.ac.id/gdl.php?mod=browse&op=read&id=umj-1x-lailiamali-1781