PENENTUAN NOMINASI CALON PESERTA PROGRAM
PENENTUAN NOMINASI CALON PESERTA
PROGRAM PENYIAPAN CALON KEPALA SEKOLAH
MENGGUNAKAN METODE K-MEANS CLUSTERING
BERBASIS WEKA
Agustin Sri Murdiana1), I Ketut Eddy Purnama 2), Surya Sumpeno 3)
1)
Magister Teknik, ITS, Surabaya
e-mail : agustinsm79@yahoo.co.id
Program Studi Teknik Elektro, Program Keahlian Telematika CIO
Fakultas Teknologi Industri, ITS, Surabaya
Kampus ITS Keputih, Sukolilo, Surabaya 60111, Jawa Timur
Abstrak
Kepala Sekolah adalah salah satu unsur dalam komponen tenaga
kependidikan yang mempunyai tumpuan dalam peningkatan mutu pendidikan secara
nasional. Oleh karena itu pemerintah mencanangkan program penyiapan kepala sekolah
yang meliputi nominasi rekrutmen, seleksi administratif, seleksi akademis serta
pendidikan dan pelatihan calon kepala sekolah. Sistem yang selama ini dipakai dalam
penentuan nominasi peserta adalah administrasi manual melalui pemilahan dengan
program excell. Tetapi karena keterbatasan keterbacaan pengurutan dan melibatkan
obyek data yang banyak maka permasalahan yang sering terjadi adalah banyaknya data
yang tumpang tindih serta azas keadilan terabaikan.
Pada penelitian ini bertujuan untuk membuat sistem otomatisasi daftar
nominasi dengan menggunakan clustering (pengklasteran) dengan metode K-Means
Clustering dengan software WEKA 3.6.2 yang dianggap mampu mendukung penetapan
daftar peserta nominasi rekrutmen dalam penerbitan pengambilan keputusan.
Pembuatan aplikasi ini mengacu pada Permendiknas No. 28 Tahun 2010. Dataset yang
dipakai adalah data pendidik pada Kota Mojokerto yang diperoleh dari database
SIMNUPTK Padamu Negeri dengan menggunakan 11 (sebelas) atribut yaitu : usia,
kualifikasi pendidikan, masa kerja, pangkat dan golongan, unit kerja, sertifikasi
pendidik, DP3, PKG, pengembangan profesi, prestasi dan permasalahan hukum. Skema
kerja penelitian ini meliputi : pengumpulan data, pemilihan data sesuai parameter,
pembersihan data, konversi data ke skala numerik, proses k-means clustering sampai
akhirnya terbentuk kluster pengelompokkan yang diinginkan. Dari hasil pengolahan
data dihasilkan 3 (tiga) kluster yang mampu mewakili analisa data yaitu kluster tidak
rekomendasi dengan jumlah anggota kluster sebanyak 44%, dan kluster
direkomendasikan sebanyak 17% dan kluster paling direkomendasikan sebesar 39%.
Kata kunci: Program Penyiapan Calon Kepala Sekolah, Permendiknas No. 28 Tahun
2010, SIMNUPTK Padamu Negeri, K-Means Clustering, WEKA 3.6.2
1. PENDAHULUAN
Kepala Sekolah adalah salah satu unsur dalam komponen tenaga
kependidikan yang mempunyai peranan penting dalam menunjang proses pembelajaran
di satuan pendidikan yang pada akhirnya bermuara untuk meningkatkan mutu
pendidikan secara nasional. Sesuai dengan Permendiknas No. 28 Tahun 2010 bahwa
guru yang mendapat tugas tambahan sebagai kepala sekolah adalah guru yang telah
memenuhi persyaratan umum dan khusus serta telah mendapatkan sertifikat kelulusan
program penyiapan kepala sekolah dari lembaga yang yang ditunjuk dan ditetapkan oleh
menteri. Lembaga Penjaminan Mutu Pendidikan (LPMP) sebagai unit pelaksana teknis
di tiap provinsi dari Kementrian Pendidikan dan Kebudayaan mempunyai kewajiban
untuk mengawal kebijakan Pemerintah Pusat dalam penentuan calon Kepala Sekolah
yang kompeten dan memenuhi standar yang telah ditentukan. Dengan terlaksananya
implementasi dari Permendiknas No. 28 Tahun 2010 secara keseluruhan diharapkan
akan berdampak pada meningkatnya mutu pembelajaran dan mutu pendidikan secara
berkelanjutan. Program penyiapan kepala sekolah adalah salah satu implementasi riil
dari pelaksanaan Permendiknas No. 28 Tahun 2010.
Program penyiapan kepala sekolah meliputi nominasi rekrutmen,
seleksi administratif, seleksi akademis serta pendidikan dan pelatihan calon kepala
sekolah. Persyaratan untuk menjadi peserta nominasi rekrutmen sesuai dengan
Permendiknas No. 28 Tahun 2010 adalah sebagai berikut ;
1. Persyaratan umum meliputi :
a. Beriman dan bertaqwa kepadaTuhan Yang MahaEsa;
b. Memiliki kualifikasi akademik paling rendah sarjana (S1) atau diploma empat
(D-IV) kependidikan atau non kependidikan perguruan tinggi yang terakreditasi;
c. Berusia setinggi-tingginya 56 (lima puluh enam) tahun pada waktu
pengangkatan pertama sebagai kepala sekolah/madrasah;
d. Sehat jasmani dan rohani berdasarkan surat keterangan dari dokter Pemerintah;
e. Tidak pernah dikenakan hukuman disiplin sedang dan/atau berat sesuai dengan
ketentuan yang berlaku;
f. Memiliki sertifikat pendidik;
h. Pengalaman mengajar sekurang-kurangnya 5 (lima) tahun menurut jenis dan
jenjang sekolah/madrasah masing-masing, kecuali di taman kanakkanak/raudhatul athfal/taman kanak-kanak luar biasa (TK/RA/TKLB) memiliki
pengalaman mengajar sekurang-kurangnya 3 (tiga) tahun di TK/RA/TKLB;
i. Memiliki golongan ruang serendah-rendahnya III/c bagi guru pegawai negeri
sipil (PNS) dan bagi guru bukan PNS disetarakan dengan kepangkatan yang
dikeluarkan oleh yayasan atau lembaga yang berwenang dibuktikan dengan SK
inpasing;
j. Memperoleh nilai amat baik untuk unsur kesetiaan dan nilai baik untuk unsur
penilaian lainnya sebagai guru dalam daftar penilaian prestasi pegawai (DP3)
bagi PNS atau penilaian yang sejenis DP3 bagi bukan PNS dalam 2 (dua) tahun
terakhir; dan
k. Memperoleh nilai baik untuk penilaian kinerja sebagai guru dalam 2 (dua) tahun
terakhir.
2. Persyaratan khusus meliputi:
a. berstatus sebagai guru pada jenis atau jenjang sekolah/madrasah yang sesuai
dengan sekolah/madrasah tempat yang bersangkutan akan diberi tugas tambahan
sebagai kepala sekolah/madrasah;
b. memiliki sertifikat kepala sekolah/madrasah pada jenis dan jenjang yang sesuai
dengan pengalamannya sebagai pendidik yang diterbitkan oleh lembaga yang
ditunjuk dan ditetapkan Direktur Jenderal.
2. TINJAUAN PUSTAKA
Pengklasteran adalah proses mengelompokkan objek berdasarkan informasi
yang diperoleh dari data yang menjelaskan hubungan antar objek dengan prinsip untuk
memaksimalkan kesamaan antar anggota satu kelas dan meminimumkan kesamaan
antar kelas/klaster. Kesamaan objek diperoleh dari kedekatan nilai-nilai atribut yang
menjelaskan objek-objek data, sedangkan objek-objek data direpresentasikan sebagai
sebuah titik dalam ruang multidimensi. Dalam penambangan data, usaha pengklasteran
difokuskan pada metode-metode penemuan untuk klaster pada basis data berukuran
besar secara efektif dan efisien. Adapun kategori algoritma pengklasteran yaitu:
a. Metode Partisi, dimana pemakai harus menentukan jumlah k partisi yang diinginkan
lalu setiap data dites untuk dimasukkan pada salah satu partisi sehingga tidak ada
data yang overlap dan satu data hanya memiliki satu klaster. Contohnya: algoritma kmeans.
b. Metode Hierarki, yang menghasilkan klaster yang bersarang artinya suatu data dapat
memiliki klaster lebih dari satu. Metode ini terbagi menjadi dua yaitu buttom-up
yang menggabungkan klaster kecil menjadi klaster lebih besar dan top-down yang
memecah klaster besar menjadi klaster yang lebih kecil. Kelemahan metode ini
adalah bila salah satu penggabungan atau pemecahan dilakukan pada tempat yang
salah, tidak akan didapatkan klaster yang optimal. Contohnya: Agglomerative
(Findit, Proclus), Divisive Hierarchical Pengklasteran (Clique, Mafia, Enclue).
Gambar Algoritma Hierarchical clustering dengan K-means
Karakteristik algoritma k-means adalah sebagai berikut (Kantardzic 2003):
1. Kompleksitas algoritma k-means adalah O (nkl) dengan n adalah jumlah objek data,
k adalah jumlah klaster dan l adalah banyaknya iterasi. Umumnya, k dan l adalah
tetap sehingga algoritma ini memiliki kompleksitas linear terhadap ukuran data.
2. Algoritma k-means merupakan Algoritma yang tidak terpengaruh terhadap urutan
data (order-independent).
3. Algoritma k-means sangat sensitive terhadap noise dan outlier karena dapat sangat
mempengaruhi nilai mean.
4. Karena kompleksitasnya linear, algoritma k-means relatif lebih terukur dan efisien
untuk pemrosesan data dalam jumlah besar (higher-dimensionality).
3. METODE PENELITIAN
Berdasarkan tujuan penelitian, berikut ini akan diuraikan metode dan
tahapan-tahapan penelitian yang akan dilakukan. Proses dasar pengembangan secara
umum pada penelitian ini terdiri dari beberapa tahapan sesuai gambar berikut :
Input data
Pemrosesan data awal :
Pembersihan data
Konversi Data
Pengklasteran
Memasukkan
data input
Menentukan jumlah k dan s
k-means clustering
Klaster
Output
3 klaster Calon Peserta yang dihasilkan :
Sangat direkomendasikan
Direkomendasikan
Tidak direkomendasikan
Gambar 3.1 Blok diagram sistem kerja penelitian
Pengambilan Data Masukan; Data masukan yang digunakan dalam penelitian ini
adalah database SIM NUPTK Padamu Negeri Kota Mojokerto Provinsi Jawa Timur
yang didalamnya terdapat informasi data individu pendidik yaitu antara lain nama,
nomor unik, unit kerja, status pegawai, masa kerja, golongan/jabatan fungsional,
kualifikasi pendidikan, jurusan, usia, status sertifikasi, mata pelajaran yang diampu,
mata pelajaran yang disertifikasi, jumlah jam per minggu, dan pengembangan profesi
serta data sekolah terkait dengan nama sekolah, alamat sekolah, jenjang sekolah, status
sekolah, status akreditasi sekolah dan lain sebagainya.
Pembersihan Data; Data yang telah diperoleh dibersihkan dari indikator data yang
tidak diperlukan seperti misalnya data jenis kelamin, status perkawinan, mata pelajaran
yang diampu, mata pelajaran sertifikasi, jabatan dalam tugas, tahun lulus, jurusan dan
LPTK penyelenggara. Data – data tersebut dihapus kemudian ditambahkan kembali data
yang digunakan sebagai parameter proses pengolahan data melalui metode klustering.
Data yang ditambahkan adalah data nilai DP3, nilai PKG, pengembangan profesi,
prestasi dalam pelaksanaannya sebagai guru serta keterangan keterlibatan permasalahan
hukum. Penambahan data dilakukan menggunakan program MS Access.
Konversi Data; Untuk parameter usia, masa kerja, nilai DP3, nilai PKG bertipe
numerik sedangkan parameter lainnya yaitu golongan, pendidikan terakhir, prestasi,
pengembangan profesi, sertifikasi pendidik dan keterlibatan permasalahan hukum
bertipe kategorik. Supaya algoritma k-means bekerja dengan baik maka parameter yang
bersifat kategorik dikonversikan menjadi nilai numerik yaitu untuk parameter golongan,
kualifikasi pendidikan, pengembangan profesi, sertifikasi pendidik, permasalahan
hukum dan prestasi. Kemudian data masukan yang sudah lengkap sesuai dengan
parameter yang akan diujikan akan diubah formatnya dari excell menjadi bentuk arff.
Proses Pengklasteran; Semua data yang menjadi data masukan dilakukan proses
pengklasteran menjadi kelompok-kelompok data. Kelompok data ini mewakili setiap
aspek parameter persyaratan calon peserta program.
Keluaran; output dari penelitian ini adalah nominasi peserta Program Penyiapan Calon
Kepala Sekolah yang terbagi dalam 3 klaster, yaitu : (1) Paling direkomendasikan;
nominasi yang teratas yang dapat dijadikan sebagai sistem pengambilan keputusan yang
sangat tepat, (2) Direkomendasikan; nominasi yang direkomendasikan dengan
mempertimbangkan kondisi dan situasi pelaksanaan program di lapangan dan (3) Tidak
direkomendasikan; nominasi yang paling terendah dan tidak dapat digunakan sebagai
bahan pengambilan keputusan karena tidak memenuhi parameter penilaian yang
disyaratkan.
Pengujian Data Klaster; Pada bagian ini akan dilakukan analisis dan pengujian data
untuk mengetahui seberapa baik hasil klasifikasi yang dilakukan dengan mengukur
tingkat akurasi dari hasil klastering data nominasi calon peserta Program Penyiapan
Calon Kepala Sekolah dengan metode k-means dan membandingkannya dengan metode
dari sistem manual yang selama ini digunakan.
4. HASIL DAN PEMBAHASAN
Pengklasteran; Tahapan ini dilakukan klustering menggunakan algoritma K-Means
dengan aplikasi Weka 3.6.2. Algoritma K-Means akan menghasilkan pusat klaster
(centroid) untuk masing-masing klaster sesuai dengan atribut. Pusat klaster (centroid)
untuk klaster (k) 3 dan seed (s) 20 sebagai berikut:
Atribut
Masa kerja
Pendidikan
Pangkat/Gol
Usia
Sertifikasi
DP3
PKG
Profesi
Prestasi
Hukum
Tabel Data pusat centroid terhadap atribut
Pusat Klaster
Full Data
Klaster0
Klaster1
11.9778
6.9154
13.9732
3.7526
3.3901
3.9784
5.0928
1.1557
0.7424
41.2427
33.3952
42.4068
0.5641
0
1
83.9002
83.5705
83.0127
87.6392
87.6122
87.5464
1.0317
0.9403
0.8983
0.1655
0.1713
0.1515
0.9917
0.9905
0.9913
Klaster2
16.7461
4.0571
11.4381
49.496
1
84.6654
87.7110
1.1934
0.1654
0.9932
Uji Klasterisasi Semua Atribut yang dipergunakan
Sb y ------ kuantitaftif record
x = record nilai dibawah 50,00
x = record nilai diatas 50,00
Sb x ----- cluster
Gambar uji klasterisasi semua atribut
Setelah proses pengklasteran, maka akan didapat jumlah anggota pada masing-masing
klaster yang dapat dilihat pada gambar berikut :
Jumlah Anggota
Jumlah Anggota Tiap Klaster
1400
1200
1000
800
600
400
200
0
1154
1034
462
44%
Klaster
0
17%
1
39%
2
Gambar Grafik jumlah anggota kluster
Evaluasi Klaster; Hasil klastering dari setiap kombinasi klaster(k) dan seed(s)
dievaluasi menggunakan SSE (Sum of Squared Error (SSE)). Nilai SSE tergantung pada
jumlah cluster dan bagaimana data dikelompokkan ke dalam cluster-cluster tersebut.
Semakin kecil nilai SSE, semakin bagus hasil clustering-nya.
Tabel Hasil SSE pada k=3
SEED
10
AVERAGE WITHIN DISTANCE
959.8283
20
30
40
50
60
70
80
90
100
959.8283
1057.9395
1057.0944
959.8283
959.8283
959.8283
1078.2698
959.8283
959.8283
Hal ini menyatakan bahwa tidak diketemukan SSE yang paling kecil, sehingga apabila
menggunakan seed 20 juga termasuk klastering pada seed terbaik. Selain itu evaluasi
kluster juga dilakukan dengan penghitungan varian between kluster (Vb) yang
menunjukkan rata – rata jarak pengelompokkan antar kluster. Semakin besar nilai
perbedaannya maka kluster yang terbntuk semakin baik.
SEED
10
20
30
40
50
60
70
80
90
100
Tabel Hasil Vb pada kluster k=3
VARIAN BETWEEN CLUSTER
311244.981
443675.322
311244.981
285667.433
311244.981
443675.322
311244.981
285667.433
443675.322
311244.981
Pada tabel diatas menunjukkan bahwa nilai Vb terbesar yaitu 443675.322 ada pada seed
20, 60 dan 90. Sehingga bisa dikatakan bahwa pengklusteran dengan nilai seed 20
seperti dalam penelitian ini telah membentuk kluster yang terbaik.
Analisa Klaster; Sedangkan untuk menguji kualitas kluster yang dihasilkan dianalisa
berdasarkan nilai varian within claster (Vw) yang menunjukkan nilai perbandingan
antara jarak atribut data dengan centroid klaster. Semakin kecil nilai Vw maka klaster
yang terbentuk semakin rapat dan semakin baik klaster yang dibentuk. Nilai Vw untuk 3
klaster yang terbentuk adalah sebagai berikut :
KLASTER
0
1
2
Tabel Hasil Vw pada tiap kluster
VARIAN WITHIN CLUSTER
9754.087
7980.632
6256.534
Dari analisa diatas maka dapat diasumsikan bahwa klaster 2 adalah klaster anggota yang
paling direkomendasikan karena semua anggota klaster memenuhi hampir semua
parameter, klaster 1 adalah yang direkomendasikan karena meski anggota klaster
tersebut memenuhi parameter yang ditentukan tetapi selisih antara atribut data dengan
parameter relatif jauh sedangkan klaster 0 adalah klaster dengan anggota yang tidak
direkomendasikan karena anggota klaster 0 mempunyai atribut yang hampir
kesemuanya tidak sesuai dengan parameter yang ditentukan.
Pengujian Akurasi Data; bagian ini akan dilakukan pengujian kluster untuk
mengetahui seberapa baik hasil clustering yang dilakukan dengan mengukur tingkat
akurasi dari hasil klaster data nominasi calon peserta Program Penyiapan Calon Kepala
Sekolah dengan metode k-means clustering dan membandingkannya dengan sistem
manual yang dipakai selama ini.
Tabel Hasil Perbandingan Tingkat Akurasi 2 Metode
Metode
Manual
K-means clustering
Data Uji
1231
2650
Akurasi
49,19 %
97,69 %
Grade Akurasi
Failure
Excellent
Dari tabel diatas menunjukkan bahwa metode pengelompokkan data dengan k-means
clustering mempunyai tingkat akurasi jauh lebih tinggi dari sistem manual yang dipakai
selama ini.
5. KESIMPULAN
Kesimpulan dari hasil penelitian ini adalah sebagai berikut:
Metode clustering dengan algoritma K-Means Clustering untuk melakukan
pengelompokan guna pemilihan nominasi daftar calon peserta Program Penyiapan
Calon Kepala Sekolah lebih baik digunakan jika dibandingkan dengan
pengelompokkan manual yang selama ini dipakai karena keakurasian datanya
mempunyai kenaikan sebesar 48,5 % dari nilai akurasi sistem manual yang hanya
49,19 % menjadi 97,69 % dengan menggunakan metode k-means clustering.
Teknik k-means clustering pada penelitian kali ini yang menggunakan pilihan seed
20 menghasilkan klaster terbaik dibuktikan dengan nilai SSE (Sum of Squared
Error) yang terkecil yaitu 959.8283 dibandingkan nilai SSE dengan pemilihan seed
lainnya serta ditunjukkan pula nilai Vb (Varian between cluster) terbesar yaitu
443675.322 dan Vw (Varian within cluster) terkecil.
Hasil Klastering masing-masing atribut menunjukkan bahwa klaster 2 memiliki
nilai atribut yang dominan lebih baik dibandingkan dengan klaster 0 dan klaster 1,
hal ini dibuktikan dengan nilai Vw (Varian within cluster) pada klaster 2 yang
paling kecil yaitu 6256.534 dibandingkan dengan nilai Vw pada klaster 0 dan 1 .
Klaster 2 memiliki anggota yang mempunyai atribut memenuhi semua atau hampir
semua parameter sedangkan anggota pada klaster 1 memiliki atribut yang sesuai
dengan parameter tetapi selisih antara atribut dengan paramater terpaut jauh. Dan
anggota klaster 0 memiliki nilai atribut acak yang jauh dari parameter yang
ditentukan. Dari hasil analisa ini dapat disimpulkan bahwa klaster 2 dikategorikan
dalam kriteria sangat rekomendasikan, klaster 1 adalah kelompok yang
direkomendasikan serta klaster 0 adalah kriteria yang tidak direkomendasikan.
Jumlah anggota klaster Anggota klaster 2 adalah sebanyak 1034 record (39% dari
jumlah keseluruhan dataset yang diujikan) dengan penyimpangan data hanya
4,85%, klaster 1 beranggotakan 462 record (17% dari jumlah keseluruhan dataset
yang diujikan) sedang klaster 0 mempunyai anggota 1154 record (44% dari jumlah
keseluruhan dataset yang diujikan) dengan nilai penyimpangan sangat kecil yaitu
0,95%.
6. DAFTAR PUSTAKA
Fawcett, T. (2006), “An introduction to ROC analysis”, Pattern Recognition Letters, Vol.
27, hal. 861–874.
Hardle, W.danSimar, L. 2003. Applied Multivariate Statistical Analysis. Berlinand
Louvain-la-Neuve
Kantardzic m. 2003. Data mining: Concepts, Models, Methods, and Algorithm. New
Jersey: John Wiley & Sons Inc.
Oyelade, O. J ,Oladipupo, O. O dan Obagbuwa, I. C. 2010. Application of k-Means
Clustering algorithm for prediction of Students’ Academic Performance.
International Journal of Computer Science and Information Security, Vol. 7, No.
1.
Santosa, Budi. 2007. Data Mining Teknik Pemanfaatan Data untukKeperluanBisnis,
TeoridanAplikasi. Yogyakarta: GrahaIlmu.
Su, Mu-Chun danChou,Chien-Hsing. 2001. A Modified Version of the K-Means
Algorithmwith a Distance Based on Cluster Symmetry. IEEE.
PROGRAM PENYIAPAN CALON KEPALA SEKOLAH
MENGGUNAKAN METODE K-MEANS CLUSTERING
BERBASIS WEKA
Agustin Sri Murdiana1), I Ketut Eddy Purnama 2), Surya Sumpeno 3)
1)
Magister Teknik, ITS, Surabaya
e-mail : agustinsm79@yahoo.co.id
Program Studi Teknik Elektro, Program Keahlian Telematika CIO
Fakultas Teknologi Industri, ITS, Surabaya
Kampus ITS Keputih, Sukolilo, Surabaya 60111, Jawa Timur
Abstrak
Kepala Sekolah adalah salah satu unsur dalam komponen tenaga
kependidikan yang mempunyai tumpuan dalam peningkatan mutu pendidikan secara
nasional. Oleh karena itu pemerintah mencanangkan program penyiapan kepala sekolah
yang meliputi nominasi rekrutmen, seleksi administratif, seleksi akademis serta
pendidikan dan pelatihan calon kepala sekolah. Sistem yang selama ini dipakai dalam
penentuan nominasi peserta adalah administrasi manual melalui pemilahan dengan
program excell. Tetapi karena keterbatasan keterbacaan pengurutan dan melibatkan
obyek data yang banyak maka permasalahan yang sering terjadi adalah banyaknya data
yang tumpang tindih serta azas keadilan terabaikan.
Pada penelitian ini bertujuan untuk membuat sistem otomatisasi daftar
nominasi dengan menggunakan clustering (pengklasteran) dengan metode K-Means
Clustering dengan software WEKA 3.6.2 yang dianggap mampu mendukung penetapan
daftar peserta nominasi rekrutmen dalam penerbitan pengambilan keputusan.
Pembuatan aplikasi ini mengacu pada Permendiknas No. 28 Tahun 2010. Dataset yang
dipakai adalah data pendidik pada Kota Mojokerto yang diperoleh dari database
SIMNUPTK Padamu Negeri dengan menggunakan 11 (sebelas) atribut yaitu : usia,
kualifikasi pendidikan, masa kerja, pangkat dan golongan, unit kerja, sertifikasi
pendidik, DP3, PKG, pengembangan profesi, prestasi dan permasalahan hukum. Skema
kerja penelitian ini meliputi : pengumpulan data, pemilihan data sesuai parameter,
pembersihan data, konversi data ke skala numerik, proses k-means clustering sampai
akhirnya terbentuk kluster pengelompokkan yang diinginkan. Dari hasil pengolahan
data dihasilkan 3 (tiga) kluster yang mampu mewakili analisa data yaitu kluster tidak
rekomendasi dengan jumlah anggota kluster sebanyak 44%, dan kluster
direkomendasikan sebanyak 17% dan kluster paling direkomendasikan sebesar 39%.
Kata kunci: Program Penyiapan Calon Kepala Sekolah, Permendiknas No. 28 Tahun
2010, SIMNUPTK Padamu Negeri, K-Means Clustering, WEKA 3.6.2
1. PENDAHULUAN
Kepala Sekolah adalah salah satu unsur dalam komponen tenaga
kependidikan yang mempunyai peranan penting dalam menunjang proses pembelajaran
di satuan pendidikan yang pada akhirnya bermuara untuk meningkatkan mutu
pendidikan secara nasional. Sesuai dengan Permendiknas No. 28 Tahun 2010 bahwa
guru yang mendapat tugas tambahan sebagai kepala sekolah adalah guru yang telah
memenuhi persyaratan umum dan khusus serta telah mendapatkan sertifikat kelulusan
program penyiapan kepala sekolah dari lembaga yang yang ditunjuk dan ditetapkan oleh
menteri. Lembaga Penjaminan Mutu Pendidikan (LPMP) sebagai unit pelaksana teknis
di tiap provinsi dari Kementrian Pendidikan dan Kebudayaan mempunyai kewajiban
untuk mengawal kebijakan Pemerintah Pusat dalam penentuan calon Kepala Sekolah
yang kompeten dan memenuhi standar yang telah ditentukan. Dengan terlaksananya
implementasi dari Permendiknas No. 28 Tahun 2010 secara keseluruhan diharapkan
akan berdampak pada meningkatnya mutu pembelajaran dan mutu pendidikan secara
berkelanjutan. Program penyiapan kepala sekolah adalah salah satu implementasi riil
dari pelaksanaan Permendiknas No. 28 Tahun 2010.
Program penyiapan kepala sekolah meliputi nominasi rekrutmen,
seleksi administratif, seleksi akademis serta pendidikan dan pelatihan calon kepala
sekolah. Persyaratan untuk menjadi peserta nominasi rekrutmen sesuai dengan
Permendiknas No. 28 Tahun 2010 adalah sebagai berikut ;
1. Persyaratan umum meliputi :
a. Beriman dan bertaqwa kepadaTuhan Yang MahaEsa;
b. Memiliki kualifikasi akademik paling rendah sarjana (S1) atau diploma empat
(D-IV) kependidikan atau non kependidikan perguruan tinggi yang terakreditasi;
c. Berusia setinggi-tingginya 56 (lima puluh enam) tahun pada waktu
pengangkatan pertama sebagai kepala sekolah/madrasah;
d. Sehat jasmani dan rohani berdasarkan surat keterangan dari dokter Pemerintah;
e. Tidak pernah dikenakan hukuman disiplin sedang dan/atau berat sesuai dengan
ketentuan yang berlaku;
f. Memiliki sertifikat pendidik;
h. Pengalaman mengajar sekurang-kurangnya 5 (lima) tahun menurut jenis dan
jenjang sekolah/madrasah masing-masing, kecuali di taman kanakkanak/raudhatul athfal/taman kanak-kanak luar biasa (TK/RA/TKLB) memiliki
pengalaman mengajar sekurang-kurangnya 3 (tiga) tahun di TK/RA/TKLB;
i. Memiliki golongan ruang serendah-rendahnya III/c bagi guru pegawai negeri
sipil (PNS) dan bagi guru bukan PNS disetarakan dengan kepangkatan yang
dikeluarkan oleh yayasan atau lembaga yang berwenang dibuktikan dengan SK
inpasing;
j. Memperoleh nilai amat baik untuk unsur kesetiaan dan nilai baik untuk unsur
penilaian lainnya sebagai guru dalam daftar penilaian prestasi pegawai (DP3)
bagi PNS atau penilaian yang sejenis DP3 bagi bukan PNS dalam 2 (dua) tahun
terakhir; dan
k. Memperoleh nilai baik untuk penilaian kinerja sebagai guru dalam 2 (dua) tahun
terakhir.
2. Persyaratan khusus meliputi:
a. berstatus sebagai guru pada jenis atau jenjang sekolah/madrasah yang sesuai
dengan sekolah/madrasah tempat yang bersangkutan akan diberi tugas tambahan
sebagai kepala sekolah/madrasah;
b. memiliki sertifikat kepala sekolah/madrasah pada jenis dan jenjang yang sesuai
dengan pengalamannya sebagai pendidik yang diterbitkan oleh lembaga yang
ditunjuk dan ditetapkan Direktur Jenderal.
2. TINJAUAN PUSTAKA
Pengklasteran adalah proses mengelompokkan objek berdasarkan informasi
yang diperoleh dari data yang menjelaskan hubungan antar objek dengan prinsip untuk
memaksimalkan kesamaan antar anggota satu kelas dan meminimumkan kesamaan
antar kelas/klaster. Kesamaan objek diperoleh dari kedekatan nilai-nilai atribut yang
menjelaskan objek-objek data, sedangkan objek-objek data direpresentasikan sebagai
sebuah titik dalam ruang multidimensi. Dalam penambangan data, usaha pengklasteran
difokuskan pada metode-metode penemuan untuk klaster pada basis data berukuran
besar secara efektif dan efisien. Adapun kategori algoritma pengklasteran yaitu:
a. Metode Partisi, dimana pemakai harus menentukan jumlah k partisi yang diinginkan
lalu setiap data dites untuk dimasukkan pada salah satu partisi sehingga tidak ada
data yang overlap dan satu data hanya memiliki satu klaster. Contohnya: algoritma kmeans.
b. Metode Hierarki, yang menghasilkan klaster yang bersarang artinya suatu data dapat
memiliki klaster lebih dari satu. Metode ini terbagi menjadi dua yaitu buttom-up
yang menggabungkan klaster kecil menjadi klaster lebih besar dan top-down yang
memecah klaster besar menjadi klaster yang lebih kecil. Kelemahan metode ini
adalah bila salah satu penggabungan atau pemecahan dilakukan pada tempat yang
salah, tidak akan didapatkan klaster yang optimal. Contohnya: Agglomerative
(Findit, Proclus), Divisive Hierarchical Pengklasteran (Clique, Mafia, Enclue).
Gambar Algoritma Hierarchical clustering dengan K-means
Karakteristik algoritma k-means adalah sebagai berikut (Kantardzic 2003):
1. Kompleksitas algoritma k-means adalah O (nkl) dengan n adalah jumlah objek data,
k adalah jumlah klaster dan l adalah banyaknya iterasi. Umumnya, k dan l adalah
tetap sehingga algoritma ini memiliki kompleksitas linear terhadap ukuran data.
2. Algoritma k-means merupakan Algoritma yang tidak terpengaruh terhadap urutan
data (order-independent).
3. Algoritma k-means sangat sensitive terhadap noise dan outlier karena dapat sangat
mempengaruhi nilai mean.
4. Karena kompleksitasnya linear, algoritma k-means relatif lebih terukur dan efisien
untuk pemrosesan data dalam jumlah besar (higher-dimensionality).
3. METODE PENELITIAN
Berdasarkan tujuan penelitian, berikut ini akan diuraikan metode dan
tahapan-tahapan penelitian yang akan dilakukan. Proses dasar pengembangan secara
umum pada penelitian ini terdiri dari beberapa tahapan sesuai gambar berikut :
Input data
Pemrosesan data awal :
Pembersihan data
Konversi Data
Pengklasteran
Memasukkan
data input
Menentukan jumlah k dan s
k-means clustering
Klaster
Output
3 klaster Calon Peserta yang dihasilkan :
Sangat direkomendasikan
Direkomendasikan
Tidak direkomendasikan
Gambar 3.1 Blok diagram sistem kerja penelitian
Pengambilan Data Masukan; Data masukan yang digunakan dalam penelitian ini
adalah database SIM NUPTK Padamu Negeri Kota Mojokerto Provinsi Jawa Timur
yang didalamnya terdapat informasi data individu pendidik yaitu antara lain nama,
nomor unik, unit kerja, status pegawai, masa kerja, golongan/jabatan fungsional,
kualifikasi pendidikan, jurusan, usia, status sertifikasi, mata pelajaran yang diampu,
mata pelajaran yang disertifikasi, jumlah jam per minggu, dan pengembangan profesi
serta data sekolah terkait dengan nama sekolah, alamat sekolah, jenjang sekolah, status
sekolah, status akreditasi sekolah dan lain sebagainya.
Pembersihan Data; Data yang telah diperoleh dibersihkan dari indikator data yang
tidak diperlukan seperti misalnya data jenis kelamin, status perkawinan, mata pelajaran
yang diampu, mata pelajaran sertifikasi, jabatan dalam tugas, tahun lulus, jurusan dan
LPTK penyelenggara. Data – data tersebut dihapus kemudian ditambahkan kembali data
yang digunakan sebagai parameter proses pengolahan data melalui metode klustering.
Data yang ditambahkan adalah data nilai DP3, nilai PKG, pengembangan profesi,
prestasi dalam pelaksanaannya sebagai guru serta keterangan keterlibatan permasalahan
hukum. Penambahan data dilakukan menggunakan program MS Access.
Konversi Data; Untuk parameter usia, masa kerja, nilai DP3, nilai PKG bertipe
numerik sedangkan parameter lainnya yaitu golongan, pendidikan terakhir, prestasi,
pengembangan profesi, sertifikasi pendidik dan keterlibatan permasalahan hukum
bertipe kategorik. Supaya algoritma k-means bekerja dengan baik maka parameter yang
bersifat kategorik dikonversikan menjadi nilai numerik yaitu untuk parameter golongan,
kualifikasi pendidikan, pengembangan profesi, sertifikasi pendidik, permasalahan
hukum dan prestasi. Kemudian data masukan yang sudah lengkap sesuai dengan
parameter yang akan diujikan akan diubah formatnya dari excell menjadi bentuk arff.
Proses Pengklasteran; Semua data yang menjadi data masukan dilakukan proses
pengklasteran menjadi kelompok-kelompok data. Kelompok data ini mewakili setiap
aspek parameter persyaratan calon peserta program.
Keluaran; output dari penelitian ini adalah nominasi peserta Program Penyiapan Calon
Kepala Sekolah yang terbagi dalam 3 klaster, yaitu : (1) Paling direkomendasikan;
nominasi yang teratas yang dapat dijadikan sebagai sistem pengambilan keputusan yang
sangat tepat, (2) Direkomendasikan; nominasi yang direkomendasikan dengan
mempertimbangkan kondisi dan situasi pelaksanaan program di lapangan dan (3) Tidak
direkomendasikan; nominasi yang paling terendah dan tidak dapat digunakan sebagai
bahan pengambilan keputusan karena tidak memenuhi parameter penilaian yang
disyaratkan.
Pengujian Data Klaster; Pada bagian ini akan dilakukan analisis dan pengujian data
untuk mengetahui seberapa baik hasil klasifikasi yang dilakukan dengan mengukur
tingkat akurasi dari hasil klastering data nominasi calon peserta Program Penyiapan
Calon Kepala Sekolah dengan metode k-means dan membandingkannya dengan metode
dari sistem manual yang selama ini digunakan.
4. HASIL DAN PEMBAHASAN
Pengklasteran; Tahapan ini dilakukan klustering menggunakan algoritma K-Means
dengan aplikasi Weka 3.6.2. Algoritma K-Means akan menghasilkan pusat klaster
(centroid) untuk masing-masing klaster sesuai dengan atribut. Pusat klaster (centroid)
untuk klaster (k) 3 dan seed (s) 20 sebagai berikut:
Atribut
Masa kerja
Pendidikan
Pangkat/Gol
Usia
Sertifikasi
DP3
PKG
Profesi
Prestasi
Hukum
Tabel Data pusat centroid terhadap atribut
Pusat Klaster
Full Data
Klaster0
Klaster1
11.9778
6.9154
13.9732
3.7526
3.3901
3.9784
5.0928
1.1557
0.7424
41.2427
33.3952
42.4068
0.5641
0
1
83.9002
83.5705
83.0127
87.6392
87.6122
87.5464
1.0317
0.9403
0.8983
0.1655
0.1713
0.1515
0.9917
0.9905
0.9913
Klaster2
16.7461
4.0571
11.4381
49.496
1
84.6654
87.7110
1.1934
0.1654
0.9932
Uji Klasterisasi Semua Atribut yang dipergunakan
Sb y ------ kuantitaftif record
x = record nilai dibawah 50,00
x = record nilai diatas 50,00
Sb x ----- cluster
Gambar uji klasterisasi semua atribut
Setelah proses pengklasteran, maka akan didapat jumlah anggota pada masing-masing
klaster yang dapat dilihat pada gambar berikut :
Jumlah Anggota
Jumlah Anggota Tiap Klaster
1400
1200
1000
800
600
400
200
0
1154
1034
462
44%
Klaster
0
17%
1
39%
2
Gambar Grafik jumlah anggota kluster
Evaluasi Klaster; Hasil klastering dari setiap kombinasi klaster(k) dan seed(s)
dievaluasi menggunakan SSE (Sum of Squared Error (SSE)). Nilai SSE tergantung pada
jumlah cluster dan bagaimana data dikelompokkan ke dalam cluster-cluster tersebut.
Semakin kecil nilai SSE, semakin bagus hasil clustering-nya.
Tabel Hasil SSE pada k=3
SEED
10
AVERAGE WITHIN DISTANCE
959.8283
20
30
40
50
60
70
80
90
100
959.8283
1057.9395
1057.0944
959.8283
959.8283
959.8283
1078.2698
959.8283
959.8283
Hal ini menyatakan bahwa tidak diketemukan SSE yang paling kecil, sehingga apabila
menggunakan seed 20 juga termasuk klastering pada seed terbaik. Selain itu evaluasi
kluster juga dilakukan dengan penghitungan varian between kluster (Vb) yang
menunjukkan rata – rata jarak pengelompokkan antar kluster. Semakin besar nilai
perbedaannya maka kluster yang terbntuk semakin baik.
SEED
10
20
30
40
50
60
70
80
90
100
Tabel Hasil Vb pada kluster k=3
VARIAN BETWEEN CLUSTER
311244.981
443675.322
311244.981
285667.433
311244.981
443675.322
311244.981
285667.433
443675.322
311244.981
Pada tabel diatas menunjukkan bahwa nilai Vb terbesar yaitu 443675.322 ada pada seed
20, 60 dan 90. Sehingga bisa dikatakan bahwa pengklusteran dengan nilai seed 20
seperti dalam penelitian ini telah membentuk kluster yang terbaik.
Analisa Klaster; Sedangkan untuk menguji kualitas kluster yang dihasilkan dianalisa
berdasarkan nilai varian within claster (Vw) yang menunjukkan nilai perbandingan
antara jarak atribut data dengan centroid klaster. Semakin kecil nilai Vw maka klaster
yang terbentuk semakin rapat dan semakin baik klaster yang dibentuk. Nilai Vw untuk 3
klaster yang terbentuk adalah sebagai berikut :
KLASTER
0
1
2
Tabel Hasil Vw pada tiap kluster
VARIAN WITHIN CLUSTER
9754.087
7980.632
6256.534
Dari analisa diatas maka dapat diasumsikan bahwa klaster 2 adalah klaster anggota yang
paling direkomendasikan karena semua anggota klaster memenuhi hampir semua
parameter, klaster 1 adalah yang direkomendasikan karena meski anggota klaster
tersebut memenuhi parameter yang ditentukan tetapi selisih antara atribut data dengan
parameter relatif jauh sedangkan klaster 0 adalah klaster dengan anggota yang tidak
direkomendasikan karena anggota klaster 0 mempunyai atribut yang hampir
kesemuanya tidak sesuai dengan parameter yang ditentukan.
Pengujian Akurasi Data; bagian ini akan dilakukan pengujian kluster untuk
mengetahui seberapa baik hasil clustering yang dilakukan dengan mengukur tingkat
akurasi dari hasil klaster data nominasi calon peserta Program Penyiapan Calon Kepala
Sekolah dengan metode k-means clustering dan membandingkannya dengan sistem
manual yang dipakai selama ini.
Tabel Hasil Perbandingan Tingkat Akurasi 2 Metode
Metode
Manual
K-means clustering
Data Uji
1231
2650
Akurasi
49,19 %
97,69 %
Grade Akurasi
Failure
Excellent
Dari tabel diatas menunjukkan bahwa metode pengelompokkan data dengan k-means
clustering mempunyai tingkat akurasi jauh lebih tinggi dari sistem manual yang dipakai
selama ini.
5. KESIMPULAN
Kesimpulan dari hasil penelitian ini adalah sebagai berikut:
Metode clustering dengan algoritma K-Means Clustering untuk melakukan
pengelompokan guna pemilihan nominasi daftar calon peserta Program Penyiapan
Calon Kepala Sekolah lebih baik digunakan jika dibandingkan dengan
pengelompokkan manual yang selama ini dipakai karena keakurasian datanya
mempunyai kenaikan sebesar 48,5 % dari nilai akurasi sistem manual yang hanya
49,19 % menjadi 97,69 % dengan menggunakan metode k-means clustering.
Teknik k-means clustering pada penelitian kali ini yang menggunakan pilihan seed
20 menghasilkan klaster terbaik dibuktikan dengan nilai SSE (Sum of Squared
Error) yang terkecil yaitu 959.8283 dibandingkan nilai SSE dengan pemilihan seed
lainnya serta ditunjukkan pula nilai Vb (Varian between cluster) terbesar yaitu
443675.322 dan Vw (Varian within cluster) terkecil.
Hasil Klastering masing-masing atribut menunjukkan bahwa klaster 2 memiliki
nilai atribut yang dominan lebih baik dibandingkan dengan klaster 0 dan klaster 1,
hal ini dibuktikan dengan nilai Vw (Varian within cluster) pada klaster 2 yang
paling kecil yaitu 6256.534 dibandingkan dengan nilai Vw pada klaster 0 dan 1 .
Klaster 2 memiliki anggota yang mempunyai atribut memenuhi semua atau hampir
semua parameter sedangkan anggota pada klaster 1 memiliki atribut yang sesuai
dengan parameter tetapi selisih antara atribut dengan paramater terpaut jauh. Dan
anggota klaster 0 memiliki nilai atribut acak yang jauh dari parameter yang
ditentukan. Dari hasil analisa ini dapat disimpulkan bahwa klaster 2 dikategorikan
dalam kriteria sangat rekomendasikan, klaster 1 adalah kelompok yang
direkomendasikan serta klaster 0 adalah kriteria yang tidak direkomendasikan.
Jumlah anggota klaster Anggota klaster 2 adalah sebanyak 1034 record (39% dari
jumlah keseluruhan dataset yang diujikan) dengan penyimpangan data hanya
4,85%, klaster 1 beranggotakan 462 record (17% dari jumlah keseluruhan dataset
yang diujikan) sedang klaster 0 mempunyai anggota 1154 record (44% dari jumlah
keseluruhan dataset yang diujikan) dengan nilai penyimpangan sangat kecil yaitu
0,95%.
6. DAFTAR PUSTAKA
Fawcett, T. (2006), “An introduction to ROC analysis”, Pattern Recognition Letters, Vol.
27, hal. 861–874.
Hardle, W.danSimar, L. 2003. Applied Multivariate Statistical Analysis. Berlinand
Louvain-la-Neuve
Kantardzic m. 2003. Data mining: Concepts, Models, Methods, and Algorithm. New
Jersey: John Wiley & Sons Inc.
Oyelade, O. J ,Oladipupo, O. O dan Obagbuwa, I. C. 2010. Application of k-Means
Clustering algorithm for prediction of Students’ Academic Performance.
International Journal of Computer Science and Information Security, Vol. 7, No.
1.
Santosa, Budi. 2007. Data Mining Teknik Pemanfaatan Data untukKeperluanBisnis,
TeoridanAplikasi. Yogyakarta: GrahaIlmu.
Su, Mu-Chun danChou,Chien-Hsing. 2001. A Modified Version of the K-Means
Algorithmwith a Distance Based on Cluster Symmetry. IEEE.