202310715065-ANANDA-DWI-PRASETYO/Proyek_Machine_Learning_F5A2
1
0
Fork 0
Code Issues Pull Requests Actions Packages Projects Releases Wiki Activity

Update README.md

Browse Source
This commit is contained in:
202310715065 ANANDA DWI PRASETYO 2025-11-21 18:50:10 +07:00
parent ee46c84b6b
commit 50112ec73e
1 changed files with 39 additions and 3 deletions
Show Stats Download Patch File Download Diff File Expand all files Collapse all files

42
README.md
View File

@ -87,10 +87,8 @@ Metode evaluasi yang digunakan:
Nilai inertia terus menurun seiring bertambahnya jumlah cluster. Titik siku (elbow) terlihat pada K = 3, yang menunjukkan penurunan inertia tidak lagi signifikan setelah titik tersebut.
2. Silhouette Score
Silhouette Score tertinggi berada pada:
K = 2 : 0.731
K = 3 : 0.595
Meskipun K=2 memiliki nilai lebih tinggi, namun K=3 dipilih karena menghasilkan segmentasi yang lebih baik secara interpretasi kebijakan (rendah, sedang, tinggi) dan masih dalam kategori skor baik (>0.5). Sehingga jumlah cluster optimal ditetapkan sebagai K = 3.
D. Implementasi K-Means Clustering
@ -98,12 +96,50 @@ D. Implementasi K-Means Clustering
Proses K-Means dilakukan dengan K = 3, menghasilkan:
1. Inertia : 3.68
2. Silhouette Score : 0.595 (kategori baik)
3. Davies-Bouldin Index : 0.464 (semakin kecil semakin baik)
3. Davies-Bouldin Index : 0.464 (semakin kecil semakin baik),
Ini menunjukkan model clustering stabil dan cukup baik dalam memisahkan data.
E. Hasil Pengelompokkan
Berdasarkan perhitungan rata-rata jumlah pendidik per cluster, tiga kategori ditetapkan:
1. Cluster 0: Kepadatan Rendah
2. Cluster 1: Kepadatan Tinggi
3. Cluster 2: Kepadatan Sedang
F. Interpretasi Per Cluster
1. Cluster Kepadatan Rendah
Berisi 14 wilayah, seperti: Papua, Kalimantan Timur, Maluku, NTB, Gorontalo, dll. Memiliki nilai pendidik dan sekolah paling rendah. Rasio guru per sekolah: 22,31, di bawah standar ideal (25–30).
➡ Rekomendasi: Perlu penambahan guru dan pemerataan distribusi pendidik.
2. Cluster Kepadatan Sedang
Terdiri dari 7 wilayah: DKI Jakarta, Sumatera Utara, Banten, Lampung, Aceh, dan lainnya. Memiliki karakteristik jumlah pendidik dan sekolah menengah. Rasio guru per sekolah: 27,88, dalam kategori ideal.
➡ Rekomendasi: Tidak memerlukan intervensi besar; cukup menjaga stabilitas distribusi guru.
3. Cluster Kepadatan Tinggi
Berisi 3 wilayah utama: Jawa Barat, Jawa Tengah, Jawa Timur. Memiliki jumlah pendidik dan sekolah tertinggi di Indonesia. Rasio guru per sekolah: 28,28, masih dalam batas ideal.
➡ Rekomendasi: Tidak membutuhkan penambahan guru; fokus pada efisiensi dan pemerataan internal.
# Penelitian: k-Means Clustering
File CSV tersebut adalah output akhir dari analisis K-Means Clustering yang berfungsi untuk:
1. Mengelompokkan provinsi berdasarkan jumlah pendidik
2. Menentukan kategori kepadatan pendidik (rendah/sedang/tinggi)
# Kesimpulan
Berdasarkan analisis clustering menggunakan algoritma K-Means terhadap data jumlah pendidik dan jumlah sekolah SMA/Sederajat di Indonesia tahun 2023, diperoleh beberapa kesimpulan utama sebagai berikut:
Data berhasil dikelompokkan menjadi tiga cluster utama, yaitu:
a. Cluster Kepadatan Rendah
b. Cluster Kepadatan Sedang
c. Cluster Kepadatan Tinggi
1. Cluster Kepadatan Rendah berisi sebagian besar wilayah (14 provinsi) dengan jumlah pendidik dan sekolah yang relatif kecil. Cluster ini memiliki rasio guru per sekolah terendah, sehingga wilayah dalam cluster ini berpotensi mengalami kekurangan pendidik dan memerlukan prioritas intervensi.
2. Cluster Kepadatan Sedang terdiri dari 7 provinsi dengan jumlah pendidik dan sekolah pada kategori menengah. Rasio guru per sekolah berada dalam kisaran ideal sehingga wilayah ini berada pada kondisi relatif stabil.
3. Cluster Kepadatan Tinggi berisi 3 provinsi besar (Jawa Barat, Jawa Tengah, Jawa Timur) yang memiliki jumlah pendidik dan sekolah paling tinggi di Indonesia. Rasio guru per sekolah tetap berada pada rentang ideal, sehingga wilayah ini tidak membutuhkan penambahan pendidik, hanya optimalisasi pemerataan internal.
Hasil clustering menunjukkan adanya ketimpangan distribusi pendidik antar wilayah, dengan beberapa provinsi memiliki jumlah pendidik yang jauh lebih rendah dibanding provinsi lainnya. Secara keseluruhan, algoritma K-Means mampu memberikan segmentasi wilayah yang jelas dan bermakna, sehingga dapat digunakan sebagai dasar pengambilan keputusan dalam perencanaan kebutuhan pendidik, pemerataan guru, dan penguatan kualitas pendidikan pada tingkat nasional.