IRPIIRPI

MALCOM: Indonesian Journal of Machine Learning and Computer ScienceMALCOM: Indonesian Journal of Machine Learning and Computer Science

Pendidikan yang berkualitas sangat dipengaruhi oleh ketersediaan sarana dan prasarana yang memadai. Penelitian ini bertujuan untuk membandingkan kinerja dua algoritma clustering, yaitu K-Means dan K-Medoids, dalam mengelompokkan 497 sekolah negeri di Provinsi Riau yang terdiri dari jenjang SD, SMP, SMA, dan SMK. Data yang dianalisis meliputi jumlah guru, siswa, ruang kelas, laboratorium, akses internet, sanitasi, dan status akreditasi. Data diperoleh dari Dinas Pendidikan dan BPS Provinsi Riau, lalu dianalisis melalui EDA, preprocessing, dan reduksi dimensi dengan PCA. Hasil evaluasi menggunakan Davies-Bouldin Index (DBI) menunjukkan bahwa K-Medoids menghasilkan cluster yang lebih terpisah dan kualitas yang lebih baik (0,61) dibanding K-Means (0,80). Keunggulan K-Medoids terletak pada ketahanannya terhadap outlier dan distribusi data yang tidak merata. Hasil penelitian ini dapat digunakan sebagai acuan dalam perencanaan kebijakan pendidikan yang lebih merata dan tepat sasaran.

Penelitian ini menunjukkan bahwa algoritma K-Medoids memberikan performa lebih baik dibandingkan K-Means dalam mengelompokkan sekolah di Provinsi Riau berdasarkan ketersediaan sarana dan prasarana, sebagaimana ditunjukkan oleh nilai DBI yang lebih rendah.Hal ini menegaskan keunggulan K-Medoids dalam menangani data dengan outlier dan distribusi tidak merata.Hasil pengelompokan ini dapat dijadikan dasar perumusan kebijakan pendidikan yang lebih merata, seperti alokasi anggaran, distribusi guru, dan pembangunan infrastruktur pendidikan berbasis kebutuhan sekolah.

Penelitian selanjutnya dapat menggabungkan faktor sosial-ekonomi dan geografis untuk mengidentifikasi pengaruhnya terhadap kualitas pendidikan di Riau. Selain itu, dapat dilakukan evaluasi penggunaan algoritma clustering lain seperti DBSCAN atau Agglomerative Hierarchical Clustering untuk validasi hasil penelitian ini. Analisis data spasial juga bisa dikembangkan untuk mengevaluasi distribusi sekolah berdasarkan lokasi geografis. Penelitian lebih lanjut perlu mengeksplorasi variabel non-fisik seperti kualitas pembelajaran dan kebijakan pendidikan lokal. Dengan mengintegrasikan aspek sosial dan geografis, penelitian ini dapat memberikan wawasan yang lebih holistik tentang ketimpangan pendidikan. Penggunaan algoritma clustering yang lebih canggih juga menjadi arah studi untuk meningkatkan akurasi pengelompokan. Penelitian dapat mempelajari bagaimana data spasial memengaruhi hasil clustering sekolah. Penelitian ini juga bisa mengembangkan model clustering yang lebih adaptif terhadap data yang memiliki variasi tinggi. Evaluasi hasil cluster dengan metode lain seperti Silhouette Coefficient dapat memperkuat validasi. Penelitian yang lebih luas dapat mempertimbangkan pengaruh faktor-faktor yang tidak terukur secara kuantitatif terhadap distribusi fasilitas pendidikan.

  1. Outlier Handling Strategy of Ensembled-Based Sequential Convolutional Neural Networks for Sleep Stage... doi.org/10.3390/bioengineering11121226Outlier Handling Strategy of Ensembled Based Sequential Convolutional Neural Networks for Sleep Stage doi 10 3390 bioengineering11121226
  2. Methods of Data Collection: A Fundamental Tool of Research | Journal of Integrated Community Health (ISSN... medicaljournalshouse.com/index.php/ADR-CommunityHealth/article/view/631Methods of Data Collection A Fundamental Tool of Research Journal of Integrated Community Health ISSN medicaljournalshouse index php ADR CommunityHealth article view 631
  3. Effective Methods of Categorical Data Encoding for Artificial Intelligence Algorithms. effective methods... mdpi.com/2227-7390/12/16/2553Effective Methods of Categorical Data Encoding for Artificial Intelligence Algorithms effective methods mdpi 2227 7390 12 16 2553
  1. #hasil analisis data#hasil analisis data
  2. #teknik analisis data#teknik analisis data
File size418.81 KB
Pages10
DMCAReportReport

ads-block-test