ANALISIS PENGELOMPOKKAN DISTRIBUSI FASILITAS PENDIDIKAN DI INDONESIA DENGAN METODE KLASTERISASI
Article Sidebar
Main Article Content
Abstract
Penelitian ini bertujuan untuk menganalisis sebaran fasilitas pendidikan di seluruh wilayah provinsi di Indonesia pada tahun 2024, mencakup jenjang mulai dari Sekolah Dasar/Madrasah Ibtidaiyah hingga tingkat Perguruan Tinggi. Sumber data berasal dari Sakernas tahun 2024 yang dirilis oleh BPS sebagai sumber data utama. Dalam penelitian ini, digunakan pendekatan statistik deskriptif untuk melihat pola distribusi fasilitas pendidikan, serta memanfaatkan metode K-Means clustering guna membagi provinsi ke dalam kategori berdasarkan tingkat ketersediaan fasilitas tersebut. Hasil evaluasi menggunakan Davies-Bouldin Index mengindikasikan bahwa pemodelan dengan dua klaster memiliki tingkat pemisahan terbaik dengan nilai indeks 0,083, sementara model lima klaster memberikan pembagian wilayah yang lebih rinci dengan skor indek sebesar 0,088. Hasil analisis menunjukkan ketimpangan signifikan dalam akses pendidikan antarprovinsi dan antarjenjang, dengan fasilitas cenderung berkurang pada jenjang pendidikan yang lebih tinggi. Provinsi di Pulau Jawa menunjukkan dominasi dalam jumlah fasilitas, sedangkan provinsi di Indonesia bagian timur masih menghadapi kekurangan. Penelitian ini memberikan dasar bagi perumusan kebijakan pemerataan pendidikan di Indonesia.
Article Details
This work is licensed under a Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.
References
Badan Pusat Statistik, “Jumlah desa/kelurahan yang memiliki fasilitas sekolah menurut provinsi dan tingkat pendidikan,” 2024, [Online]. Available: https://www.bps.go.id/id/statistics-table/3/ZURVeVVGRIIjVWRMV25JeVEwVkRWa29yWldsR1p6MDkjMyMwMDAw/jumlah-desa-sup-1--sup--kelurahan-yang-memiliki-fasilitas-sekolah-menurut-provinsi-dan-tingkat-pendidikan.html
M. Risnasari, Nabila Aulia, and Laili Cahyani, “Clustering Of Student Learning Styles in the industri 4.0 Using KMeans Algorithm,” JTP - J. Teknol. Pendidik., vol. 24, no. 2, pp. 246–257, 2022, doi: 10.21009/jtp.v24i2.28029.
K. Setiawan and Y. Y. A. Saputry, “Clustering Data Calon Siswa Baru Menggunakan Metode K-Means di Pusat Pengembangan Anak Fajar Baru Cengkareng,” J. JTIK (Jurnal Teknol. Inf. dan Komunikasi), vol. 8, no. 1, pp. 75–83, 2024, doi: 10.35870/jtik.v8i1.1426.
A. Yudistira and R. Andika, “Pengelompokan Data Nilai Siswa Menggunakan Metode K-Means Clustering,” J. Artif. Intell. Technol. Inf., vol. 1, no. 1, pp. 20–28, 2023, doi: 10.58602/jaiti.v1i1.22.
Nurfajriyani, Dentina Dewi Amaliana, and Sri Pingit Wulandari, “Pengelompokan Provinsi berdasarkan Aspek Pembangunan Pendidikan di Indonesia Tahun 2023 menggunakan Analisis Cluster,” Pentagon J. Mat. dan Ilmu Pengetah. Alam, vol. 2, no. 4, pp. 134–153, 2024, doi: 10.62383/pentagon.v2i4.309.
N. Lenama, M. A. Kleden, and I. G. Pasangka, “K-Means Clustering Analysis pada Pengelompokan Kabupaten/Kota di Provinsi Nusa Tenggara Timur Berdasarkan Indikator Pendidikan,” J. Cakrawala Ilm., vol. 2, no. 9, p. 3365, 2023, doi: 10.53625/jcijurnalcakrawalailmiah.v2i9.5653.
S. J. Sultan Alalawi, I. N. Mohd Shaharanee, and J. Mohd Jamil, “Clustering Student Performance Data Using K-Means Algorithms,” J. Comput. Innov. Anal., vol. 2, no. 1, pp. 41–55, 2023, doi: 10.32890/jcia2023.2.1.3.
M. R. Sholihin and Rudiman, “Pemetaan dan klasterisasi sekolah Muhammadiyah di Kabupaten PPU berdasarkan fasilitas, pendidik, dan tenaga pendidik menggunakan metode K-Means clustering,” Explor. IT J. Keilmuan dan Apl. Tek. Inform., vol. 14, no. 2, pp. 45–51, 2022.
A. J. M. S. Arockiam and E. S. Irudhayaraj, “Reclust: an efficient clustering algorithm for mixed data based on reclustering and cluster validation,” Indones. J. Electr. Eng. Comput. Sci, vol. 29, no. 1, pp. 545–552, 2023, doi: 10.11591/ijeecs.v29.i1.pp545-552.
Y. D. Putra, M. Sudarma, and I. B. Swamardika, “Clustering History Data Penjualan Menggunakan Algoritma K-Means,” Maj. Ilm. Teknol. Elektro, vol. 20, no. 2, p. 195, 2021, doi: 10.24843/mite.2021.v20i02.p03.
I. Fahmiyah and R. A. Ningrum, “Human Development Clustering in Indonesia: Using K-Means Method and Based on Human Development Index Categories,” J. Adv. Technol. Multidiscip., vol. 2, no. 1, pp. 27–33, 2023, doi: 10.20473/jatm.v2i1.45070.
Springer, “KMeans algorithm with RapidMiner in clustering school participation rate in Indonesia,” Data Min. Appl., pp. 70–85, 2021, doi: doi.org/10.1007/978-981-33-4597-3_70.
Y. A. Wijaya, D. A. Kurniady, E. Setyanto, W. S. Tarihoran, D. Rusmana, and R. Rahim, “Davies Bouldin Index Algorithm for Optimizing Clustering Case Studies Mapping School Facilities,” TEM J., vol. 10, no. 3, pp. 1099–1103, 2021, doi: 10.18421/TEM103-13.
M. Jelita, “Analisis Clustering Menggunakan Metode K-Means untuk Mengelompokkan Kabupaten/Kota di Indonesia berdasarkan UnsurUnsur Pembangun Literasi Masyarakat (UPLM),” Semin. Nas. Off. Stat., vol. 2024, no. 1, pp. 701–710, 2024, doi: 10.34123/semnasoffstat.v2024i1.2188.
J. Novaldi and A. W. Wijayanto, “Analisis Cluster Kualitas Pemuda di Indonesia pada Tahun 2022 dengan Agglomerative Hierarchical dan K-Means,” Komputika J. Sist. Komput., vol. 12, no. 2, pp. 91–99, 2023, doi: 10.34010/komputika.v12i2.10348.