20 Jurnal AL-AZHAR INDONESIA SERI SAINS DAN TEKNOLOGI, Vol. 7, No. 1, Januari 2022 DOI http://dx.doi.org/10.36722/sst.v7i1.877 Simulasi Rancangan Pemetaan Sekolah dengan Metode Algoritma Machine Learning Menggunakan Software RapidMiner Aisyah Sabrina Aprilia 1 , Budi Aribowo 1 , Ahmad Chirzun 1 1 Program studi Teknik Industri, Fakultas Sains dan Teknologi, Universitas Al Azhar Indonesia, Komplek Masjid Agung Al Azhar, Jalan Sisingamangaraja, Kebayoran Baru, Jakarta Selatan, 12110 Penulis untuk Korespondensi/E-mail: aisyahsabrinaaprilia@gmail.com Abstract – The growth in the number of educational institutions creates competition which encourages each educational institution to have a special strategy to deal with it. The challenge that must also be faced in the world of education is the uneven quality of education in various regions. One way to face the challenge of equal distribution of school quality is to create programs that suit the needs of each school. In this study, solving the problem of mapping schools owned by the XYZ educational foundation was carried out. The results of this study obtained a design of a school mapping indicator instrument to assess the quality of each school. Then obtained a simulation of school mapping design from the results of unsupervised learning with the K-Means and K-Medoids Clustering methods, as well as a simulation of predicting school mapping patterns from the results of supervised learning with the Decision Tree C4.5 method. The results of K-Medoids were selected for the proposed school mapping with a Davies Bouldin index value of 0.112. The model cluster owned by K-Medoids, namely Excellent School, has 44 schools; at Good School, there are 36 schools; and in the Improvement School, there are 20 schools. Meanwhile, the prediction pattern with Decision Tree C4.5 obtained rules with the dominant indicator attributes (IND) 1, 2, 3, and 4. Also, the prediction simulation results using the 80:20 ratio decision tree model show the new testing data with the assumption that the 101st school goes to cluster_1 with an accuracy rate of 95%. Abstrak – Pertumbuhan jumlah lembaga pendidikan menimbulkan persaingan yang mendorong tiap lembaga pendidikan harus memiliki strategi khusus untuk menghadapinya. Tantangan yang juga harus dihadapi dalam dunia pendidikan adalah kualitas pendidikan yang tidak merata di berbagai daerah. Salah satu cara untuk menghadapi tantangan pemerataan kualitas sekolah adalah dengan membuat program yang sesuai dengan kebutuhan masing-masing sekolah. Pada penelitian ini, dilakukan pemecahan masalah pemetaan sekolah yang dimiliki yayasan pendidikan XYZ. Hasil dari penelitian ini didapatkan suatu rancangan instrumen indikator pemetaan sekolah untuk melakukan penilaian terhadap kualitas masing-masing sekolah. Kemudian didapatkan simulasi rancangan pemetaan sekolah dari hasil unsupervised learning dengan metode K-Means dan K-Medoids Clustering, serta simulasi prediksi pola pemetaan sekolah dari hasil supervised learning dengan metode Decision Tree C4.5. Hasil K-Medoids terpilih untuk usulan pemetaan sekolah dengan nilai davies bouldin index 0.112. Cluster model yang dimiliki K-Medoids, yaitu Excellent School terdapat 44 sekolah; pada Good School terdapat 36 sekolah; dan pada Improvement School terdapat 20 sekolah. Sedangkan, pola prediksi dengan Decision Tree C4.5 didapatkan rules dengan atribut indikator (IND) 1, 2, 3, dan 4 yang mendominasi. Serta, hasil simulasi prediksi dengan menggunakan model decision tree rasio 80:20 didapatkan bahwa data testing baru dengan asumsi sekolah ke-101 masuk ke cluster_1 dengan tingkat akurasi sebesar 95%. Keywords - decision tree, K-means, K-medoids, school mapping indicator instrument.