Penelitian ini mengembangkan pendekatan baru untuk pembentukan kelompok
belajar dalam model Jigsaw Cooperative Learning di lingkungan perguruan tinggi,
yang bertujuan untuk mengatasi tantangan homogenitas kelompok dan kurangnya
personalisasi. Menggunakan pendekatan CRISP-DM (Cross-Industry Standard
Process for Data Mining), penelitian ini dimulai dengan pemahaman bisnis dan
data, di mana data mahasiswa yang mencakup identitas, kinerja akademis (nilai
kuis dan IPK), kepribadian (MBTI), dan gaya belajar dikumpulkan melalui
kuesioner Microsoft Form. Pada tahap persiapan data, dilakukan pembersihan
data untuk mengatasi nilai yang kosong, dan fitur-fitur dikodekan serta
distandarisasi. Reduksi dimensi dengan Principal Component Analysis (PCA)
digunakan untuk menyederhanakan struktur data, dengan dua komponen utama
yang dipilih karena mampu merepresentasikan sebagian besar variansi. Untuk
pemodelan, algoritma clustering K-means diimplementasikan. Jumlah klaster
optimal ditentukan sebagai 4 menggunakan metode Elbow. Hasil clustering
divisualisasikan dalam dua dimensi menggunakan PCA, menunjukkan pemisahan
klaster yang cukup jelas. Evaluasi kualitas clustering menggunakan Silhouette
Score menunjukkan nilai 0.36, mengindikasikan bahwa struktur klaster cukup
representatif meskipun ada beberapa data yang mendekati batas antar klaster.
Berdasarkan hasil clustering, kelompok-kelompok heterogen dibentuk dengan
mengambil satu anggota dari setiap klaster secara bergiliran, menghasilkan 7
kelompok dengan 4-5 anggota. Proses ini bertujuan untuk meningkatkan
kolaborasi dan pemahaman materi, serta memberikan pengalaman belajar yang
lebih adil dan personal.
Kata kunci— Jigsaw, K-means, clustering, Cooperative Learning, CRISP-DM.