PENGELOMPOKKAN PARTISIPASI PENDIDIKAN MENGGUNAKAN METODE SELF ORGANIZING MAPS
EDUCATION PARTICIPATION GROUPING USING THE SELF ORGANIZING MAPS METHOD
Dika Putri Apriliani¹, Ul Khairat², Syarli³
¹ ² Universitas Al Asyariah Mandar, Polman
³ Dinas KominfoPersandian dan Statistik, Mamuju msyarli44@gmail.com
ABSTRAK
Pengelompokkan partisipasi pendidikan pada suatu wilayah dapat dilakukan dengan menggunakan 2(dua) parameter partisipasi pendidikan, yaitu angka partisipasi kasar (APK) dan angka partisipasi murni (APM). Data paramater partisipasi pendidikan tahun 2016-2018 digunakan sebagai data training dengan 64 data dan tahun 2019 digunakan sebagai data uji dengan 16 data berdasarkan kecamatan pada kabupaten polewali mandar. Pada tahap preprocessing dilakukan proses normalisasi data dengan metode min - max Normalization yang bertujuan untuk membatasi nilai variabel berada pada range 0-1, sehingga tidak terdapat variabel yang dominan, dan tahapan selanjutnya dilakukan perhitungan dengan menggunakan metode Algoritman SOM. Dibangun Aplikasi komputer untuk mengimplementasikan metode Algoritma SOM dengan menggunakan bahasa pemrograman matlab.
Hasil pengujian menunjukkan kelas yang peroleh tidak sesuai dengan kelasnya terdapat 3 kecamatan dan tingkat keakuratan yang dihasilkan 81,25%, Akurasi yang diperoleh ditentukan model data training dan banyaknya jumlah data training. Dengan tingkat keakuratan yang diperoleh maka Algoritma SOM dapat direkomendasikan sebagai teknik dalam melakukan pengelompokkan.
Kata Kunci: Algoritma SOM, Normalisasi Data, Tingkat Partisipasi Pendidikan.
ABSTRACT
The grouping of education participation in an area can be done by using 2 (two) education participation parameters, namely the gross enrollment rate (GER) and the net enrollment rate (NER).
The educational participation parameter data for 2016-2018 is used as training data with 64 data and in 2019 it is used as test data with 16 data based on sub-districts in Polewali Mandar district. At the preprocessing stage, the data normalization process is carried out using the min - max Normalization method which aims to limit the value of the variable to be in the range 0-1, so that there is no dominant variable, and the next step is to calculate it using the SOM algorithm. A computer application was built to implement the SOM Algorithm method using the Matlab programming language. The test results show that the class obtained is not in accordance with the class there are 3 districts and the resulting accuracy level is 81.25%, the accuracy obtained is determined by the training data model and the amount of training data. With the level of accuracy obtained, the SOM algorithm can be recommended as a technique for grouping.
Keywords: SOM Algorithm, Data Normalization, Education Participation Rate.
PENDAHULUAN
Kemajuan sistem komputerisasi pada bidang teknologi informasi maupun sistem informasi menjadi kebutuhan pada berbagai bidang seperti perusahaan, organisasi maupun instansi terutama teknologi informasi yang dilakukan melalui media internet. Hal ini diwujudkan dengan adanya komputerisasi sebagai alat bantu yang mampu menyimpan dan mengelola berbagai macam data secara cepat, tepat dan akurat.
Seiring dengan berkembangnya teknologi informasi, suatu perusahaan, organisasi maupun instansi dituntut untuk dapat saling meningkatkan mutu dan kualitas system informasi agar bisa bersaing dalam era globalisasi sekarang ini salah satunya perguruan tinggi ilmu komputer berbasis teknologi informasi.
Pendaftaran mahasiswa baru diperlukan dan dilakukan setiap perguruan tinggi untuk menarik minat calon mahasiswa untuk melanjutkan pendidikannya perlu mengadakan promosipromosi supaya banyak calon mahasiswa yang tahu dan nantinya tertarik untuk mendaftar di perguruan tinggi tersebut, (Muhamad Muslihudin, Anggun Larasati 2014).
Kualitas pendidikan di Indonesia cukup tertinggal dibandingkan dengan negara lain di dunia. Seperti yang dilansir oleh Deutsche Welle, Indonesia berada di peringkat ke lima dari sepuluh negara dalam daftar pemeringkatan kualitas pendidikan di wilayah ASEAN. Kualitas pendidikan di Indonesia tidak lebih baik dari negara Singapura, Brunei Darussalam, Malaysia, dan Thailand.
Pada peringkat dunia Indonesia berada di urutan 108, berada di bawah Palestina, Samoa, dan Mongolia, Untuk mengukur kualitas pendidikan di suatu daerah, menurut TNP2K [2] dapat digunakan beberapa parameter atau indikator seperti berikut Penduduk Usia Sekolah, Jumlah Siswa, Angka Partisipasi Kasar, Angka Partisipasi Murni, Angka Putus Sekolah, Angka Kelulusan, Angka Melanjutkan, Jumlah Sekolah, Rasio Siswa/Sekolah, Rasio Siswa/Kelas, Rasio Kelas/Guru, Rasio Kelas/Sekolah, Rombongan Belajar/Ruang Kelas, dan Jarak Sekolah, (Gibran Satya Nugraha DKK 2018).
“Implementasi Self Organizing Map (SOM) klasifikasi penduduk untuk menentukan keputusan pembangunan daerah prioritas miskin” membahas tentang penerapan metode Self Organizing Map (SOM) yang merupakan metode yang efektif untuk menganalisis data multidimensi.
Jaringan ini dapat digunakan untuk analisis cluster sambil mempertahankan data struktur (topologi), SOM merupakan model atau metode yang tingkat akurat cukup baik untuk mengklasifikasi sebuah tempat, daerah, wilayah, benda, (Erfan Rohadi DKK 2019)
Berdasar uraian diatas, metode yang akan digunakan dalam penelitian yang akan dilakukan adalah Self Organizing Maps (SOM).
Hasil penelitian membandingkan antara metode SOM dengan wood morfometrik dalam melakukan pengelompokkan menunjukan SOM lebih baik.
Hasil penelitiandalam melakukan Klasifikasi dengan membandingkan metode K-Means dan SOM, menunjukkan SOM lebih baik.
Penelitian pendekatan multivariate dengan menggunakan SOM menunjukkan SOM sebagai alat bantu yang baik dalam pengelolaam interpretasi dataset kompoleks.
Penelitian Pemetaan pola dengan menggunakan SOM, menunjukkan hasil yang diperoleh bahwa SOM baik dalam melakukan pemetaan data multivariate.
Penelitian yang dilakukan menggunakan metode SOM dalam menganalisis kasus yang akan dilteliti. SOM digunakan dalam melakukan pengelompokkan partispasi pendidikan dengan menggunakan parameter partisipasi pendidikan. Penelitian pengelompokkan partispasi pendidikan pernah dilakukan, namun perbedaan penelitian dari penilitian sebelumnya adalah terletak pada indicator/parameter yang akan digunakan dalam melakukan pengelompokkan.
METODE
Dalam penelitian ini data yang digunakan adalah data sekunder berupa Adapun bahan yang digunakan dalam penelitian ini adalah data Angka Partisipasi Kasar (APK) dan data Angka Partisipasi Murni (APM) tahun 2016
sampai dengan 2018 sebagai data training dan data tahun 2019 sebagai data uji.
Analisis pengelompokkan yang digunakan dengan pendekatan metode jaringan saraf tiruan berupa pembelajaran tak terawasi (unsupervized) yaitu metode Self Organizing Maps (SOM). SOM digunakan untuk melakukan pengelompokkan terhadap kondisi partisipasi pendidikan dengan menggunakan parameter Angka Partisipasi Kasar (APK dan Angka Partisipasi Murni (APM).
Pada tahapan pra proses dilakukan normalisasi data APK dan APM menggunakan metode minmax normalization sehingga data berada pada range 0-1. Hasil dari normalisasi data dilanjutkan dengan tahapan proses pengelompokkan menggunakan metode SOM.
SOM akan melakukan pengelompokkan dengan mengelompokkan data berdasarkan kemiripan karakternya, pembelajaran yang dilakukan adalah tak terawasi sehingga proses pengelompokkan akan dilakukan dengan menentukan besaran epoch/ iterasi. Besarnya iterasi yang dilakukan pada proses pembelajaran akan berhenti dilakukan ketika hasil proses pengelompokkan mencapai nilai kovergen (mendekati nilai nol).
Nilai konvergen yang dimaksud adalah proses pembelajaran dengan menentukan epoch tertentu, hasil pengelompokkan yang dihasilkan tidak terjadi perubahan terhadap data dalam satu kelompok. Proses pembelajaran akan berlangsung terus menerus sehingga epoch mencapai maksimum epoch. Adapun urutan algoritmanya sebagai berikut (Pandit dkk., 2011):
Inisialisasi bobot Wij. Set parameterparameter tetangga dan set parameter learning rate.
Selama jumlah maksimal iterasi belum tercapai, maka lakukan langkah:
1. Untuk masing - masing vector input x, lakukan:
2. Untuk masing-masing j, lakukan perhitungan:
3. Cari indeks dari sejumlah neuron, yaitu D¬ij yang mempunyai nilai terkecil.
4. Untuk neuron j dan semua neuron yang menjadi tetangga J dalam radius R dilakukan pembaruan bobot:
𝑊𝑖𝑗(𝑏𝑎𝑟𝑢) = 𝑊𝑖𝑗(𝑙𝑎𝑚𝑎) + 𝜂[𝑋𝑖 - 𝑊𝑖𝑗(𝑙𝑎𝑚𝑎)]
5. Perbaharui nilai learning rate.
HASIL DAN PEMBAHASAN
Hasil dari penelitian ini adalah sebuah system informasi pemetaan pendidikan yang menghasilkan sebuah laporan berupa klasifikasi tingkat pendidikan berdasarkan wilayah kecamatan dan penyajian informasinya dalam bentuk peta. Hasil dari laporan tersebut dapat pula dijadikan sebagai rujukan bagi pemerintah dalam menetukan prioritas pembangunan dibidang pendidikan.
Halaman utama antarmuka sistem informasi pengelompokkan pendidikan menampilkan setiap perintah yang akan dilakukan dalam mengaplikasikan sistem informasi pemetaan pendidikan.
Berikut tampilan awal dari system dapat dilihat pada gambar 1.
Gambar 1. Tampilan antarmuka sistem informasiPengelompokkan Partisipasi pendidikan
Pada sistem terdapat tombol browse yang berisi tentang perintah untuk mencari file data sebagai data latih, klik tombol browse maka sistem akan mengarahkan user pada drive yang terdapat pada computer dan kemudian user memilih drive tempat tersimpannya data latih.
Setelah berada pada drive data latih selanjutnya user memilih data latih tersebut, kemudian mengklik tombol open pada sistem untuk melanjutkan proses atau mengklik tombol cancel untuk membatalkan proses pengolahan data. Data latih yang dapat diolah pada sistem ini yaitu data latih berupa data excel.
Pada kasus ini folder penyimpanan data yang akan diolah oleh sistem terdapat pada drive C /
Document / Matlab /
SOM_pemerataan_pendidikanyang merupakan penyimpanan default, sehingga memudahkan dalam pemanggilan fungsi dan file.
Setelah proses pembacaan data dilanjutkan pada tahapan normalisasi data dari data training. Selanjutnya dilakukan pembacaan data uji untuk melakukan pengelompokkan dengan menggunakan metode SOM dan dari hasil pengujian menunjukkan bahwa setiap kecamatan telah dikelompokkan berdasarkan kelas masing-masing dan selanjutnya hasil pengujian tersebut di sajikan kedalam bentuk peta.
Perbedaan warna yang disajikan pada peta menunjukkan kondisi pendidikan suatu wilayah, warna hijau menunjukkan kondisi wilayah amat baiksedangkan warna kuning menunjukkan kondsisi wilayah baik, seperti terlihat pada gambar 2.
Gambar 2. Peta Pengelompokkan Partisipasi Pendidikan Kabupaten Polewali Mandar.
Berdasarkan pada data aktual dan data uji menunjukkan terdapat 3 kecamatan yang memiliki kelas berbeda. Seperti terlihat pada gambar 3.
Gambar 3. Menunjukkan Grafik Perbandingan antar Data Aktual dan Data Hasil Pengujian.
Dari grafik diatas, Kelas AB ditunjukkan pada angka 4, kelas B ditunjukkan angka 3 dan dapat dilihat bahwa perbedaan kelas terjadi pada kecamatan anreapi dan kecamatan luyo dari kelas AB menjadi B, kecamatan tapango dari kelas B menjadi AB.Dengan demikian terdapat 3 kecamatan yang tidak sesuai dengan kelasnya, adapun persentase akurasi kesesuaian berkisar 81.25%danselanjutnya akan dilakukan pengujian untuk mengetahui faktor yang menyebabkan terjadinya perbedaan kelas.
Beberapa faktor yang akan diuji untuk mengetahui pengaruh dari terjadinya perubahan kelas dan akurasi pengklasifikasian, maka pada tahapan ini akan dilakukan pengujian terhadap jumlah data yang dijadikan sebagai data latih.
Pada proses ini pengujian akan dilakukan sebanyak 3 kali, dengan mengubah jumlah iterasi sebagai berikut:
1. Pengujian dengan 200 Iterasi Hasil dari pengujian dengan jumlah iterasi sebanyak 200 menunjukkan terdapat 5 kecamatan yang tidak sesuai dengan kelasnya seperti terlihat pada gambar 4.
Gambar 4. Menunjukkan Grafik Perbandingan antar Data Aktual dan Hasil pengelompokkan dengan 200 iterasi.
Dari grafik diatas dapat dilihat bahwa perbedaan kelas terjadi pada kecamatan
tapango, kecamatan tutar, kecamatan bulo, kecamatan matangnga dan kecamatan tinambung perubahan kelas dari B menjadi AB. Dengan demikian hasil menujukkan bahwa tingkat akurasi dengan 20 data latih berkisar 68,75%.
2. Pengujian dengan 500 Iterasi Hasil dari pengujian dengan jumlah iterasi sebanyak 500 menunjukkan terdapat 5 kecamatan yang tidak sesuai dengan kelasnya seperti terlihat pada gambar 5.
Gambar 5. Menunjukkan Grafik Perbandingan antar Data Aktual dan Pengelompokkan dengan 500 iterasi.
Dari grafik diatas dapat dilihat bahwa perbedaan kelas terjadi pada kecamatan Binuang, kecamatan Anreapi, kecamatan Campalagian dan kecamatan Limboro dari kelas AB menjadi B sedangkan kecamatan tapango dari kelas B menjadi AB. Dengan demikian hasil menujukkan bahwa tingkat akurasi dengan 35 data latih berkisar 68,75%.
3. Pengujian dengan 1000 Iteras Hasil dari pengujian dengan jumlah iterasi sebanyak 1000 menunjukkan terdapat 4 kecamatan yang tidak sesuai dengan kelasnya seperti terlihat pada gambar 6.
Gambar 6. Menunjukkan Grafik Perbandingan antar Data Aktual dan 1000 iterasi
Dari grafik diatas dapat dilihat bahwa perbedaan kelas terjadi pada kecamatan Tapango, kecamatan Tutar, kecamatan Bulo dan kecamatan Matangnga dari kelas B menjadi AB. Dengan demikian hasil menujukkan bahwa tingkat akurasi dengan 50 data latih berkisar 75%.
Berdasarkan hasil pengujian dengan menggunakan iterasi yang berbeda yaitu 200 iterasi, 500 iterasi, dan 1000 iterasi diperoleh 2 hasil pengujian sebagai berikut :
1. Tingkat Akurasi
Dapat dilihat bahwa setiap data latih yang berbeda dapat mempengaruhi tingkat akurasi yang dihasilkan, untuk 200 iterasi dan 500 iterasi menghasilkan persentase akurasi kesesuaiannya 68,75%, dan 1000 iterasi memiliki tingkat akurasi kesesuaiannya 75%.
Hasil pengujian perbandingan antara data aktual, data ujidan data latih dari berbagai banyaknya jumlah data latih dapat dilihat pada gambar 7.
Gambar 7. Menunjukkan Grafik Perbandingan antar Data Aktual dan Data Latih.
Dengan demikian pengujian ini menunjukkan bahwa semakin banyak data latih maka tingkat akurasinya akan semakin baik.
2. Perubahan Kelas
Dari hasil pengujian diatas menunjukkan terjadinya perubahan kelas pada setiap data latih yang berbeda, semakin sedikit data latih maka semakin banyak perubahan kelas yang terjadi.
Pada pengujian dengan menggunakan 200 iterasi terdapat 5 kecamatan yang tidak sesuai dengan kelasnya dan perubahan kelasnya melangkah sebanyak 1 range serta
perubahan kelas yang terjadi untuk tiap kecamatan adalah sama.
KESIMPULAN
Berdasarkan penelitian yang telah dilakukan, maka dapat diambil kesimpulan sebagai berikut adalah Hasil penelitian menunjukkan bahwa metode SOM dalam melakukan Pemetaan untuk memetakan pendidikan pada suatu wilayah tingkat akurasi yang dihasilkan sebanyak 81,25 % dan semakin banyak jumlah iterasi yang ditentukan maka akan mempengaruhi tingkat akurasi yang dihasilkan.penelitian. Di bagian ini tidak diperbolehkan mensitasi karya penulis lain serta informasi atau istilah baru di bagian yang sebelumnya tidak ada. Rekomendasi untuk penelitian lebih lanjut dapat ditulis di bagian ini.
UCAPAN TERIMA KASIH
Ucapan terimakasih diberikan kepada sumber pendanaan studi (lembaga donor, nomor kontrak, tahun penerimaan) dan mereka yang mendukung pendanaan itu. Nama-nama mereka yang mendukung atau membantu penelitian ditulis dengan jelas. Nama-nama yang disebutkan sebagai penulis naskah tidak diperbolehkan disertakan di sini.
DAFTAR PUSTAKA
Demuth, H., dan Beale, M., 2003, Neural Network Toolbox For Use with MATLAB, USA.
Ehsani, A.H., dan Quiel, F., 2008, Geomorphometric feature analysis using morphometric parameterization and artificial neural networks.
Geomorphology (99), 1-12.
Han, J., dan Kamber, M., 2001, Data Mining : Concepts and Techniques, USA.
He, Z., Lin, S., Deng, Y., Li, X., dan Qian, Q., 2014, A rough membership neural network approach for fault classification in transmission lines, Electrical Power and Energy Systems, (61), 429 - 439.
Jain, A.K., Mao, J., and Mohiuddin, K.M., 1996, Artificial Neural Networks: A Tutorial, IEEE Computer.
Jimenez, F., Serradill, F., Roman, A., dan Naranjo, J.E., 2014, Bus line classification using neural networks, Transportations research part D, (30), 32 - 37.
Kalteh, A.M., Hjorth, P., dan Berndtsson, R., 2008, Review of the Self organizing maps approach in water resources : Analysis, modeling and application, Environmental modeling and software (23), 835-845.
Koc, L., Mazzuchi, T.A., dan Sarkani, S., 2012, A network intrusion detection system based on a Hidden Naïve Bayes multiclass classifier, Expert system with applications (39), 13492-13500.
Kohonen, T., 2001, Self-organizing maps, Springer Verlag.
Kristanto, A., 2004, Jaringan Syaraf Tiruan, Gava Media, Yogyakarta.
Larose, D.T., 2004, Discovering Knowledge in Data : An Introduction to Dat Mining, John Wiley & Sons,Inc.
Lohr, S.C., Grigorescu, M., Hodgkinson, J.H., Cox, M.E., dan Fraser, S.J., 2010, Iron occurrence in soils and sediments of a coastal catchment A multivariate approach using self organising maps, Geoderma (156), 253-266.
Pandit, Y.P., Badhe, Y.P., Sharma, B.K., Tambe, S.S., dan Kulkarni, B.D., 2011, Classification of Indian power coals using K-means clustering and Self Organizing Map neural network, Fuel (90), 339-347.
Pisati, M., Whelan, C.T., Lucchini, M., dan Maitre, B., 2010, Mapping patterns of multiple deprivation using selforganising maps : An application to EUSILC data for Ireland, Social Science Research (39), 405-418.
Permendagri nomor 54., 2010, Tata cara pengolahan data dan informasi perencanan pembangunan daerah, Kementrian dalam negeri, Indonesia.
Prahasta, E., 2006, Membangun aplikasi web based GIS dengan map server, Informatika, Bandung.
Prasetyo, E., 2012, Data mining, konsep dan aplikasi menggunakan matlab, Andi, Yogyakarta. Samarasinghe, S., 2006.
Neural networks for applied sciences and engineering, Auerbach publication, Francis.
Smith, M., 1996, Neural Networks for Statistical Modeling, International Thompson Computer Press, London.
Sugiyono., 2009. Metode Penelitian Kuantitatif Kualitatif dan R&D, Alfabeta Bandung.
Turan, B., dan Bener, A., 2009, Analysis of Naive Bayes’ assumptions on software fault data : An empirical study, Data & Knowledge Engineering (68), 278-290.
Undang-undang nomor 20., 2003, Standar sistem pelayanan pendidikan, Indonesia.
Wang, D., dan Gao, M., 2013, Educational equality or social mobility : The value conflict between preservice teachers and the Free Teacher Education Program in China, Teaching and Teacher Education (32), 66-74.
Wang, G.A., Atabakhsh, H., dan Chen, H., 2011. A hierarchical Naïve Bayes model for approximate identity matching, Decision support system (51), 413-423.
Widayati, N., Hariadi, M dan Mardi, S., 2011.
Pemetaan prioritas perencanaan pembangunan berbasis penggalian data multidimensi menggunakan websom, Magister tesis, Institut tehnologi sepuluh nopember, Surabaya.
Zhang, C., 2009, An empirical study on the relationship between educational equity and the quality of economic growth in China : 1978-2004, Economic Journal (54), 125-134.
Zhang, H., Liu, J., Ma, D., dan Wang, Z., 2011, Data core based fuzzy min – max neural networks for pattern classification, Neural Networks (22), 2339 -2352.
Zhang, Y., Yin, Y., Guo, D., Yu, X., dan Xiao, L., 2014, Cross validation based weights and structure determination of Chebyshev-polynomial neural networks for pattern classification, Pattern recognition (47), 3414-3428.
