Pemerataan pendidikan di Indonesia telah menjadi perhatian pemerintah sejak lama. Namun hingga saat ini, pendidikan di Indonesia masih belum merata. Hal tersebut dapat dilihat dari rendahnya nilai APK dan APM di daerah-daerah tertentu serta belum meratanya sarana dan prasarana pendidikan di seluruh daerah. Pemerintah membutuhkan informasi mengenai kondisi pemerataan pendidikan untuk menghasilkan kebijakan yang tepat. Salah satu cara untuk memperoleh informasi tersebut adalah dengan cara mengelompokkan kecamatan berdasarakan indikator pemerataan pendidikan. Pengelompokan (clustering) adalah metode data mining yang membagi data kedalam kelompok-kelompok yang mempunyai objek yang karakteristiknya sama. Penelitian ini menggunakan metode clustering Partition Around Medoids (PAM) dengan 3 distance measure: Manhattan, Euclidean dan Canberra distance. Untuk mengukur kualitas hasil clustering, digunakan nilai Adjusted Rand Index (ARI). Semakin besar nilai ARI, semakin baik kualitas cluster. Dari 3 kali ujicoba diperoleh rata-rata nilai ARI untuk Euclidean distance sebesar 0.799, Manhattan distance dengan rata-rata sebesar 0.738 dan Canberra distance sebesar 0.163. Sedangkan pengelompokan terbaik diperoleh saat ujicoba 1 menggunakan Euclidean distance dengan nilai ARI sebesar 0.825 dan kecocokan dengan label asli sebesar 83.33 %. Dari pengelompokan terbaik menghasilkan kelompok pemerataan tinggi terdiri dari 11 kecamatan, kelompok pemerataan sedang terdiri dari 15 kecamatan dan kelompok pemerataan rendah terdiri dari 46 kecamatan.


Deskripsi Lain

Distribution of education in Indonesia has become the government's attention for a long time. But until now, education in Indonesia is still not evenly distributed. This can be seen from the low value of the APK and APM in certain areas and not yet even educational facilities throughout the region. Government should formulate appropriate policies for the creation of educational equity across regions. To produce the right policy, the government needs information about the state of education equity. One way to obtain this information is by classifying the district on the terms of indicators of educational equity. Clustering is data mining method that divides the data into groups of objects that have the same characteristics. This study uses clustering Partition Around Medoids (PAM) with 3 distance measure: Manhattan, Euclidean and Canberra distance. For measure quality of clustering result, Adjusted Rand Index is used. Good clustering result is clustering result with great value of ARI. Trial of 3 times obtained the average value of ARI 0.799 for the Euclidean distance, Manhattan distance with an average of 0.738 and Canberra distance of 0163.The best result is get when first trial with Euclidean distance with value of ARI 0.825 and matching with real label is 83.33%. Result of best clustering is group of good equity consist of 11 districts, group of middle equity consist of 15 districts and group of low equity consist of 45 districts.

• PENGGUNAAN METODE FUZZY DALAM SISTEM REKOMENDASI PADA APLIKASI MANAJEMEN OBAT
• SISTEM INFORMASI KEPEGAWAIAN MENGGUNAKAN METODE ANALYTICAL HIERARCHY PROCESS (AHP) BERBASIS WEB DI KOPERASI PEGAWAI TELKOM CITRA RAJAWALI PAMEKASAN
• SISTEM INFORMASI KEPEGAWAIAN BERBASIS WEB DI DINAS PENDIDIKAN KABUPATEN SUMENEP
• EKSTRAKSI FITUR PRINCIPAL COMPONENT ANALYSIS (PCA) UNTUK PENGENALAN HURUF ABJAD BAHASA ISYARAT PADA SISTEM ISYARAT BAHASA INDONESIA (SIBI)
• PENGELOMPOKAN LAHAN MENGGUNAKAN METODE HYBRID K-MEANS CLUSTERING DENGAN DAVIES BOULDIN INDEX (DBI)