Data Mining Untuk Klasterisasi Provinsi Di Indonesia Berdasarkan Data Pokok Pendidikan Nasional
DOI:
https://doi.org/10.70309/ticom.v11i3.115Keywords:
Data Mining, Pendidikan, Algoritma Clustering, K-MeansAbstract
Tidak semua wilayah memiliki pemerataan dalam pendidikannya, oleh karena itu diperlukan adanya perhatian khusus oleh pemerintah terhadap wilayah yang dinilai kurang dalam pemerataan pendidikannya. Pengelompokkan serta penggolangan tingkatan Pendidikan suatu wilayah akan mempermudah pemerintah dalam pertimbangan wilayah mana saja yang memerlukan atensi lebih dalam penyelenggaraan Pendidikan. Dengan adanya pengelompokan tersebut akan dapan dilihat wilayah mana saja yang jumlah pendidikannya terbilang rendah atau tinggi pada suatu wilayah. Data yang diperoleh dengan kurun waktu semester Genap 2021- 2022. Pada penelitian ini Teknik dari data mining untuk klasterisasi Provinsi Di Indonesia yaitu dengan menggunakanalgoritma K-Means. Data dari penelitian ini bersumber dari website dataset dapo.kemendikbud.go.id. Dataset terdiri dari 34 provinsi data. Yang terdiri dari total sekolah, total guru, total peserta didik, dan total tendik pada kategori SD, SMP, SMA, dan SMK. Data yang telah dikumpulkan akan diolah dengan melakukan clustering dalam 2 cluster yaitu Cluster 0 (Tingkat Pendidikan Tinggi) terdapat 3 provinsi di Indonesia yang berada pada wilayah Indonesia Bagian Barat dan Pada Cluster 1 (Tingkat Pendidikan Rendah)terdapat 31 Provinsi. Hasil yang diperoleh dapat menjadi masukkan bagi pemerintah dan dinas sosial dalam menganalisa provinsi menurut tingkat pendidikan.
References
R. Kurniawan, M. M. M. Mukarrobin, and M. Mahradianur, “Klasterisasi Tingkat Pendidikan Di Dki Jakarta Pada Tingkat Kecamatan Menggunakan Algoritma K-Means,” Technol. J. Ilm., vol. 12, no. 4, p. 234, 2021, doi: 10.31602/tji.v12i4.5633.
A. B. Subandoro, “Perkembangan Pendidikan di Indonesia,” Kompas, 2019. https://www.kompasiana.com/aswinbimos13/54f983bfa33311f1068b52ba/perkembangan-pendidikan-indonesia
P. I. Sari, “Peran Pendidik dalam Implementasi Media Pembelajaran Terhadap Peserta Didik Generasi 4.0,” Pros. Semin. Nas. Pendidik. FKIP, vol. 2, no. 1, pp. 508–517, 2019.
N. Nurahman, A. Purwanto, and S. Mulyanto, “Klasterisasi Sekolah Menggunakan Algoritma K-Means berdasarkan Fasilitas, Pendidik, dan Tenaga Pendidik,” MATRIK J. Manajemen, Tek. Inform. dan Rekayasa Komput., vol. 21, no. 2, pp. 337–350, Mar. 2022, doi: 10.30812/matrik.v21i2.1411.
E. Y. T. P. Dewi and I. Kamila, “Pengelompokan Wilayah Berdasarkan Faktor Pendukung Pendidikan Dengan Jumlah Sekolah Dan Jumlah Guru Menggunakan Algoritma K-Means,” Interval J. Ilm. Mat., vol. 2, no. 1, pp. 1–12, 2022, doi: 10.33751/interval.v2i1.5161.
M. A. Amri, A. P. Windarto, A. Wanto, and I. S. Damanik, “Analisis Metode K-Means Pada Pengelompokan Perguruan Tinggi Menurut Provinsi Berdasarkan Fasilitas Yang Dimiliki Desa,” KOMIK (Konferensi Nas. Teknol. Inf. dan Komputer), vol. 3, no. 1, pp. 674–679, 2019, doi: 10.30865/komik.v3i1.1677.
M. R. Sholihin and Rudiman, “Pemetaan Sekolah Muhammadiyah di Kabupaten PPU Berdasarkan Fasilitas , Pendidik dan Tenaga Pendidik Menggunakan Metode K-Means Clustering,” J. Keilmuan dan Apl. Tek. Inform., vol. 5, no. 36, pp. 1–7, 2022, [Online]. Available: https://jurnal.yudharta.ac.id/v2/index.php/EXPLORE-IT/article/view/2938/2125
D. A. Alodia, A. P. Fialine, D. Endriani, and E. Widodo, “Implementasi Metode K-Medoids Clustering untuk Pengelompokan Provinsi di Indonesia Berdasarkan Indikator Pendidikan,” Sepren, vol. 2, no. 2, pp. 1–13, 2021, doi: 10.36655/sepren.v2i2.606.
P. Meilina, “Penerapan Data Mining dengan Metode Klasifikasi Menggunakan Decision Tree dan Regresi,” J. Teknol. Univ. Muhammadiyah Jakarta, vol. 7, no. 1, pp. 11–20, 2015, [Online]. Available: jurnal.ftumj.ac.id/index.php/jurtek
Y. A. Wijaya et al., “K-MEANS Di Sekolah Menengah Kejuruan Wahidin Kota Cirebon,” vol. 6, no. 2, pp. 552–559, 2022.
Y. Suhanda, I. Kurniati, and S. Norma, “Penerapan Metode Crisp-DM Dengan Algoritma K-Means Clustering Untuk Segmentasi Mahasiswa Berdasarkan Kualitas Akademik,” J. Teknol. Inform. dan Komput., vol. 6, no. 2, pp. 12–20, 2020, doi: 10.37012/jtik.v6i2.299.
I. Kamila, U. Khairunnisa, and M. Mustakim, “Perbandingan Algoritma K-Means dan K-Medoids untuk Pengelompokan Data Transaksi Bongkar Muat di Provinsi Riau,” J. Ilm. Rekayasa dan Manaj. Sist. Inf., vol. 5, no. 1, p. 119, 2019, doi: 10.24014/rmsi.v5i1.7381.
A. A. Hussein, “Improve The Performance of K-means by using Genetic Algorithm for Classification Heart Attack,” Int. J. Electr. Comput. Eng., vol. 8, no. 2, p. 1256, 2018, doi: 10.11591/ijece.v8i2.pp1256-1261.
R. K. Dinata, H. Novriando, N. Hasdyna, and S. Retno, “Reduksi Atribut Menggunakan Information Gain,” vol. 6, no. 1, pp. 48–53, 2020.
