Penerapan Algoritma Agglomerative Clustering Untuk Mengelompokkan Provinsi Di Indonesia Berdasarkan Indikator Pendidikan

Abstract

Pendidikan memiliki peran yang penting dalam meningkatkan kualitas Sumber Daya Manusia (SDM) guna mendukung pembangunan suatu negara. Pentingnya pendidikan sebagai Indikator Pembangunan juga terbukti dengan adanya poin pendidikan di salah satu tujuan pada Sustainable Development Goals (SDGs). Namun, pendidikan di Indonesia saat ini masih belum merata, khususnya di jenjang Sekolah Menengah Atas (SMA) yang menunjukkan partisipasi lebih rendah dibandingkan dengan jenjang Sekolah Dasar (SD) dan Sekolah Menengah Pertama (SMP). Sehingga penelitian ini akan melakukan pengelompokkan provinsi di Indonesia berdasarkan Indikator Pendidikan pada jenjang Sekolah Mengah Atas (SMA). Penelitian ini menggunakan metode Cross-Industry Standart Process for Data mining (CRISP-DM) sebagai acuan dari proses Data mining. Penelitian ini  menggunakan algoritma klastering untuk dapat melakukan pengelompokkan provinsi dengan melakukan beberapa perbandingan algoritma seperti K-Means, Agglomerative, dan K-Medoids. Berdasarkan hasil perbandingan diketahui bahwa nilai algoritma Agglomerative lebih baik dibandingkan dengan algoritma lainnya. Parameter yang digunakan dalam model Agglomerative adalah metode Average linkage dan metrik Euclidean distances. Hasil penelitian menunjukkan bahwa penggunaan algoritma Agglomerative menghasilkan 2 Cluster dengan nilai Davies–Bouldin Index (DBI) terendah sebesar 0,497. Cluster 1 terdiri dari 33 provinsi dengan tingkat pendidikan yang lebih tinggi, sedangkan Cluster 2 terdiri dari 1 provinsi dengan tingkat pendidikan yang lebih rendah, yaitu Papua. Hasil penelitian ini mengindikasikan adanya ketimpangan yang signifikan dalam kualitas pendidikan di Indonesia.