Pemodelan Klasifikasi Random Forest untuk Mengidentifikasi Faktor Penting dalam Meningkatkan Mutu Pendidikan

Abstract

Mutu pendidikan merupakan tingkat kesesuaian antara penyelenggaraan pendidikan dengan Standar Nasional Pendidikan (SNP) di satuan pendidikan. SNP merupakan acuan utama yang ditetapkan sebagai kriteria minimal yang harus dipenuhi oleh satuan pendidikan dan/atau penyelenggara pendidikan dengan mempertimbangkan kondisi dan keragaman Indonesia. SNP terdiri dari Standar Kompetensi Lulusan (SKL), Standar Isi (SI), Standar Proses (SPR), Standar Pendidik dan Tenaga Kependidikan (SPT), Standar Sarana dan Prasarana (SSP), Standar Pengelolaan (SPL), Standar Pembiayaan (SB) dan Standar Penilaian (SPN). SNP berfungsi sebagai dasar penyusunan strategi pengembangan mutu pendidikan berdasarkan hasil evaluasi pelaksanaan pendidikan. Evaluasi pelaksanaan pendidikan dilaksanakan melalui akreditasi dan ujian nasional (UN). Evaluasi pelaksanaan pendidikan sebagai penjaminan mutu pelayanan pendidikan melalui pemenuhan delapan SNP belum dipahami secara utuh dan belum mampu diterapkan dengan baik oleh setiap satuan pendidikan dan/atau penyelenggara pendidikan. Oleh karena itu diperlukan identifikasi pemenuhan SNP untuk mengetahui ketercapaian dan ketidaktercapaian SNP, yang diharapkan kedepannya, satuan pendidikan dapat meningkatkan mutu pendidikan. Penelitian ini bertujuan untuk mengidentifikasi faktor-faktor penting dalam mempengaruhi mutu pendidikan jenjang SMA/MA tahun 2018 berdasarkan nilai ujian nasional berbasis komputer (UNBK) dan hasil akreditasi (butir-butir instrumen akreditasi) dengan menerapkan pemodelan klasifikasi random forest multikelas. Metode klasifikasi random forest adalah metode pohon gabungan pengembangan metode Classification and Regression Tree (CART) dengan menerapkan metode bootstrap aggregating (bagging) dan random feature selection. Random forest merupakan analisis nonparametrik yang dapat menghasilkan akurasi yang lebih tinggi, dapat mengatasi data latih dalam jumlah yang besar secara efisien, dan tidak terdapat pemangkasan peubah seperti pada algoritma decision tree (pohon klasifikasi tunggal). Pemodelan klasifikasi random forest pada penelitian ini dilakukan dengan mengklasifikasikan mutu pendidikan (nilai rataan 3 mata uji utama UNBK per satuan pendidikan) berdasarkan hasil akreditasi butir instrumen. Penanganan data tak seimbang dalam penelitian ini menggunakan metode pembobotan kelas dan Synthetic Minority Oversampling Technique (SMOTE) yang diakibatkan oleh pengkategorisasian nilai rataan UNBK ke dalam empat kategori yakni sangat baik, baik, cukup, dan kurang. Hasil penelitian menunjukkan bahwa, pertama, berdasarkan evaluasi model, nilai akurasi klasifikasi dan rataan geometri tertinggi diperoleh dalam pemodelan klasifikasi random forest multikelas dengan optimalisasi parameter sebesar 88.17% dan 48.95%. Kedua, model klasifikasi random forest multikelas menghasilkan tingkat kepentingan peubah prediktor (butir-butir instrumen akreditasi) yakni butir 69, 68, 62, 71, 67, 55, 56, 83, 45, 39, 36, 33, 64, 46, dan 14. Berdasarkan indikator tingkat kepentingan peubah prediktor, SNP yang memiliki peran penting dalam mengklasifikasikan mutu pendidikan di tingkat satuan pendidikan adalah standar iii sarana dan prasarana, standar pendidik dan tenaga kependidikan, dan standar kompetensi lulusan. Oleh karena itu, peningkatan mutu pendidikan di satuan pendidikan dapat dilakukan dengan meningkatkan sarana dan prasarana, kompetensi pendidik dan tenaga kependidikan, serta kompetensi lulusan. Penerapan metode klasifikasi random forest dalam mengidentifikasi faktor penting dalam mengklasifikasi mutu pendidikan (UNBK) berdasarkan butir-butir instrumen akreditasi diharapkan memberi informasi bagi pemerintah dan satuan pendidikan dalam peningkatan mutu pendidikan secara bertahap, terencana, dan kompetitif.