Analisis Mutu Pendidikan Sekolah Menengah Atas Program Ilmu Alam di Jawa Tengah dengan Algoritme K-Means Terorganisir
Article Sidebar
Main Article Content
Abstract
Banyaknya jumlah sekolah menengah atas (SMA) di Jawa Tengah dengan mutu pendidikan yang berbeda-beda menjadi kendala bagi stakeholder dalam mengambil kebijakan. Untuk mengatasinya, dibutuhkan metode dalam menganalisis data sekolahan yang berkaitan dengan mutu pendidikan. Salah satu metode yang dapat digunakan adalah penggerombolan. Pada penelitian ini diterapkan metode penggerombolan dengan algoritme K-means serta kombinasi K-means dan Hirarki pada nilai ujian akhir nasional (UAN) program ilmu alam. Nilai UAN merupakan salah satu komponen penilaian mutu pendidikan. Penentuan banyak gerombol optimal digunakan Bayesian Information Criterion (BIC) dan diperoleh 5 gerombol optimal dengan BIC 221.45. Hasil penggerombolan terbaik berdasarkan nilai Silhouette diperoleh algoritme complete K-means dengan nilai 0.4537, sehingga hasil tersebut digunakan untuk menganalisis mutu pendidikan di Jawa Tengah. Berdasarkan hasil penggerombolan, diperoleh kesimpulan bahwa sekolah yang unggul banyak terdapat di kota Semarang dengan proporsi 12.76% dari seluruh sekolah unggul pada 35 wilayah di Jawa Tengah. Sedangkan sekolah terbanyak pada peringkat terendah di Boyolali dengan proporsi 9.03% dari seluruh sekolah peringkat terakhir pada 35 wilayah di Jawa Tengah. Lima wilayah yang perbedaan mutunya tidak merata ialah Banjarnegara, Demak, Kab. Pekalongan, Batang, dan Purwodadi. Sedangkan lima wilayah yang perbedaan mutunya paling merata adalah Wonosobo, Tegal, Semarang, dan Magelang.
Article Details
Copyright Notice
Authors who publish with Journal of Informatics, Information System, Software Engineering and Applications (INISTA) agree to the following terms:
- Authors retain copyright and grant the journal right of first publication with the work simultaneously licensed under a Creative Commons Attribution License (CC BY-SA 4.0) that allows others to share the work with an acknowledgement of the work's authorship and initial publication in this journal.
- Authors are able to enter into separate, additional contractual arrangements for the non-exclusive distribution of the journal's published version of the work (e.g., post it to an institutional repository or publish it in a book), with an acknowledgement of its initial publication in this journal.
- Authors are permitted and encouraged to post their work online (e.g., in institutional repositories or on their website) prior to and during the submission process, as it can lead to productive exchanges, as well as earlier and greater citation of published work.
References
[2] Pakpahan R., 2012., Model Alternatif Ujian Akhir, Jurnal Pendidikan dan Kebudayaan, 18(2),pp. 121-131.
[3] BNSP, “Prosedur operasi standar ujian nasional sekolah menengah pertama, madrasah tsanawiyahm sekolah menengah pertama luar biasa, sekolah menengah atas, madrasah aliyah, sekolah menengah atas luar biasa, dan sekolah menengah kejuruan tahun pelajaran 2010/2011”, Badan Standar Nasional Pendidikan, Indonesia, (2011).
[4] Sujita, “Analisis biplot untuk memetakan mutu sekolah yang sesuai dengan nilai ujian nasional”, M.SI. Thesis, Dept. Matematika, Institut Pertanian Bogor, (2009).
[5] Kementrian Pendidikan dan Kebudayaan, “Laporan Hasil Ujian Nasional”, Jakarta (ID): Kemendikbud, (2019).
[6] Hassan A.A., Shah W. M., Husein A. M., Talib M. S., Mohammed A. A. J., Iskandar M. F., 2019, Clustering Approach in Wireless Sensor Networks based on K-means: Limitations and Recommendations, IJRTE, 7(65), pp. 119-126.
[7] Oyelade O. J., Oladipupo O. O., Obagbuwa I. C., 2010., Application of K-means Clustering Algorithm for Prediction of Students’ Academic Performance, IJCSIS, 7(1), pp. 292-295.
[8] Ong J. O., 2013., Implementasi Algoritma K-means Clustering untuk Menentukan Strategi Marketing President University, Jurnal Ilmiah Teknik Industri, 12(1), pp. 10-20.
[9] MacQueen J. B.,” Some Methods for Classification of High Dimensional Data Sets with Application to Reference Matching”, in Proceeding of 5th Berkeley Symposium on Mathematical Statistics and Probability, 1967.
[10] Priestley M. B., “Spectral analysis and Time Series”, Academic Press, 1981.
[11] Arai K., Barakbah A. R., 2007., Hierarchical K-Means: An Algorithm For Centroids Initialization For K-Means, Rep. Fac. Sci. Engrg. Saga. Univ. ,36(1), pp. 25-31.
[12] Alfina T. Santosa B. Barakbah A. R., 2012, Analisa perbandingan metode Hierarchical Clustering, k-Means dan Gabungan keduanya dalam Cluster Data (Studi kasus: Problem kerja praktek jurusan teknik industri ITS), Jurnal Teknik ITS, 1, pp. 521-525.
[13] Widiyanti W., “Sentroid awal metode k-Means dengan pendekatan metode berhirarki dalam pengelompokkan provinsi di Indonesia”, Tesis, Departemen Matematika, FMIPA: IPB. 2017.
[14] Rendon E., Abundez I. M. Gutierrez C., Zagal S. D., Arizmendi A. Quiroz E. M., Arzate H. E., “A comparison of internal and external cluster validation indexes,” in Proceeding of the 2011 American Conference on Applied Mathematics and the 5th WSEAS International Conference on Computer Engineering and Applications, 2011.
[15] Rendon E., Abudez I., Arizmendi A., Quiroz E. M., 2011, Internal Versus External Cluster Validation Indexes, International Journal of Computers and Communications, 5(1) 1, pp. 27-34.
[16] Vendramin L., Campello R. J. G. B., Hruschka E. R., “On the comparison of relative clustering validity criteria,” in Proceedings of the 2009 SIAM International Conference on Data Mining, 2009.
[17] Baarsch J., Celebi M. E., “Investigation of Internal Validity Measures for K-means Clustering,” in Proceedings of the IMECS, 2012.
[18] Mamat A. R., Mohamed F. S., Mohamed M. A., Rawi N. M., Awang M. I., 2018, Silhouette Index for Determining Optimal K-means Clustering on Images in Different Color Models, International Journal of Engineering and Technology, 7(2.14),pp. 105-109.