Segmentasi Wilayah Berdasarkan Komposisi Tenaga Pendidik Menggunakan Algoritma K-Means (Studi Kasus: Data Kemendikdasmen SD-MI di Indonesia Tahun 2022 - 2024)
Keywords:
Segmentasi Wilayah, Kmeans Clustering, Tenaga Pendidik, Pendidikan DasarAbstract
Penelitian ini bertujuan untuk melakukan Segmentasi Wilayah yang ada di Indonesia berdasarkan komposisi tenaga pendidik pada jenjang pendidikan dasar (SD-MI) menggunakan Algoritma K-Means. Permasalahan pemerataan Tenaga Pendidik masih menjadi isu yang sangat penting, baik dari sisi jumlah maupun karakteristik guru antarwilayah. Data yang digunakan dalam penelitian ini bersumber dari Kementerian Pendidikan Dasar dan Menegah (Kemendikdasmen) periode tahun 2022 sampai dengan 2024, yang mencakup Provinsi, Jumlah PNS, Bukan PNS dan Total Guru. Metode K-Means diterapkan untuk mengelompokkan wilayah ke dalam beberapa klaster yang memiliki kemiripan karakteristik tenaga pendidik. Hasil Pengelompokan menunjukan adanya perbedaan yang cukup signifikan antarwilayah, terutama antara daerah perkotaan besar dengan daerah terpencil atau kota kecil. Temuan ini sangat diharapkan dapat memberikan gambaran yang lebih jelas mengenai kondisi distribusi Tenaga Pendidik di Indonesia serta menjadi bahan pertimbangan bagi para pengambil kebijakan dalam merumuskan strategi pemerataan dan peningkatan kualitas pendidikan dasar secara berkelanjutan
References
[1] PMPK KEMDIKBUD. (2020). Direktorat Pendidikan Masyarakat dan Pendidikan Khusus, Kementerian Pendidikan, Kebudayaan, Riset, dan Teknologi, Republik Indonesia. Retrieved November 26, 2022, from https://pmpk.kemdikbud.go.id/
[2] 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, 2022, doi: 10.30812/matrik.v21i2.1411.
[3] R. T. Handayanto and H. Herlawati, “Prediksi Kelas Jamak dengan Deep Learning Berbasis Graphics Processing Units,” Jurnal Kajian Ilmiah, vol. 20, no.
1, pp. 67–76, Jan. 2020, doi: 10.31599/jki.v20i1.71.
[4] F. M. Götz, R. Maertens, S. Loomba, and S. van der Linden, “Let the algorithm speak: How to use neural networksfor automatic item generation in psychological scale development.,” Psychol. Methods, 2023.
[5] M. L. Hilton, J. M. Goessling, L. M. Knezevich, and J. M. Downer, “Utility of machine learning for segmenting camera trap time‐lapse recordings,” Wildl. Soc. Bull., vol. 46, no. 4, p. e1342, 2022.
[6] J. Sumarah and A. T. Wulandari, “Pemanfaatan Algoritma K-Means untuk Pengelompokkan Angka Partisipasi Sekolah di Jawa Tengah,” J. Media Inform. Budidarma, vol. 5, no. 4, p. 1507, 2021, doi: 10.30865/mib.v5i4.3277.
[7] J. Ha, M. Kambe, and J. Pe, Data Mining: Concepts and Techniques. 2011. doi: 10.1016/C2009-0-61819-5.
[8] F. Simanjorang, R. Winanjaya, and F. Rizki, “Penerapan Algoritma K-Means Dalam Pengelompokan Rasio Angka Partisipasi Kasar di Tingkat Pendidikan Perguruan Tinggi Menurut Provinsi,” TIN Terap. Inform. Nusant., vol. 2, no. 7, pp. 454–459, 2021, [Online]. Available: http://ejurnal.seminar id.com/index.php/tin/article/view/997
Downloads
Published
How to Cite
Issue
Section
License
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.
