Implementasi Fuzzy C-Means dalam Pengelompokan Provinsi di Indonesia untuk Pemerataan Kualitas Pendidikan
DOI:
https://doi.org/10.21831/pspmm.v8i2.310Keywords:
Pandemi, Kualitas Pendidikan, Pengelompokan, Fuzzy C-MeansAbstract
Pendidikan berperan penting dalam membangun sumber daya manusia yang unggul dan berdaya saing. Namun, adanya pandemi COVID-19 telah menyebabkan hilangnya pembelajaran (learning loss) di kalangan peserta didik dan tenaga pendidik sehingga perlu dilakukan berbagai upaya pemulihan terkait hal tersebut. Selain itu, upaya pemulihan juga dilakukan untuk mendukung terlaksananya pendidikan berkualitas yang menjadi target dalam Sustainable Development Goals (SDGs) poin ke-empat. Namun, upaya tersebut juga perlu memperhatikan tingkat kualitas pendidikan di Indonesia yang berbeda-beda di setiap provinsinya. Oleh karena itu, diperlukan suatu pengelompokan atau klasterisasi provinsi di Indonesia berdasarkan indikator kualitas pendidikan untuk mempermudah pemerintah dalam upaya pemerataan kualitas pendidikan. Salah satu algoritma pengelompokan yang dapat digunakan adalah Fuzzy C-Means. Fuzzy C-Means merupakan suatu teknik pengelompokan data dimana keberadaan tiap titik data dalam suatu kelompok ditentukan oleh derajat keanggotaan. Data yang digunakan berasal dari publikasi Statistik Pendidikan 2022 oleh Badan Pusat Statistik. Adapun objek yang digunakan adalah 34 provinsi di Indonesia dengan 24 variabel yang merepresentasikan indikator kualitas pendidikan. Pada penelitian ini, dilakukan pengelompokan dengan skenario sebanyak 2 sampai dengan 5 cluster dan diperoleh cluster yang optimal yaitu 2 cluster. Validasi cluster optimal ini menggunakan indeks validitas yaitu PC, PE, dan MPC. Berdasarkan hasil penelitian, cluster pertama terdapat 12 provinsi yang dapat digolongkan sebagai kelompok provinsi dengan kualitas pendidikan rendah, sementara cluster kedua terdapat 22 provinsi yang dapat digolongkan sebagai kelompok provinsi dengan kualitas pendidikan tinggi.References
B. P. Statistik, “Statistik Pendidikan 2022,” Badan Pus. Stat., 2022.
H. S. Karti, “Pengelompokan Kabupaten / Kota di Provinsi SMA / SMK / MA dengan Metode C-Means dan Fuzzy C-Means,” vol. 2, no. 2, 2013.
A. K. Muchsin and M. Sudarma, “Penerapan Fuzzy C-Means Untuk Penentuan Besar Uang Kuliah Tunggal Mahasiswa Baru,” Lontar Komput. J. Ilm. Teknol. Inf., vol. 6, no. 3, p. 175, 2015, doi: 10.24843/lkjiti.2015.v06.i03.p04.
E. T. Luthfi, “Fuzzy C-Means Untuk Clustering Data ( Studi Kasus : Data Performance Mengajar Dosen ),” vol. 2007, no. November, pp. 1–7, 2007.
N. Nidyashofa and D. Istiawan, “Penerapan Algoritma Fuzzy C-Means untuk Pengelompokan Kabupaten / Kota di Jawa Tengah Berdasarkan Status Kesejahteraan Tahun 2015,” 6th Univ. Res. Colloq., no. September, pp. 23–30, 2017.
N. Yuliani, M. Fadli, and W. Nengsih, “Pengelompokkan Angka Partisipasi Pendidikan Wajib Belajar Se-Indonesia Menggunakan Metode Fuzzy C-Means,” J. Aksara Komput. Terap., vol. 3, no. 2, 2014.
S. A. Alasadi and W. S. Bhaya, “Review of data preprocessing techniques in data mining,” J. Eng. Appl. Sci., vol. 12, no. 16, pp. 4102–4107, 2017, doi: 10.3923/jeasci.2017.4102.4107.
A. Ambarwari, Q. Jafar Adrian, and Y. Herdiyeni, “Analysis of the Effect of Data Scaling on the Performance of the Machine Learning Algorithm for Plant Identification,” J. RESTI (Rekayasa Sist. dan Teknol. Informasi), vol. 4, no. 1, pp. 117–122, 2020, doi: 10.29207/resti.v4i1.1517.
D. L. Rahakbauw, V. Y. I. Ilwaru, and M. H. Hahury, “Implementasi Fuzzy C-Means Clustering Dalam Implementation Of Fuzzy C-Means Clustering In,” J. Ilmu Mat. dan Terap., vol. 11, pp. 1–12, 2017.
C. L. Simbolon, N. Kusumastuti, and B. Irawan, “Clustering lulusan mahasiswa matematika fmipa untan pontianak menggunakan algoritma fuzzy c - means,” Bul. Ilm. Mat. Stat. Dan Ter., vol. 02, no. 1, pp. 21–26, 2013.
J. C. Bezdek, Pattern recognition with fuzzy objective function algorithms. Springer Science & Business Media, 2013.
K. L. Wu and M. S. Yang, “A cluster validity index for fuzzy clustering,” Pattern Recognit. Lett., vol. 26, no. 9, pp. 1275–1291, 2005, doi: 10.1016/j.patrec.2004.11.022.
