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.