Penerapan Self Organizing Maps dalam Pengelompokkan Provinsi di Indonesia Berdasarkan Aspek Pendidikan
DOI:
https://doi.org/10.29313/jrs.v4i2.4708Keywords:
Clustering, Davies-Bouldin Index, Self Organizing MapsAbstract
Abstract. Indonesia participated in the Programme for International Student Assessment (PISA) in 2018, a global study that evaluates education systems in 70 countries. However, the 2020 Socio-Economic Survey, as reported in the 2020 Education Statistics, indicated that Indonesia has not yet achieved full success in its compulsory education program at the high school level, with a Gross Enrollment Ratio still below 95% and 1.13% of the population failing to complete education at that level. This study focuses on clustering education in Indonesia based on provinces and educational aspects. The study aims to cluster provinces in Indonesia using the Self Organizing Maps (SOM) method, a technique within Artificial Neural Networks used for clustering. The data used in this study comes from 34 provinces in 2023. The performance of the clustering model is evaluated using the Davies-Bouldin Index. The study identifies that the optimal number of clusters is two, with the first cluster consisting of 32 provinces and the second cluster consisting of 2 provinces. This research provides a deep understanding of the distribution and characteristics of education across various provinces in Indonesia, which can assist in future educational planning and policy-making.
Abstrak. Indonesia berpartisipasi dalam Programme for International Student Assessment (PISA) pada tahun 2018, sebuah studi global yang mengevaluasi sistem pendidikan di 70 negara. Namun, Survei Sosial Ekonomi 2020, sebagaimana dilaporkan dalam Statistik Pendidikan 2020, menunjukkan bahwa Indonesia belum mencapai keberhasilan penuh dalam program wajib belajar di tingkat SMA, dengan Angka Partisipasi Kasar yang masih di bawah 95% dan 1,13% dari populasi gagal menyelesaikan pendidikan di tingkat tersebut. Artikel ini berfokus pada pengelompokkan pendidikan di Indonesia berdasarkan provinsi-provinsi di Indonesia dan aspek-aspek pendidikan. Artikel ini bertujuan untuk mengelompokkan provinsi-provinsi di Indonesia berdasarkan aspek pendidikan menggunakan metode Self Organizing Maps (SOM), sebuah metode dalam Artificial Neural Network yang digunakan untuk clustering. Data yang digunakan dalam artikel ini berasal dari 34 provinsi pada tahun 2023. Evaluasi performa model clustering dilakukan menggunakan Davies-Bouldin Index. Artikel ini mengidentifikasi bahwa jumlah klaster optimum adalah dua, dengan klaster pertama terdiri dari 32 provinsi dan klaster kedua terdiri dari 2 provinsi. Artikel ini memberikan pemahaman mendalam mengenai distribusi dan karakteristik pendidikan di berbagai provinsi di Indonesia, yang dapat membantu dalam perencanaan dan pengambilan kebijakan pendidikan di masa mendatang.
References
L. R. Iyohu, Ismail Djakaria, and La Ode Nashar, “Perbandingan Metode K-Means Clustering dengan Self-Organizing Maps (SOM) untuk Pengelompokan Provinsi di Indonesia Berdasarkan Data Potensi Desa,” Jurnal Statistika dan Aplikasinya, vol. 7, no. 2, pp. 195–206, Dec. 2023, doi: 10.21009/JSA.07208.
P. R. Zain and T. S. Yanti, “Penerapan Multidimensional Scaling terhadap Pengelompokkan Provinsi Berdasarkan Indikator Tujuan ke-6 SDGs,” Jurnal Riset Statistika, pp. 153–160, Dec. 2022, doi: 10.29313/jrs.v2i2.1465.
F. Zubedi, “Analisis Cluster Hasil Try Out Siswa MTS AlHuda Gorontalo dengan Chi-Sim Cosimilarity dan K-Means Clustering,” JMPM: Jurnal Matematika dan Pendidikan Matematika, vol. 5, no. 1, pp. 1–11, Mar. 2020, doi: 10.26594/jmpm.v4i2.1706.
D. M. Midyanti and S. Bahri, “Implementasi Self Organizing Maps untuk Pengelompokan Kabupaten/Kota Berdasarkan Indeks Pembangunan Manusia,” Jurnal Teknologi Informasi dan Ilmu Komputer, vol. 10, no. 6, pp. 1265–1272, Dec. 2023, doi: 10.25126/jtiik.1067647.
M. N. Zain, “Algoritma Artificial Neural Network dalam Klasifikasi Chest X-Rays Pasien COVID-19,” Jurnal Riset Statistika, pp. 137–144, Dec. 2022, doi: 10.29313/jrs.v2i2.1426.
W. Aryanti and N. A. K. Rifai, “Penerapan Artificial Neural Network dengan Algoritma Backpropagation untuk Memprediksi Harga Saham,” Jurnal Riset Statistika, vol. 3, no. 2, pp. 107–118, Dec. 2023, doi: 10.29313/jrs.v3i2.2953.
E. Harli, A. Fauzi, and T. H. Kusmanto, “Pengelompokkan Kelas Menggunakan Self Organizing Map Neural Network pada SMK N 1 Depok,” Jurnal Edukasi dan Penelitian Informatika (JEPIN), vol. 2, no. 2, Nov. 2016, doi: 10.26418/jp.v2i2.17574.
Widhi Aryanti and Nur Azizah Komara Rifai, “Penerapan Artificial Neural Network dengan Algoritma Backpropagation untuk Memprediksi Harga Saham,” Jurnal Riset Statistika, pp. 107–118, Dec. 2023, doi: 10.29313/jrs.v3i2.2953.
N. Imani, A. I. Alfassa, and A. M. Yolanda, “Self Organizing Map (SOM) Clustering Untuk Analisis Data Indikator Sosial di Provinsi Nusa Tenggara Timur,” Jurnal Gaussian, vol. 11, no. 3, pp. 458–467, Jan. 2023, doi: 10.14710/j.gauss.11.3.458-467.
E. Damanik and E. Simamora, “Estimasi Interval Kepercayaan Parameter Selisih Rata-rata IPK Kelas Pendidikan Reguler dan Ekstensi FMIPA Angkatan 2010 Unimed dengan Bootstrap Pensentil,” Karismatika, vol. 5, no. 3, pp. 1–9, 2019.
Z. Soraya, “Penguatan Pendidikan Karakter untuk Membangun Peradaban Bangsa,” Southeast Asian Journal of Islamic Education Management, vol. 1, no. 1, pp. 74–81, Jun. 2020, doi: 10.21154/sajiem.v1i1.10.
D. Camartya and A. I. Achmad, “Analisis Korespondensi pada Jumlah Pengangguran Terbuka Menurut Kabupaten/Kota Berdasarkan Pendidikan Tertinggi,” Jurnal Riset Statistika, pp. 119–128, Dec. 2022, doi: 10.29313/jrs.v2i2.1424.
P. A. Rizkianti, M. Asbari, N. P. Priambudi, and S. A. J. Asri, “Pendidikan Indonesia Masih Buruk?,” Journal Of Information Systems And Management, vol. 3, no. 2, 2024.
D. A. Alodia, A. P. Fialine, D. Endriani, and E. Widodo, “Implementasi Metode K-Medoids Clustering untuk Pengelompokan Provinsi di Indonesia Berdasarkan Indikator Pendidikan,” Sepren, vol. 2, no. 2, pp. 1–13, Dec. 2021, doi: 10.36655/sepren.v2i2.606.
