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.