Data mining merupakan istilah yang digunakan untuk menemukan pengetahuan yang tersembunyi dalam sebuah database. Ada enam fungsi utama data mining yaitu deskripsi, estimasi, prediksi, klasifikasi, klastering, dan asosiasi. Learning Vektor Quantizations (LVQ) adalah sebuah metode klasifikasi dimana setiap unit output mempresentasikan sebuah kelas. LVQ digunakan untuk pengelompokkan dimana jumlah kelompok sudah ditentukan arsitekturnya (target/kelas sudah ditentukan). Kelebihan dari algoritma ini adalah nilai error yang lebih kecil dibandingkan dengan jaringan syaraf tiruan seperti backpropagation, dapat meringkas data set yang besar menjadi vector codebook berukuran kecil untuk klasifikasi, dan model yang dihasilkan dapat diperbaharui secara bertahap. Kelemahan dari metode ini adalah sangat bergantung atau sensitif terhadap pemilihan vektor acuan (reference vector) yang juga digunakan sebagai bobot awal jaringan dalam proses pelatihan LVQ. Alternatif lain untuk penentuan vektor acuan adalah dengan meng-cluster data pelatihan terlebih dahulu dengan K-Means, kemudian centroid dari masing-masing cluster digunakan sebagai vektor acuan dalam LVQ. K-Means merupakan metode klasterisasi yang paling terkenal dan banyak digunakan di berbagai bidang karena sederhana, mudah diimplementasikan, memiliki kemampuan untuk mengklaster data yang besar, mampu menangani data outlier, dan kompleksitas waktunya linier. Oleh karena itu pada penilitian ini akan dilakukan klasifikasi penentuan jurusan siswa SMA dengan algoritma LVQ (Learning Vector Quantization) melalui pendekatan K-means sebagai inisialisasi bobot awal. Metode K-Means digunakan untuk mencari nilai center yang akan digunakan sebagai nilai bobot pada proses algoritma LVQ. Berdasarkan hasil penelitian nilai keakuratan terhadap data training adalah 76.4331% dan nilai keakuratan terhadap data testing adalah 89.7143%.