K-Means Clustering untuk Klasifikasi Standar Kualifikasi Pendidikan dan Pengalaman Kerja Guru SMK di Indonesia
DOI:
https://doi.org/10.21831/dinamika.v7i2.53848Keywords:
kualifikasi guru, pengalaman guru, kualitas pendidikan, K-means, clustering, kejuruanAbstract
Pemetaan SDM guru menjadi hal yang fundamental untuk mengarah pada upaya peningkatan kualitas pendidikan di Indonesia. Penelitian ini bertujuan untuk mengklasifikasikan provinsi-provinsi di Indonesia dalam hal peningkatan kualitas guru SMK berdasarkan standar kualifikasi dan pengalaman kerja. Pendekatan kuantitatif dengan analisis kluster K-means dengan dua parameter digunakan untuk mengklasifikasikan provinsi-provinsi di Indonesia menjadi tiga kluster utama. K-means clustering umum digunakan untuk mengelompokkan satu set objek berdasarkan karakteristik kesamaan dengan jumlah data yang besar dan waktu komputasi yang cepat. Parameter yang digunakan adalah jumlah kepala sekolah dan guru SMK dengan pendidikan di bawah S1, dan jumlah kepala sekolah dan guru SMK dengan pengalaman kerja kurang atau sama dengan 4 tahun. Data berasal dari kementerian pendidikan dan kebudayaan. R software digunakan untuk membantu menganalisis. Pembentukan klister-kluster berbasis pada kemiripan karakteristik masing- masing provinsi. Hasil penelitian ini menunjukkan bahwa Kluster 1 dengan 8 provinsi, Kluster 2 terdiri dari 19 provinsi, dan Kluster 3 terdiri dari 7 provinsi. Kluster 2 didapati sebagai cluster terbaik. Selanjutnya, 55,89% provinsi memenuhi syarat untuk menjadi model percontohan dalam hal pengelolaan SDM berkualitas di Indonesia. Peningkatan kesempatan dan fasilitasi studi lanjut serta pengadaan program magang guru untuk meningkatkan pengalaman sangat dibutuhkan guna mendukung kualitas pendidikan yang lebih baik.References
Ananda, R. (2019). Analisis mutu pendidikan sekolah menengah atas program ilmu alam di Jawa Tengah dengan algoritme K- means terorganisir. Journal of Informatics, Information System, Software Engineering and Applications (INISTA), 2(1), 65–72. https://doi.org/10.20895/inista.v2i1.97
Aoyama, I., Barnard-Brak, L., & Talbert, T. L. (2011). Cyberbullying among high school students: Cluster analysis of sex and age differences and the level of parental monitoring. International Journal of Cyber Behavior, Psychology and Learning (IJCBPL), 1(1), 25–35. https://doi.org/10.4018/ijcbpl.2011010103
Butarbutar, N., Windarto, A. P., Hartama, D., & Solikhun, S. (2017). Komparasi kinerja algoritma fuzzy c-means dan k-means dalam pengelompokan data siswa berdasarkan prestasi nilai akademik siswa. Jurasik (Jurnal Riset Sistem Informasi Dan Teknik Informatika), 1(1), 46. https://doi.org/10.30645/jurasik.v1i1.8
Chabrol, H., Melioli, T., Van Leeuwen, N., Rodgers, R., & Goutaudier, N. (2015). The Dark Tetrad: Identifying personality profiles in high-school students. Personality and Individual Differences, 83, 97–101. https://doi.org/10.1016/j.paid.2015.03.051
D. Ivie, Stanley. 2001. International Journal of Science Education. Experienced Teachers Insist that Effective Teaching is Primarily a Science, Vol. 121, No. 3, pp. 520-534. Texas: Educational Leadership Texas Woman's University Denton.
Desmet, A., Aelterman, N., Bastiaensens, S., Van Cleemput, K., Poels, K., Vandebosch, H., Cardon, G., & De Bourdeaudhuij, I. (2015). Secondary school educators' perceptions and practices in handling cyberbullying among adolescents: A cluster analysis. Computers and Education, 88, 192–201. https://doi.org/10.1016/j.compedu.2015.0 5.006
Diaz, M. J Martin. International Journal of Science Education: Educational Background, Teaching Experience and Teacher's Views on the Inclusion of Nature of Science in the Science Curriculum, Vol. 28, No. 10, 18 August 2006, pp. 1161–1180. Spain: Institute of Secondary Education Jorge Manrique.
Everitt, B., & Hothorn, T. (2011). An introduction to applied multivariate analysis with R. Springer Science & Business Media.
Budiman, A. (2014, November 13). Menyiapkan Guru Profesional di SMK Teknik Kendaraan Ringan (TKR). Prosiding Konvensi Nasional Asosiasi Pendidikan Teknologi Dan Kejuruan (APTEKINDO) Ke-7.
Fadhli & Subanar, (2011). Analisis kluster untuk pemetaan mutu pendidikan di Aceh. [Yogyakarta]: Universitas Gadjah Mada
Härdle, W. K., & Simar, L. (2012). Applied multivariate statistical analysis. In Applied Multivariate Statistical Analysis. https://doi.org/10.1007/978-3-642-17229- 8
Kemdikbud. (2019). Neraca Pendidikan Daerah. https://npd.kemdikbud.go.id/
Kemdikbud. (2019). Sertifikasi Guru https://jendela.data.kemdikbud.go.id/
Kemdikbud. (2021). Statistik Pendidikan. https://statistik.data.kemdikbud.go.id/index.php/page/smk
Natural Science: Journal of Science and Technology, 8(3), 191–197. https://doi.org/10.22487/25411969.2019.v 8.i3.14960
Ng, B. L. L., Liu, W. C., & Wang, J. C. K. (2016). Student motivation and learning in mathematics and science: A cluster analysis. International Journal of Science and Mathematics Education, 14(7), 1359–1376. https://doi.org/10.1007/s10763-015-9654-1
Nugraha, G. S., & Hairani, H. (2018). Aplikasi pemetaan kualitas pendidikan di Indonesia menggunakan metode k-means. Jurnal MATRIK, 17(2), 13–23. https://doi.org/10.30812/matrik.v17i2.84
Oktavianty, E., Junaidi, & Handayani, L. (2019). Pengelompokkan kabupaten/kota di Sulawesi berdasarkan indikator pendidikan menggunakan analisis kluster average linkage dan median linkage.
Papi, M., & Teimouri, Y. (2014). Language learner motivational types: A cluster analysis study. Language Learning, 64(3), 493–525. https://doi.org/10.1111/lang.12065
Prayoga, A., & Zain, I. (2016). Analisis faktor dan pengelompokan kecamatan berdasarkan indikator mutu pendidikan jenjang pendidikan dasar di Kabupaten Sidoarjo. Jurnal Sains Dan Seni ITS, 4(2). https://doi.org/10.12962/j23373520.v4i2.1 0920
Russell, S., & Norvig, P. (2010). Artificial Intelligence: A Modern Approach (3rd ed.). Pearson Education, Inc.
Thrun, M. C. (2018). Projection-based clustering through self-organization and swarm intelligence. In Projection-Based Clustering through Self-Organization and Swarm Intelligence. Springer
Fachmedien Wiesbaden. https://doi.org/10.1007/978-3-658-20540-9
Widiyaningtyas, T., Prabowo, M. I. W., & Pratama, M. A. M. (2017). Implementation of K-means clustering method to distribution of high school teachers. 2017 4th International Conference on Electrical Engineering, Computer Science and Informatics (EECSI), 1–6.
Wijayanto, F. (2016). Clustering analysis on Indonesian education quality performance using input–output model. Advanced Science Letters, 22(10), 2799–2803. https://doi.org/10.1166/asl.2016.7127
Windarto, A. P. (2017). Penerapan datamining pada ekspor buah-buahan menurut negara tujuan menggunakan k-means clustering method. Techno.Com, 16(4), 348–357. https://doi.org/10.33633/tc.v16i4.1447
Yamauchi, F. (2011). School quality, clustering and government subsidy in post-apartheid South Africa. Economics of Education Review, 30(1), 146–156. https://doi.org/10.1016/j.econedurev.2010.08.002