ANALISIS K-MEANS DENGAN RAPIDMINER UNTUK KLASIFIKASI KUALITAS PENDIDIKAN SEKOLAH DASAR DI INDONESIA
DOI:
https://doi.org/10.31849/a0hhsc57Keywords:
Pendidikan Dasar, Knowledge Discovery in Database, K-Means Clustering, Kualitas Pendidikan, Davies-Bouldin IndexAbstract
Penelitian ini menerapkan metode K-Means Clustering untuk mengelompokkan 38 provinsi di Indonesia berdasarkan kualitas pendidikan dasar. Tujuan penelitian ini adalah mengidentifikasi pola distribusi pendidikan dengan mempertimbangkan faktor tenaga pendidik, angka putus sekolah, kondisi infrastruktur sekolah, serta tingkat kesejahteraan guru. Dataset yang digunakan berasal dari Kaggle SD tahun 2023-2024 dan data Upah Minimum Provinsi (UMP) tahun 2024, kemudian dianalisis melalui tahapan Knowledge Discovery in Database (KDD) menggunakan RapidMiner. Hasil klasterisasi menghasilkan tiga kelompok provinsi dengan karakteristik berbeda: Klaster 0 dengan jumlah sekolah dan siswa tinggi serta angka putus sekolah sedang; Klaster 1 dengan tenaga pendidik dan ruang kelas terbanyak serta angka putus sekolah terendah; dan Klaster 2 dengan angka putus sekolah tertinggi meskipun UMP tertinggi. Evaluasi kualitas klasterisasi menggunakan Davies-Bouldin Index (DBI = 0,162) menunjukkan hasil yang baik. Berdasarkan analisis magnitudo vektor Euclidean, faktor dominan dalam pembentukan klaster adalah Kepala Sekolah dan Guru (1,376), Putus Sekolah (1,368), Ruang Kelas (baik) (1,324), Sekolah (1,312), Siswa (1,286), dan UMP (1,214). Penelitian ini menyimpulkan bahwa faktor tenaga pendidik dan kondisi infrastruktur memiliki dampak lebih besar terhadap kualitas pendidikan dasar dibandingkan faktor ekonomi.
References
Muliastrini, N. K. E. (2020). New Literacy sebagai upaya peningkatan mutu pendidikan sekolah dasar di abad 21. PENDASI: Jurnal Pendidikan Dasar Indonesia, 4(1), 115-124.
P. B. Pastika, Dataset pendidikan SD Indonesia 2023–2024, Kaggle, 2023. [Online]. Available: https://www.kaggle.com/datasets/puanbeningpastika/dataset-pendidikan-sd-indonesia-2023-2024/data
Toyamah, N., dan Usman, S. (2004). Alokasi Anggaran Pendidikan di Era Otonomi Daerah: Implikasinya terhadap Pengelolaan Pelayanan Pendidikan Dasar. Jakarta: Laporan Lapangan SMERU. Lembaga Penelitian SMERU
Basrowi, & Juariyah, S. (2010). Analisis Kondisi Sosial Ekonomi dan Tingkat Pendidikan Masyarakat Desa Srigading, Kecamatan Labuhan Maringgai, Kabupaten Lampung Timur. Jurnal Ekonomi & Pendidikan, 7(1), 58-79.
Robbani, K. R., & Fatah, Z. (2024).Clusterisasi Pendidikan SD untuk Mengetahui Daerah dengan Pendidikan Terendah Menggunakan Algoritma K-Means. Jurnal Ilmiah Multidisiplin Ilmu, 1(5), 74-80.
Hendrastuty, N. (2024). Penerapan Data Mining Menggunakan Algoritma K-Means Clustering dalam Evaluasi Hasil Pembelajaran Siswa. Jurnal Ilmiah Informatika dan Ilmu Komputer (JIMA-ILKOM), 3(1), 46-56.
Hidayat, R. (2022). Analisis Klasifikasi Sekolah Berdasarkan Faktor Akademik Menggunakan Algoritma Clustering. Jurnal Teknologi dan Sistem Informasi, 5(2), 112-121.
Alodia, D. A., et al. (2021). Implementasi Metode K-Medoids Clustering untuk Pengelompokan Provinsi di Indonesia Berdasarkan Indikator Pendidikan. SEPREN: Journal of Mathematics Education and Applied, 2(2), 1-13.
Idris, M., Adam, R. I., Brianorman, Y., Munir, R., & Mahayana, D. (2022). Kebenaran dalam perspektif filsafat ilmu pengetahuan dan implementasi dalam Data Science dan Machine Learning. Jurnal Filsafat Indonesia, 5(2).
Amna, W.,et al. (2023). Data mining: Teknik eksplorasi data untuk menemukan pola dan hubungan dalam kumpulan data besar. PT Global Eksekutif Teknologi.
Jalil, A., et al. (2024). Implementasi algoritma Support Vector Machine untuk klasifikasi status stunting pada balita. G-Tech: Jurnal Teknologi Terapan, 8(3), 2070-2079 .
Pattipeilohy, R. L., & Pakereng, M. A. I. (2023). Penerapan K-Means Clustering pada Data Mahasiswa Fakultas Interdisiplin Program Studi D4 Destinasi Pariwisata untuk Menentukan Strategi Promosi. Jurnal Sains Komputer & Informatika (J-SAKTI), 7(1), 320-331.
Siregar, A. H., et al. (2024). Implementasi Algoritma K-Means Menggunakan RapidMiner untuk Clusterisasi Data Obat pada Rumah Sakit Royal Prima. Jurnal Teknologi dan Ilmu Komputer Prima (JUTIKOMP), 7(2), 200-210.
Nurahman, Purwanto, A., & Mulyanto, S. (2022). Klasterisasi sekolah menggunakan algoritma K-Means berdasarkan fasilitas, pendidik, dan tenaga pendidik. Matrik: Jurnal Manajemen, Teknik Informatika, dan Rekayasa Komputer, 21(2), 337-350. https://doi.org/10.30812/matrik.v21i2.1411
Lenda, Julita Veronika., Magdalena A. Ineke Pakereng. (2024). Analisis Tingkat Pengangguran Di Kota Palopo Menggunakan Metode K-Means. ZONAsi Jurnal Sistem Informasi, 6(2), 400-409.
Wibowo, A., et al. (2021). Penentuan Cluster Koridor TransJakarta dengan Metode Majority Voting pada Algoritma Data Mining. Jurnal RESTI (Rekayasa Sistem Dan Teknologi Informasi), 5(3), 565-575.
Ikotun, A. M., et al. (2023). K-means clustering algorithms: A comprehensive review, variants analysis, and advances in the era of big data. Information Sciences, 622, 178-210.
Sa'diah, H., et al. (2023). Penerapan Algoritme K-Means Dalam Segmentasi Daerah Rawan Kekerasan Anak Di Jawa Barat. JATI (Jurnal Mahasiswa Teknik Informatika), 7(2), 1351-1357.
Carudin, C., Marisa, M., Murnawan, M., Reba, F., Koibur, M. E., Thantawi, A. M., & Wattimena, F. Y. (2024). Buku Ajar Data Mining. PT. Sonpedia Publishing Indonesia.
D. L. Davies and D. W. Bouldin, "A cluster separation measure," IEEE Transactions on Pattern Analysis and Machine Intelligence, vol. PAMI-1, no. 2, pp. 224-227, 1979, doi: 10.1109/TPAMI.1979.4766
Downloads
Published
Issue
Section
License
Copyright (c) 2025 ZONAsi: Jurnal Sistem Informasi
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.
CC BY-SA 4.0
Attribution-ShareAlike 4.0
You are free to:
- Share — copy and redistribute the material in any medium or format for any purpose, even commercially.
- Adapt — remix, transform, and build upon the material for any purpose, even commercially.
- The licensor cannot revoke these freedoms as long as you follow the license terms.
Under the following terms:
- Attribution — You must give appropriate credit , provide a link to the license, and indicate if changes were made . You may do so in any reasonable manner, but not in any way that suggests the licensor endorses you or your use.
- ShareAlike — If you remix, transform, or build upon the material, you must distribute your contributions under the same license as the original.
- No additional restrictions — You may not apply legal terms or technological measures that legally restrict others from doing anything the license permits.
Notices:
You do not have to comply with the license for elements of the material in the public domain or where your use is permitted by an applicable exception or limitation .
No warranties are given. The license may not give you all of the permissions necessary for your intended use. For example, other rights such as publicity, privacy, or moral rights may limit how you use the material.
