Jurnal Dinamika Vokasional Teknik Mesin Volume 7 Nomor 2 Oktober 2022 Hal 152-163 https://journal.
id/index.
php/dynamika/issue/view/2373 ISSN 2548-7590 .
edia onlin.
ISSN 2598-392X .
edia ceta.
K-MEANS CLUSTERING UNTUK KLASIFIKASI STANDAR
KUALIFIKASI PENDIDIKAN DAN PENGALAMAN KERJA GURU
SMK DI INDONESIA
Aris Eko Wibowo1.
Theophile Habanabakize2 1 Program Studi Pendidikan Teknik Mesin.
Universitas Negeri Yogyakarta.
Yogyakarta.
Indonesia.
2 Rwanda Polytechnic-IPRC Tumba.
Rwanda Email: arisekowibowo@uny.
ABSTRACT
The mapping of teacher resources is fundamental to the improvement of education quality in Indonesia.
This study aims to classify the Indonesian provinces regarding the improvement of vocational teachers based on qualification standards and work experience.
A quantitative approach with K-means cluster analysis with two parameters is used to classify the provinces into three main clusters.
K-means clustering is commonly used to group a set of objects based on similarity characteristics with large amounts of data and fast computation time.
The parameters used are the number of principals and teachers of SMK with education below S1 and those of SMK with work experience of less or equal to 4 years.
The data comes from the ministry of education and culture.
R software is used to help analyze.
The formation of clusters is based on the similarity of characteristics of each The results of this study indicate that Cluster 1 consists of 8 provinces.
Cluster 2 consists of 19 provinces, and Cluster 3 consists of 7 provinces.
Cluster 2 was found to be the best cluster.
Furthermore, 55.
89% of provinces meet the requirements to become pilot models regarding quality human resource management in Indonesia.
Increased opportunities and facilitation of further studies and the provision of teacher apprenticeship programs to improve the experience are urgently needed to support a better quality of education.
Keywords: teacher qualifications, experience, quality education, k-means, clustering, vocational ABSTRAK Pemetaan SDM guru menjadi hal yang fundamental untuk mengarah pada upaya peningkatan kualitas pendidikan di Indonesia.
Penelitian ini bertujuan untuk mengklasifikasikan provinsi-provinsi di Indonesia dalam hal peningkatan kualitas guru SMK berdasarkan standar kualifikasi dan pengalaman kerja.
Pendekatan kuantitatif dengan analisis kluster K-means dengan dua parameter digunakan untuk mengklasifikasikan provinsi-provinsi di Indonesia menjadi tiga kluster utama.
K-means clustering umum digunakan untuk mengelompokkan satu set objek berdasarkan karakteristik kesamaan dengan jumlah data yang besar dan waktu komputasi yang cepat.
Parameter yang digunakan adalah jumlah kepala sekolah dan guru SMK dengan pendidikan di bawah S1, dan jumlah kepala sekolah dan guru SMK dengan pengalaman kerja kurang atau sama dengan 4 tahun.
Data berasal dari kementerian pendidikan dan kebudayaan.
R software digunakan untuk membantu menganalisis.
Pembentukan klister-kluster berbasis pada kemiripan karakteristik masing- masing provinsi.
Hasil penelitian ini menunjukkan bahwa Kluster 1 dengan 8 provinsi.
Kluster 2 terdiri dari 19 provinsi, dan Kluster 3 terdiri dari 7 provinsi.
Kluster 2 didapati sebagai cluster terbaik.
Selanjutnya, 55,89% provinsi memenuhi syarat untuk menjadi model percontohan dalam hal pengelolaan SDM berkualitas di Indonesia.
Peningkatan kesempatan dan fasilitasi studi lanjut serta pengadaan program magang guru untuk meningkatkan pengalaman sangat dibutuhkan guna mendukung kualitas pendidikan yang lebih baik.
Kata kunci: kualifikasi guru, pengalaman guru, kualitas pendidikan.
K-means, clustering, kejuruan PENDAHULUAN Kualitas pendidikan di Indonesia menempati peringkat ke-54 dari 78 negara (World Population Review, 2.
Mengacu Dikirim: 15 Oktober 2022 pada hasil tersebut, di Kawasan Asia Tenggara.
Indonesia berada di bawah Singapura.
Malaysia, dan Thailand.
Begitu pula hasil Programme for International Student Assessment (PISA).
Indonesia berada di peringkat ke-72 dari 77 Diterima: 31 Oktober 2022 Diterbitkan: 31 Oktober 2022 Jurnal Dinamika Vokasional Teknik Mesin.
Volume 7.
Nomor 2.
Oktober 2022 | 153 negara (OECD, 2.
Kualitas pendidikan berada di tangan guru.
Rendahnya kompetensi guru dan lambatnya penerapan sistem pendidikan yang up to date dengan perkembangan teknologi ditengarai menjadi penyebab utama rendahnya kualitas pendidikan.
UNESCO melaporkan bahwa pendidikan di Indonesia menempati peringkat ke-10 dari 14 negara berkembang.
Bahkan sungguh ironis dimana peringkat untuk komponen guru berada urutan ke-14 dari 14 negara berkembang di dunia (UNESCO, 2.
Guru merupakan unsur penting dalam pendidikan nasional.
Undangundang Nomor 14 Tahun 2005 tentang Guru dan Dosen menyebutkan guru sebagai agen pembelajaran .
earning agen.
yang harus perekayasa pembelajaran, dan pemberi inspirasi belajar bagi peserta didik.
Alokasi anggaran pendidikan pada APBN 2022 mencapai Rp 621,3 triliun atau mencapai 20% dari belanja negara.
Komponen gaji dan tunjangan guru menjadi alokasi belanja Diperkirakan penghasilan guru melonjak hingga tiga kali lipat saat ini.
Besarnya anggaran pendidikan tidak begitu saja secara langsung mengubah kualitas pendidikan menjadi lebih baik.
Hasil Uji Kompetensi Guru (UKG) 2019, rata-rata nasional hanya 44.
5, masih di bawah nilai standar 55.
Bahkan, kompetensi pedagogik, yang menjadi kompetensi utama guru pun belum menggembirakan.
Neraca Pendidikan Daerah (NPD) menyimpulkan bahwa banyak daerah yang memiliki UKG lebih rendah dari rerata UKG nasional (Kemendikbud.
Di Indonesia masih terdapat guru yang belum memenuhi kualifikasi setara sarjana.
Sedikitnya terdapat 3,54% guru SMK dengan pendidikan terakhir di bawah S1/DIV (Kemdikbud, 2.
, padahal Permendikbud Nomor 32 tahun 2018 Pasal 37 menyebutkan bahwa kualifikasi guru dan kepala SMK adalah berijazah paling rendah S1/DIV.
Latar belakang pendidikan guru akan mempengaruhi proses pembelajaran di kelas, yang meliputi metode pembelajaran hingga pelaksanaan evaluasi (MartynAaDyaz, 2.
Persentase guru SMK yang telah memiliki sertifikat pendidik juga tergolong rendah.
Berdasarkan data Kementerian Pendidikan dan Kebudayaan, persentase guru SMK yang telah 28,49% (Kemdikbud, 2.
Sertifikat pendidik merupakan tolok ukur profesionalisme guru sesuai UU No.
14 Tahun 2005 tentang Guru dan Dosen.
Rendahnya guru SMK yang telah peningkatan keprofesian berkelanjutan (PKB) bagi guru belum terlaksana secara optimal khususnya guru jenjang SMK.
Randahnya persentase guru SMK yang telah tersertifikasi menyiratkan bahwa masih banyak guru yang kurang melakukan pengembangan diri untuk kompetensinya dalam mengajar.
Pengalaman merupakan salah satu faktor dalam mendukung kesuksesan mengajar seorang Guru dengan jam terbang tinggi semakin matang dalam mengajar dan mampu menghasilkan pengajaran yang efektif (Stanley.
Pengalaman guru Sekolah Menengah Kejuruan (SMK) baik dari segi mengajar maupun dari segi perkembangan teknologi di dunia kerja minim.
Guru SMK dengan pengalaman mengajar 4 tahun ke bawah masih cukup tinggi yakni mencapai 39% (Kemdikbud.
Pembelajaran di SMK yang mengutamakan dominasi kompetensi serta keterampilan membutuhkan para pendidik yang memahami perkembangan teknologi di dunia luar sekolah.
Pendekatan yang dilakukan pengajar di SMK masih belum menyesuaikan dengan tuntutan kompetensi di dunia kerja.
Penyebabnya adalah pengajar SMK umumnya tidak berbekal pengalaman terjun pada bidang usaha serta industri yang terus menuntut Kemampuan pengajar dalam mentransfer keterampilan dan pengetahuan perkembangan teknologi terbaru yg dipakai perusahaan-perusahaan wajib menjadi perhatian Jurnal Dinamika Vokasional Teknik Mesin.
Volume 7.
Nomor 2.
Oktober 2022 | 154 Sudah tidak diragukan lagi bahwa peran guru sangat strategis dalam peningkatakn kualitas pendidikan.
Pengembangan kurikulum memang merupakan hal yang tidak boleh dikesampingkan, namun hal itu tidak genting.
Kualitas guru merupakan pondasi yang harus terpenuhi sebelum membangun kompetensi Pembenahan kualifikasi, pengalaman kerja, kualitas dan kompetensi guru dalam mendidik harus menjadi prioritas sebelum membahas tentang kurikulum yang efektif.
Guru akan kesulitan dalam beradaptasi dengan kurikulum sebaik apapun jika kompetensi dan pengalamannya rendah.
Pendidikan akan menjadi bom waktu yang siap merusak masa depan bila kualitas guru tidak menjadi perhatian Pemenuhan kualifikasi guru dan peningkatan pengalaman kerja sebagai dasar peningkatan kompetensi guru merupakan titik penting kualitas pendidikan Indonesia saat ini dan di masa depan.
Salah satu cara untuk menggambarkan mengklasifikasikannya ke dalam beberapa kategori (Yamauchi, 2.
Kategori sering disebut sebagai cluster untuk melihat profil dan karakteristik bersama dari objek yang ditentukan (Everitt & Hothorn, 2011.
Hyrdle & Simar.
Pembuatan profil kluster pemenuhan standar kualifikasi dan pengalaman kerja guru memungkinkan pemerintah untuk lebih memahami kinerja mereka dalam mengelola pendidikan berdasarkan Permendikbud Nomor 32 tahun 2018 Pasal 37.
Analisis mengklasifikasikan sekolah menengah atas oleh peneliti sebelumnya (Aoyama et al.
, 2011.
Chabrol et al.
, 2015.
DeSmet et al.
, 2015.
Ng et , 2.
menerapkan analisis cluster untuk mengklasifikasikan konfigurasi motivasi siswa sekolah menengah atas di Iran ketika belajar bahasa kedua.
Analisis kluster dijabarkan dengan melakukan pendekatan K-means dalam mendistribusikan guru sekolah menengah atas di Indonesia (Widiyaningtyas et al.
, 2.
Penelitian lain juga mengungkap penerapan analisis kluster dalam pemetaan kualitas pendidikan di setting sekolah Indonesia (Ananda, 2019.
Nugraha & Hairani, 2018.
Oktavianty et al.
, 2019.
Prayoga & Zain, 2016.
Wijayanto, 2.
Penelitian-penelitian di atas telah banyak melakukan klaterisasi berkaitan dengan kualitas pendidikan.
Namun demikian penelitian dasar tentang manajemen guru belum banyak yang berfokus pada pemetaan dan pengklasifikasian provinsi-provinsi di Indonesia dalam memenuhi standar kualifikasi guru SMK berdasarkan Permendikbud Nomor 32 tahun 2018 Pasal 37 dan peningkatan pengalaman kerja guru.
Mengingat peran penting pemetaan ini untuk peningkatan mutu pendidikan skala nasional.
Indonesia dalam bentuk kluster berdasarkan kesamaan karakteristik standar kualifikasi guru.
Ini menggunakan pendekatan K-means, salah satu metode clustering yang paling banyak digunakan, untuk mendapatkan cluster ini.
METODE
Studi ini menggunakan pendekatan kuantitatif dan mengandalkan data sekunder, yaitu data statistik sekolah menengah atas pada periode akademik 2020- 2021.
Data tersebut dikumpulkan dari Data Statistik Pendidikan yang dirilis oleh Pusat Data dan Teknologi Informasi.
Kementerian Pendidikan dan Kebudayaan Republik Indonesia.
Database ini merupakan sistem pendataan berskala nasional yang terintegrasi dan berperan sebagai sumber data utama pendidikan nasional di Indonesia (Kemendikbud, 2.
Data yang statistik pendidikan mencakup 34 provinsi di Indonesia.
Penelitian ini menetapkan 2 .
indikator yang mewakili kualitas pengelolaan guru SMK tahun pelajaran 2020-2021, khususnya berkaitan dengan pemenuhan kualifikasi dan peningkatan pengalaman kerja dalam konteks Indonesia.
Klasifikasi provinsi diberlakukan berdasarkan indikator atau Jurnal Dinamika Vokasional Teknik Mesin.
Volume 7.
Nomor 2.
Oktober 2022 | 155 parameter kualifikasi pendidikan minimal S1 dan pengalaman guru minimal 4 tahun.
Penelitian ini menggunakan metode pendekatan K-Means, yang umum digunakan untuk mengelompokkan satu set objek berdasarkan karakteristik kesamaan dengan jumlah data yang besar dan waktu komputasi yang cepat (Russell & Norvig, 2.
Proses pemberian cluster provinsi ditunjukkan dengan mengelompokkan data yang memiliki parameter yang sama menjadi satu atau lebih cluster.
Sebaliknya, data dengan karakteristik yang berbeda dikelompokkan dengan kelompok lain.
Metode clustering ini berfungsi untuk mendeteksi kelompok observasi yang dilengkapi dengan fitur homogen dan membedakannya dari kelompok lain (Everitt & Hothorn, 2.
Selain itu, penelitian ini juga menggunakan solusi tiga Kesamaan antar objek dilakukan dengan membandingkan pasangan pengamatan .
i, x.
, ycuycnycN = .
cuycn1 , .
ycuycnycy ), ycuycycN = .
cuyc1 , .
ycuycycy ), dan ycuycnycy , ycuycycy OO .
(Hyrdle & Simar, 2.
Analisis cluster dilakukan dengan langkah-langkah tertentu (Everitt & Hothorn.
Thrun, 2.
Langkah pertama: memilih satu set variabel yang digunakan untuk mengelompokkan objek ke dalam cluster (C .
Langkah kedua: menginsialisasi pusat kluster acak, yang disebut sentroid.
Proses ini dilakukan di ruang input.
Langkah ketiga: menentukan titik data yang paling dekat dengan setiap sentroid ke Langkah keempat: memetakan titik Sentroid dipindahkan sedemikian rupa sehingga jaraknya dari setpoint ke sentroid yang sesuai diminimalkan.
Ukuran matriks kesamaan menggunakan jarak Euclidean (Hyrdle & Simar, 2.
yang dihitung dengan persamaan .
yccycnyc menunjukkan jarak Euclidean untuk i dan j dengan kisaran r Ou 1.
ycuycnyco menunjukkan nilai variabel kth pada objek i sedangkan ycuycyco menggambarkan nilai variabel kth pada objek j.
Persamaan ini juga mengungkapkan kelas jarak pertidaksamaan dengan bobot yang tidak sama (Hyrdle & Simar, 2.
Langkah 5: mencari pasangan cluster terdekat dari C1.
C2.
Ck dengan menggunakan metode K-means.
Misalnya, pasangan terdekat adalah Ci dan Cj, menghilangkan Cj dan mengurangi jumlah cluster satu per satu.
Langkah 6: proses berhenti ketika jumlah cluster sama dengan satu.
Jika tidak memenuhi kondisi ini.
Langkah 5 diulang terus menerus sampai jumlah cluster sama dengan satu.
Kelima Langkah tersebut dilakukan dengan bantuan aplikasi R 4.
ycy yccycnyc = { Oc .
cuycnyco Oe ycuycyco |} 1AE yco=1 HASIL DAN PEMBAHASAN Peningkatan kualitas guru khususnya pada aspek yang fundamental yakni kualifikasi minimal pendidikan dan pengalaman kerja dalam konteks Indonesia, perlu dilakukan sedini Analisis deskriptif terhadap data sekunder tentang kualifikasi pendidikan dan pengalaman mengajar guru SMK di Indonesia yang diperoleh, dilakukan menggunakan aplikasi R 4.
1 dengan perintah sebagaimana dapat dilihat pada Gambar 1.
Gambar 1.
Perintah Deskripsi Data pada Sintax Output kualifikasi dan peningkatan pengalaman kerja SMK di Indonesia, selanjutnya disajikan dalam Table 1.
Terinspirasi dari perhitungan statistik.
Tabel 1 menunjukkan bahwa klasifikasi 34 sampel berasal dari jumlah provinsi di Indonesia.
Penting untuk diperhatikan bahwa Tabel 1 menggunakan 2 indikator.
Jumlah kepala sekolah dan guru SMK dengan pendidikan Jurnal Dinamika Vokasional Teknik Mesin.
Volume 7.
Nomor 2.
Oktober 2022 | 156 terakhir < S1 (%) (X.
Jumlah kepala dan guru SMK dengan pengalaman mengajar O 4 tahun (%) (X.
Tabel 1 menunjukkan bahwa rerata jumlah kepala sekolah dan guru SMK dengan pendidikan terakhir di bawah S1 sebesar 3,54%, sedangkan rerata Jumlah kepala dan guru SMK dengan pengalaman mengajar kurang dari atau sama dengan 4 tahun sebesar 39,7 %.
Jumlah kepala sekolah dan guru SMK dengan pendidikan terakhir di bawah S1 yang paling sedikit berada di Provinsi Aceh sebesar 1,3% dan yang paling banyak berada pada Provinsi Maluku Utara sebesar 6,42%.
Uji statistic juga mendeskripsikan bahwa jumlah kepala dan guru SMK dengan pengalaman mengajar kurang dari atau sama dengan 4 tahun yang paling rendah berada di Provinsi Jawa Tengah sebesar 31,79%, dan yang paling tinggi berada di Provinsi DKI Jakarta sebesar 59,02%.
Proses menghitung jaran euclidean dilakukan dengan memproses perintah seperti yang terlihat pada Gambar 2.
Gambar 2.
Perintah Perhitungan Jarak Euclidean Proses selanjutnya adalah menghitung jarak korelasi dengan perintah yang dapat dilihat pada Gambar 3.
Gambar 3.
Perintah Perhitungan Jarak Korelasi Hasil proses perhitungan jarak korelasi divisualisasikan dengan perintah seperti gambar 4 dan outputnya dapat dilihat pada Gambar 5.
Gambar 4.
Perintah Visualisasi Matriks Jarak Gambar 5.
Visualisasi Matriks Jarak Korelasi Jurnal Dinamika Vokasional Teknik Mesin.
Volume 7.
Nomor 2.
Oktober 2022 | 157 Tabel.
1 Deskripsi data statistik indikator Indikator/ Vars n Mean Parameter Jumlah kepala sekolah dan guru SMK dengan pendidikan terakhir < S1 (X.
Jumlah kepala dan guru SMK dengan pengalaman mengajar O 4 tahun (X.
Proses penentuan jumlah kluster dilakukan sebelum proses perhitungan K-Means Std.
Median Min Maks Range Std.
Error Proses ini dilakukan dengan perintah seperti yang terlihat pada Gambar 6.
Gambar 6.
Perintah Penentuan Jumlah Kluster Optimal dan Visualisasinya Output dari penentuan jumlah kluster disajikan dalam Tabel 2 dan visualisasinya dapat dilihat pada Gambar 7.
Tabel 2.
Output Penentuan Jumlah Kluster Optimal Kluster Grafik pada Gambar 7 menunjukkan bahwa jumlah kluster optimal adalah 3 kluster.
Selain itu, untuk menentukan jumlah klister optimal dapat juga dilihat dari output yakni .
3 yang berarti bahwa kluster optimal yang dihasilkan adalah 3 kluster.
Gambar 7.
Visualisasi Jumlah Kluster Dapat persentase jumlah kepala sekolah dan guru SMK dengan pendidikan terakhir < S1 (X.
dan data persentase jumlah kepala dan guru SMK dengan pengalaman mengajar O 4 tahun (X.
pada 34 provinsi di Indonesia akan dikelompokkan menjadi 3 kluster yaitu kluster rendah, sedang, dan tinggi atau K=3.
Jurnal Dinamika Vokasional Teknik Mesin.
Volume 7.
Nomor 2.
Oktober 2022 | 158 Pengklusteran bertujuan untuk mengetahui cluster rendah, sedang, dan tinggi, masingmasing ditemati oleh provinsi mana.
Euclidean Distance digunakan untuk menghitung jarak Selanjutnya proses clustering dengan algoritma K-Means dilakukan, dimana untuk proses ini kami menggunakan perintah seperti yang terlihat pada Gambar 8.
Gambar 8.
Perintah Clustering Model hasil clustering K-Means yang terbentuk berdasarkan perhitungan disajikan dalam Tabel 3 dan visualisasinya ditunjukkan pada Gambar 10.
Tabel 3.
Model Hasil Clustering K-Means Kluster Jumlah Provinsi Penggabungan mengetahui provinsi mana saja yang masuk ke dalam kluster 1, kluster 2 dan kluster 3.
Perintah yang digunakan dapat dilihat pada Gambar 9.
Gambar 9.
Perintah penggabungkan data dan mengubah nama kolom Output dari perhitungan statistik berupa keanggotaan kluster dari setiap provinsi terlihat pada Tabel 4.
Tiga kluster dibentuk dalam penelitian ini, yaitu Kluster 1 dengan 8 provinsi.
Kluster 2 terdiri dari 19 provinsi, dan Kluster 3 terdiri dari 7 provinsi.
Taksonomi kluster didasarkan pada kesamaan karakteristik masing-masing provinsi, dilihat dari jarak minimum (Butarbutar et al.
, 2017.
Everitt & Hothorn, 2011.
Windarto, 2.
Hasilnya menjelaskan bahwa provinsi dalam satu kluster didokumentasikan memiliki kesamaan yang lebih baik daripada provinsi di kluster lain ketika semua indikator dipertimbangkan dan memiliki jarak minimum paling sedikit.
Jurnal Dinamika Vokasional Teknik Mesin.
Volume 7.
Nomor 2.
Oktober 2022 | 159 Tabel.
Keanggotaan Kluster Guru SMK di Indonesia
Provinsi
X1(%)
X2(%)
Prov.
Jakarta Prov.
Jawa Barat Prov.
Jawa Tengah Prov.
Yogyakarta Prov.
Jawa Timur Prov.
Aceh Prov.
Sumatera Utara Prov.
Sumatera Barat Prov.
Riau 10 Prov.
Jambi 11 Prov.
Sumatera Selatan 12 Prov.
Lampung 13 Prov.
Kalimantan Barat 14 Prov.
Kalimantan Tengah 15 Prov.
Kalimantan Selatan 16 Prov.
Kalimantan Timur 17 Prov.
Sulawesi Utara 18 Prov.
Sulawesi Tengah 19 Prov.
Sulawesi Selatan 20 Prov.
Sulawesi Tenggara 21 Prov.
Maluku 22 Prov.
Bali 23 Prov.
Nusa Tenggara Barat 24 Prov.
Nusa Tenggara Timur 25 Prov.
Papua 26 Prov.
Bengkulu 27 Prov.
Maluku Utara 28 Prov.
Banten 29 Prov.
Kep.
Bangka Belitung 30 Prov.
Gorontalo 31 Prov.
Kepulauan Riau 32 Prov.
Papua Barat 33 Prov.
Sulawesi Barat 34 Prov.
Kalimantan Utara Tabel 4 menunjukkan bahwa provinsiprovinsi di kluster 1 memiliki nilai rata-rata lebih kecil dari nilai total untuk semua Hal ini dapat diketahui dari semua nilai indikator yang memiliki tanda negatif.
Sedangkan provinsi yang masuk dalam kluster 3 memperoleh nilai sedang.
Kluster 1 terdiri dari provinsi-provinsi dengan rata-rata jumlah semua indikator yang rendah karena semua nilai S_ X1
S_X2
Kluster menunjukkan angka yang rendah dibandingkan dengan kluster lainnya, maka semua nilai juga dianggap positif.
Artinya provinsi-provinsi di kluster 2 merepresentasikan pemenuhan standar kualifikasi guru dan pengalaman kerja guru yang terbaik dibandingkan dengan provinsiprovinsi di kluster 1 dan kluster 3.
Persentasi provinsi-provinsi yang masuk ke dalam kluster Jurnal Dinamika Vokasional Teknik Mesin.
Volume 7.
Nomor 2.
Oktober 2022 | 160 2 sebesar 55,89%.
Plot klusterisasi dilihat pada Gambar 10.
Gambar 10.
Plot Klusterisasi Secara komprehensif, proses klusterisasi memungkinkan kita untuk memetakan kualitas pendidikan (Ananda, 2019.
Nugraha & Hairani.
Oktavianty & Handayani, 2019.
Fadhli & Subanar, 2.
Menarik untuk didiskusikan adalah provinsi DKI Jakarta yang merupakan Daerah Khusus Ibu Kota justru masuk pada kluster 3 .
luster renda.
Provinsi lain di sekitar DKI Jakarta seperti Banten dan Jawa Barat yang paling dekat aksesnya dengan pemerintah pusat dibanding provinsi lain juga masuk dalam kluster.
Menyikapi hal ini, manajemen sekolah menengah atas di setiap provinsi harus menyadari sepenuhnya pentingnya melakukan analisis mendalam.
Klasifikasi kluster berfungsi untuk membuat profil dalam pemetaan provinsi yang termasuk dalam kluster utama, provinsi yang terdokumentasi dalam kluster menengah, dan yang dikategorikan sebagai kluster terakhir.
Adanya peta ini memungkinkan pengelola pendidikan di Indonesia untuk membandingkan pemenuhan standar kualifikasi dan pengalaman kerja guru kualitas di setiap provinsi atau kabupaten (Nugraha & Hairani, 2.
Selain itu, kluster utama dapat menjadi percontohan bagi provinsi lain dalam mengelola SDM guru untuk mendorong peningkatan kualitas Untuk itu, sangat penting untuk melakukan perbaikan dalam penyediaan mengembangkan diri secara berkrlanjutan Strategi peningkatan kualitas guru SMK secara berkelanjutan cukup bervariasi.
Strategi ini disebut dengan istilah pengembangan profesional berkelanjutan (PKB) yang antara lain magang di industri, uji kompetensi keahlian, pelatihan di tempat kerja, aktif menjadi anggota atau pengurus asosiasi profesi, studi lanjut, insentif atau tunjangan, pendidikan Jurnal Dinamika Vokasional Teknik Mesin.
Volume 7.
Nomor 2.
Oktober 2022 | 161 profesi guru, dan pembiayaan (Budiman, 2.
Sudah semestinya hal tersebut difasilitasi oleh Tidak kemungkinan pula bagi guru yang telah pendidikan akademik maupun mengikuti SIMPULAN perlu diklasifikasikan menurut standar mutu pendidikan nasional.
Sebuah pembanding dalam pengelolaan guru SMK di Indonesia sangat penting.
Klusterisasi memberikan wawasan tentang provinsi-provinsi memiliki kinerja yang baik untuk dapat Klasifikasi pengelolaan guru di semua provinsi menghasilkan kluster 1, kluster 2, dan kluster 3.
Provinsi-provinsi yang masuk dalam kluster 2 merupakan kluster terbaik dalam pengelolaan guru, dilihat dari 2 parameter yakni kualifikasi pendidikan dan pengalaman mengajar guru.
Provinsi yang masuk kluster 2 sebanyak 19 .
,89 %) antara lain: Prov.
Jawa Tengah.
Prov.
Yogyakarta.
Prov.
Jawa Timur.
Prov.
Aceh.
Prov.
Sumatera Barat.
Prov.
Riau.
Prov.
Jambi.
Prov.
Kalimantan Tengah.
Prov.
Kalimantan Selatan.
Prov.
Kalimantan Timur.
Prov.
Sulawesi Tengah.
Prov.
Sulawesi Selatan.
Prov.
Sulawesi Tenggara.
Prov.
Bali.
Prov.
Nusa Tenggara Barat.
Prov.
Bengkulu.
Prov.
Kep.
Bangka Belitung.
Prov.
Papua Barat.
Prov.
Kalimantan Utara.
Provinsi lain harus belajar dari dan merefleksikan pendekatan provinsi yang masuk kategori 2 sebagai kategori terbaik untuk memenuhi kualifikasi pendidikan dan meningkatkan pengalaman kerja guru dalam rangka meningkatkan kualitas pembelajaran.
Dengan demikian, mutu pendidikan nasional dapat ditingkatkan secara sistematis dan Studi memeriksa masuknya indikator lain dari kualitas guru SMK.
Selain itu, metode taksonomi yang beragam juga dapat diterapkan untuk membandingkan hasil akhir dari analisis Demikian pula parameter pendidikan lainnya, termasuk di perguruan tinggi, juga DAFTAR RUJUKAN Ananda.
Analisis mutu pendidikan sekolah menengah atas program ilmu alam di Jawa Tengah dengan algoritme Kmeans terorganisir.
Journal of Informatics.
Information System.
Software Engineering and Applications (INISTA), 2.
, 65Ae72.
https://doi.
org/10.
20895/inista.
Aoyama.
Barnard-Brak.
, & Talbert.
Cyberbullying among high school students: Cluster analysis of sex and age differences and the level of parental International Journal of Cyber Behavior.
Psychology and Learning (IJCBPL), 1.
, 25Ae35.
https://doi.
org/10.
4018/ijcbpl.
Butarbutar.
Windarto.
Hartama.
, &
Solikhun.
Komparasi kinerja algoritma fuzzy c-means dan k-means dalam pengelompokan data siswa berdasarkan prestasi nilai akademik siswa.
Jurasik (Jurnal Riset Sistem Informasi Dan Teknik Informatik.
, 1.
, https://doi.
org/10.
30645/jurasik.
Chabrol.
Melioli.
Van Leeuwen.
Rodgers.
, & Goutaudier.
The Dark Tetrad: Identifying personality high-school Personality and Individual Differences, 83, 97Ae101.
https://doi.
org/10.
1016/j.
Ivie.
Stanley.
International Journal of Science Education.
Experienced Teachers Insist that Effective Teaching is Primarily a Science.
Vol.
No.
3, pp.
Texas: Educational Leadership Texas WomanAos University Denton.
Desmet.
Aelterman.
Bastiaensens.
Van Cleemput.
Poels.
Vandebosch.
Jurnal Dinamika Vokasional Teknik Mesin.
Volume 7.
Nomor 2.
Oktober 2022 | 162 .
Cardon.
, & De Bourdeaudhuij.
Secondary school educatorsAo perceptions and practices in handling cyberbullying among adolescents: A cluster analysis.
Computers and Education, 192Ae201.
https://doi.
org/10.
1016/j.
Diaz.
J Martin.
International Journal of Science Education:
Educational Background.
Teaching Experience and TeacherAos Views on the Inclusion of Nature of Science in the Science Curriculum.
Vol.
No.
10, 18 August 2006, pp.
1161Ae1180.
Spain: Institute of Secondary Education Jorge Manrique.
Everitt.
, & Hothorn.
introduction to applied multivariate analysis with R.
Springer Science & Business Media.
Budiman.
November .
Menyiapkan Guru Profesional di SMK Teknik Kendaraan Ringan (TKR).
Prosiding Konvensi Nasional Asosiasi Pendidikan Teknologi Dan Kejuruan (APTEKINDO) Ke-7.
Fadhli & Subanar, .
Analisis kluster untuk pemetaan mutu pendidikan di Aceh.
[Yogyakart.
: Universitas Gadjah Mada Hyrdle.
, & Simar.
Applied multivariate statistical analysis.
In Applied Multivariate Statistical Analysis.
https://doi.
org/10.
1007/978-3-642-172298
Kemdikbud.
Neraca Pendidikan Daerah.
https://npd.
Kemdikbud.
Sertifikasi Guru https://jendela.
Kemdikbud.
Statistik Pendidikan.
https://statistik.
id/inde php/page/smk Natural Science: Journal of Science and Technology, 8.
, 191Ae197.
https://doi.
org/10.
22487/25411969.
Ng.
Liu.
, & Wang.
Student motivation and learning in mathematics and science: A cluster International Journal of Science and Mathematics Education, 14.
, 1359Ae https://doi.
org/10.
1007/s10763-0159654-1 Nugraha.
, & Hairani.
Aplikasi pemetaan kualitas pendidikan di Indonesia menggunakan metode k-means.
Jurnal
MATRIK,
13Ae23.
https://doi.
org/10.
30812/matrik.
Oktavianty.
Junaidi, & Handayani.
Pengelompokkan kabupaten/kota di Sulawesi berdasarkan indikator pendidikan menggunakan analisis kluster average linkage dan median linkage.
Papi.
, & Teimouri.
Language learner motivational types: A cluster analysis study.
Language Learning, 64.
, 493Ae525.
https://doi.
org/10.
1111/lang.
Prayoga.
, & Zain.
Analisis faktor berdasarkan indikator mutu pendidikan jenjang pendidikan dasar di Kabupaten Sidoarjo.
Jurnal Sains Dan Seni ITS, 4.
https://doi.
org/10.
12962/j23373520.
Russell.
, & Norvig.
Artificial Intelligence: A Modern Approach .
rd Pearson Education.
Inc.
Thrun.
Projection-based clustering through self-organization and swarm intelligence.
In Projection-Based Clustering through Self-Organization and Swarm Intelligence.
Springer Fachmedien Wiesbaden.
https://doi.
org/10.
1007/978-3658-20540-9
Widiyaningtyas.
Prabowo.
, &
Pratama.
Implementation of K-means clustering method to distribution of high school teachers.
4th International Conference on Electrical Engineering.
Computer Science and Informatics (EECSI), 1Ae6.
Wijayanto.
Clustering analysis on Indonesian education quality performance using inputAeoutput model.
Advanced Science Letters, 22.
, 2799Ae2803.
https://doi.
org/10.
1166/asl.
Windarto.
Penerapan datamining pada ekspor buah-buahan menurut negara Jurnal Dinamika Vokasional Teknik Mesin.
Volume 7.
Nomor 2.
Oktober 2022 | 163 tujuan menggunakan k-means clustering Techno.
Com, 16.
, 348Ae357.
https://doi.
org/10.
33633/tc.
Yamauchi.
School quality, clustering, and government subsidy in post-apartheid South Africa.
Economics of Education Review, 30.
, 146Ae156.
https://doi.
org/10.
1016/j.