PENENTUAN JUMLAH CLUSTER IDEAL SMK DI JAWA TENGAH DENGAN METODE X-MEANS CLUSTERING DAN K-MEANS CLUSTERING

Rifki Adhitama, Auliya Burhanuddin, Ridho Ananda

Abstract


SMK merupakan salah satu intrumen penting dalam pengembangan Sumber Daya Manusia (SDM) di Indonesia pada umumnya dan di Jawa Tengah pada khususnya. Belum adanya pengelompokan SMK berdasarkan data pokok kemendikbud di jawa tengah merupakan sebuah peluagn untuk mengembangkan arah revitalisasi SMK menjadi lebih baik dan jelas. X-means merupakan salah satu metode clustering yang dikembangkan dari metode clustering yang cukup popular, yaitu K-means. Penelitian ini menggunakan data pokok kemendikbud untuk menghitung pembagian cluster terbaik dengan menggunakan metode X-means dengan membandingkan nilai DBI X-means dengan nilai DBI K-means pada variasi ukuran cluster mulai dari empat, enam, delapan dan sepuluh cluster. Hasil penelitian ini menunjukkan bahwa secara konsisten nilai DBI terbaik ada pada ukuran cluster empat, baik menggunakan X-means ampun K-means dengan nilai DBI X-means sebesar 0,933 dan nilai DBI K-means sebesar 0,914, sedangkan nilai DBI paling besar juga konsisten pada ukuran cluster 10, sebesar 1,439 pada X-means dan 1,322 pada K-means. Berdasrkan hasil tersebut maka SMK di Jawa Tengah dapat dibagi ke dalam 4 kelompok yaitu kurang, cukup, baik, dan unggul.


References


R. Evans. 1987. “Fondation of Vocational Education.†Olympus Publishing Company, Salt Lake City.

T. Damarjati. 2016 “Artikel: Konsep Pembelajaran di Sekolah menengah Kejuruan.,†Direktorat Pembinaan SMK Direktorat Jenderal Pendidikan Dasar dan Menengah Kementrian Pendidikan dan Kebudayaan. [Online]. Available: http://psmk.kemdikbud.go.id/konten/1869/konsep-pembelajaran-di-sekolah-menengah-kejuruan.

Badan Pusat Statistik. 2010. “Halaman Utama,†Badan Pusat Statistik: Sensus Penduduk 2010. [Online]. Available: https://sp2010.bps.go.id/.

Bidang IKP Humas Jateng. 2018. “Archive: Berita Publik: Jateng Terus Revitalisasi Pendidikan Vokasi untuk Hadapi Revolusi Industri 4.0.,†Humas Pemprov jaten. [Online]. Available: https://jatengprov.go.id/publik/jateng-terus-revitalisasi-pendidikan-vokasi-untuk-hadapi-revolusi-industri-4-0/.

D. Pelleg and A. Moore. 2002. “X-Means: Extending K-Menas with Efficient Estimation if the Number of Clusters.†Pittsburgh.

A. G. Jondya and B. H. Iswanto. 2017. “Indonesian’s Traditional Music Clustering Based on Audio Features,†Procedia Comput. Sci., vol. 116, pp. 174–181.

R. O. Duda and P. E. Hart. 1973. Pattern classification and scene analysis, 1st editio. New York: Wiley.

A. Al-wakeel and J. Wu. 2016. “K-means based cluster analysis of residential smart meter measurements,†Energy Procedia, vol. 88, pp. 754–760.

I. H. Witten and E. Frank. 2005. Data Mining: Practical Machine Learning Tools and Techniques (Google eBook), Second Edi. Morgan Kaufmann Publishers.

A. Burhanuddin, F. M. Wibowo, and A. Arif Prasetyo. 2016. “PENGELOMPOKKAN SEBARAN TENAGA KESEHATAN PUSKESMAS DI INDONESIA DENGAN MENGGUNAKAN PENGKLASTERAN K-MEANS,†in Konferensi Nasional Sistem Informasi, pp. 1257–1263.

R. Hablum, A. Khairan, and R. Rosihan. 2019. “Clustering Hasil Tangkap Ikan Di Pelabuhan Perikanan Nusantara (Ppn) Ternate Menggunakan Algoritma K-Means,†JIKO (Jurnal Inform. dan Komputer), vol. 2, no. 1, pp. 26–33.

A. Sen, 2014. “Automatic Music Clustering using Audio Attributes,†Int. J. Comput. Sci. Eng., vol. 3, no. 06, pp. 307–312.

S. Nawrin, M. Rahatur, and S. Akhter. 2017. “Exploreing K-Means with Internal Validity Indexes for Data Clustering in Traffic Management System,†Int. J. Adv. Comput. Sci. Appl., vol. 8, no. 3.

A. Bates and J. Kalita. 2016. “Counting clusters in twitter posts,†in ACM International Conference Proceeding Series, vol. 04-05-Marc.




DOI: https://doi.org/10.33387/jiko.v3i1.1635

Refbacks

  • There are currently no refbacks.