Penggerombolan Mutu SMA/MA per Provinsi Berdasarkan Hasil Akreditasi Menggunakan Metode Fuzzy C-Means
Abstract
Pemetaan mutu pendidikan di Indonesia perlu dikaji agar pemerintah
provinsi sebagai lembaga yang bertanggung jawab atas kebijakan pengelolaan
pendidikan menengah dapat lebih mudah dalam menentukan prioritas dan tindakan
apa yang akan dilakukan guna meningkatkan kualitas pendidikan di Indonesia.
Salah satu metode analisis yang dapat digunakan untuk memetakan mutu
pendidikan adalah fuzzy c-means. Tujuan dari penelitian ini adalah
menggerombolkan peta mutu provinsi di Indonesia berdasarkan hasil akreditasi
SMA/MA dengan menggunakan metode fuzzy c-means. Metode fuzzy c-means
dapat memperlihatkan peluang objek masuk ke dalam suatu gerombol dengan
derajat keanggotaan. Ukuran gerombol optimum yang didapatkan adalah 2 dan 3.
Solusi akhir dari hasil gerombol dengan ukuran gerombol 2 adalah 12 provinsi yang
dikategorikan dalam gerombol 1 dan 22 provinsi yang dikategorikan dalam
gerombol 2. Penggerombolan dengan jumlah gerombol 3 menghasilkan gerombol
1 yang beranggotakan 11 provinsi, gerombol 2 yang beranggotakan 16 provinsi,
dan gerombol 3 yang beranggotakan 7 provinsi. Karakter utama dari gerombol 1
adalah skor standar nasional pendidikan yang tinggi, sedangkan karakter utama dari
gerombol 2 adalah skor standar nasional pendidikan yang rendah. Kemudian
karakter utama dari gerombol 3 adalah skor standar nasional yang nilainya berada
di sekitar rata-rata nasional. Mapping the quality of education in Indonesia needs to be studied so that the
provincial government, as the institution responsible for secondary education
management policies, can more easily determine priorities and what actions will be
taken to improve the quality of education in Indonesia. One of the analytical
methods that can be used to map the quality of education is fuzzy c-means. This
research aims to classify the quality maps of provinces in Indonesia based on the
results of SHS/MA accreditation using the fuzzy c-means method. The fuzzy c means method can show the probability of objects entering a cluster with a degree
of membership. The optimum cluster sizes obtained were 2 and 3. The final solution
with cluster size 2 was 12 provinces categorized in cluster 1 and 22 provinces
categorized in cluster 2. Clustering with cluster size 3 resulted in cluster 1 consisting
of 11 provinces, cluster 2 consisting of 16 provinces, and cluster 3, which consists
of 7 provinces. The main character of cluster 1 is a high national education standard
score, while the main character of cluster 2 is a low national education standard
score. Then the main character of group 3 is the national standard score, whose
value is around the national average.