Ari Kurniawan

(1)

KLASTERISASI KOMPETENSI GURU MENGGUNAKAN HASIL PENILAIAN PORTOFOLIO

DENGAN METODE K-MEANS CLUSTERING

Ari Kurniawan

2208206015

Dosen Pembimbing :g

Mochamad Hariadi, S.T., M.Sc., Ph.D.

S2 TEKNIK ELEKTRO (TELEMATIKA) FAKULTAS TEKNIK INDUSTRI

INSTITUT TEKNOLOGI SEPULUH NOPEMBER INSTITUT TEKNOLOGI SEPULUH NOPEMBER

SURABAYA 2010

(2)

LATAR BELAKANG

UU No. 14 tahun 2005 tentang Guru & Dosen :

Guru Pendidik Profesional

Penilaian Portofolio - Minim S1 / D-IV

Menguasai kompetensiMenguasai kompetensi - Menguasai kompetensi

(pedagogik, profesional, sosial dan kepribadian) - Memiliki sertifikat pendidik

Menguasai kompetensi p

- Sehat jasmani & rohani

- Memiliki kemampuan untuk mewujudkan tujuan p j j pendidikan nasional

SERTIFIKASI

GURU

(3)

LATAR BELAKANG

Pemetaan Komponen Portofolio dalam konteks Kompetensi Guru

Kel. Komponen Portofolio Kompetensi Guru

Ped Kepr Sos Prof

Kualifikasi Akademik √ √

A Pendidikan dan Pelatihan √ √

Pengalaman Mengajar √ √ √

Perencanaan dan Pelaksanaan B

Pembelajaran √ √

Penilaian dari Atasan dan Pengawas √ √

Prestasi Akademik √ √

Karya Pengembangan Profesi √ Keikutsertaan dalam Forum Ilmiah √ √ Pengalaman Menjadi Pengurus Organisasi di

C

g j g g

√ √

Bidang Kependidikan dan Sosial

Penghargaan yang Relevan dengan Bidang

√ √ √

Pendidikan √ √ √

(4)

LATAR BELAKANG

(5)

LATAR BELAKANG

ALUR SERTIFIKASI BAGI GURU DALAM JABATAN 2009 Tidak Memenuhi Persyaratan

•GURU S2/S3 +IVB GURU IV C VERIFIKASI DOKUMEN Memenuhi Persyaratan Tidak Memenuhi Persyaratan

GURU DALAM JABATAN •GURU IV C DOKUMEN SERTIFIKAT PENDIDIK Persyaratan Lulus • S1/D IV • Belum S1 /DIV yang memenuhi PENILAIAN PORTOFOLIO MELENGKAPI PORTOFOLIO ak us y g syarat UJIAN Lulus PLPG PLPG PORTOFOLIO Tid Lul DINAS PENDIDIKAN Tidak Lulus Tidak Lulus UJIAN ULANG Lulus PROV/KAB/KOTA Lulus (2X)

(6)

(7)

LATAR BELAKANG

(8)

LATAR BELAKANG

Keterbatasan fungsi ASG (Aplikasi Sertifikasi Guru) : g ( p ) sebatas mengolah angka-angka dan memberi keluaran status kelulusan.

(9)

MAKSUD TUJUAN

1. Memberikan gambaran dan analisa kelebihan dan

kekurangan kompetensi guru dengan pemilihan data kekurangan kompetensi guru dengan pemilihan data yang variatif

2. Bagaimana memanfaatkan data berupa angka-angka

hasil penilaian portofolio menjadi sebuah informasi

d k i

dan tentang kompetensi guru

3 Menerapkan proses data mining untuk 3. Menerapkan proses data mining untuk

pengolahan nilai portofolio guru dengan

metode K-Means Clustering untuk mengelompokan metode K Means Clustering untuk mengelompokan kompetensi yang relatif homogen

(10)

BATASAN MASALAH

1. Basis data dari ASG di Rayon 14 Universitas

Negeri Surabaya dan kemudian diolah berdasarkan proses-proses yang ada dalam data mining.

2 K i i t d t dit j hk b i j k

2. Kemiripan antar data diterjemahkan sebagai jarak kedekatan antar data dengan titik pusat (centroid),

sehingga menghasilkan klaster kompetensi sehingga menghasilkan klaster kompetensi. 3. Algoritma : K-Means Clustering

(11)

MANFAAT PENELITIAN

1. Bagi pengelola manajemen pendidikan nasional g g j (LPMP, PMPTK, Depdiknas) :

b f t t k lih t fil b d

a. bermanfaat untuk melihat profil sumber daya

dan kompetensi guru secara nasional atau daerah. b pertimbangan dan acuan untuk menentukan

b. pertimbangan dan acuan untuk menentukan kebijakan pendidikan.

(12)

MANFAAT PENELITIAN

2. Bagi Dinas Pendidikan Daerah (propinsi, kabupaten, kota)

(propinsi, kabupaten, kota)

a. bermanfaat untuk melihat profil sumber daya dan kompetensi guru di daerah.

b. secara cepat dan tepat mengambil kebijakan dalam proses pembinaan guru dengan melihat dalam proses pembinaan guru, dengan melihat

kelebihan dan kekurangan kompetensi guru secara kolektif.

(13)

MANFAAT PENELITIAN

3. Bagi LPTK (Lembaga Pendidik Tenaga Kependidikan) :

b f t t k d t d k d l

bermanfaat untuk data pendukung dalam penyusunan kurikulum berdasar

kompetensi yang ada kompetensi yang ada.

4 B i t tifik i ( )

4. Bagi peserta sertifikasi (guru) :

secara individu, bermanfaat untuk evaluasi dan bahan pengembangan diri sebagai guru profesional

(14)

SISTEMATIKA PENELITIAN

Persiapan Database ASG

Pemilihan Data Pembersihan Data Transformasi Data Integrasi Data Klasterisasi Kompetensi

(15)

DATA MINING

Analisa dari observasi data dalam jumlah

besar untuk menemukan hubungan yang

tidak diketahui sebelumnya dan metode

baru untuk meringkas data agar mudah

dipahami serta kegunaannya untuk pemilik

data

(16)

(17)

TRANSFORMASI DATA

Fungsi : mendapatkan hasil analisis yang akurat

Percobaan 3 cara transformasi : 1. Menghiraukan Data Outlier 2. Scaling

2. Scaling

(18)

TRANSFORMASI DATA

1. Menghiraukan Data Outlier

Outlier adalah pengamatan yang tidak mengikuti sebagian besar pola

dan terletak jauh dari pusat data

Identifikasi Outlier : IQR (Interquartile Range) atau boxplot

Q = kuartil

R = IQR = rentang

Batas bawah outlier

BBO = Q₁- (1,5 * R)

Batas atas outlier

(19)

TRANSFORMASI DATA

2. Scaling Perubahan data dalam rentang tertentu.

+ [-1 1] + [ 1, 1] + [ 0, 1]

Tn = hasil transformasi nilai kompetensi ke-n Kn = nilai kompetensi

BA = batas atas kompetensi ke-n BB = batas bawah kompetensi ke-n

(20)

TRANSFORMASI DATA

3. Normalisasi

Tujuan : merubah data menjadi kumpulan data baru dengan : mean = 0

variansi = 1

P b i t i d t d t d d d i ti

variansi 1

Pembagian centering data dengan standard deviation

= hasil transformasi dengan normalisasi = nilai kompetensi

= nilai kompetensi

= mean kompetensi ke-n = standard deviation

(21)

CLUSTERING

Tujuan dari metode clustering adalah untuk

mengelompokkan sejumlah data atau objek

kedalam klaster sehingga setiap klaster akan

terisi data yang semirip mungkin

(Budi Santosa, 2007).

(22)

KLASTERISASI DATA

(23)

KONSEP JARAK

Euclidean Distance

Menentukan jarak 2 titik

Misalnya jarak antara titik P(x1,x2) dan titik Q(y1,y2) adalah:

Kegunaan dalam algoritma K-Means :

- Menentukan centroid ketika ada data baru yang diproses

- Mengelompokkan data dalam klaster tertentu dengan mencari

jarak terpendek dengan centroid yang terbentuk

(24)

KONSEP JARAK

Jarak Data dan Centroid

Jika sudah diketahui centroid masing-masing klaster, bisa diketahui jarak data dengan centroid klaster dengan rumus :

j g g

D = jarak centroid dengan masing-masing data S = Item data

X = atribut

(25)

KLASTERISASI DATA M-File MATLAB X = [20 30 10; 10 15 20 ; 30 40 20] [cidx,ctrs] = kmeans(X,2,'dist','SqEuclidean'); [ctrs] [X cidx] s = xlswrite('tempdata.xls', cidx) l t(X( id 1 1) X( id 1 2) ' ' X( id 2 1) plot(X(cidx==1,1),X(cidx==1,2),'ro',X(cidx==2,1), ... X(cidx==2,2),'b*',ctrs(:,1),ctrs(:,2),'kx') i i i j

(26)

OUTPUT & ANALISA

Data Kompetensi Guru per Kab. / Kota

Klasterisasi kualifikasi akademik dan pengalaman mengajar Kab. Gresik

(2)

(1) (2)

(27)

OUTPUT & ANALISA

Klasterisasi kualifikasi akademik dan rencana pembelajaran Kab. Gresik

(2)

(1) (2)

(28)

OUTPUT & ANALISA

Klasterisasi kualifikasi akademik dan pendidikan & pelatihan Kab. Gresik

(2)

(1) (2)

(29)

OUTPUT & ANALISA

Klasterisasi kualifikasi akademik dan penilaian atasan Kab. Gresik

(2)

(1) (2)

(30)

OUTPUT & ANALISA

Klasterisasi kualifikasi akademik dan prestasi akademik Kab. Gresik

(2)

(1) (2)

(31)

OUTPUT & ANALISA

Klasterisasi kualifikasi akademik dan prestasi akademik Kab. Gresik

Kl t b d t f i

No. No Peserta Nama Kab./Kota Klaster berdasar transformasi Non Outlier Scaling Normalisasi

(1) (2) (4) (5) (6) (7)

1 09050102010002 LIN SUARNI Kab. Gresik 2 2 1

2 09050102010005 SRI MINARSIH Kab. Gresik 2 2 1 3 09050102010009 SRIRAHAJU Kab. Gresik 2 1 2

4 09050102010010 THOYIMAH K b G ik 2 2 1 4 09050102010010 THOYIMAH Kab. Gresik 2 2 1 5 09050102010016 SUPARMIATI Kab. Gresik 2 2 1

6 09050102010020 BUDI ASTUTI Kab. Gresik 2 2 1 7 09050102010022 HJ. HUSNUL MUZAYANAH Kab. Gresik 2 2 1

8 09050102010025 SAKDIYAH Kab. Gresik 2 2 1

9 09050102010028 ASMAUL KHUSNAH Kab Gresik 2 2 1 9 09050102010028 ASMAUL KHUSNAH Kab. Gresik 2 2 1 10 09050102010029 MUTHI'AH Kab. Gresik 2 2 1

(32)

OUTPUT & ANALISA

Klasterisasi kualifikasi akademik dan karya pengembangan profesi Kab. Gresik

(2)

(1) (2)

(33)

OUTPUT & ANALISA

Klasterisasi kualifikasi akademik dan keikutsertaan forum ilmiah Kab. Gresik

(2)

(1) (2)

(34)

OUTPUT & ANALISA

Klasterisasi kualifikasi akademik dan pengalaman berorganisasi Kab. Gresik

(2)

(1) (2)

(35)

OUTPUT & ANALISA

Klasterisasi kualifikasi akademik dan pengalaman mengajar Kab. Gresik

(2)

(1) (2)

(36)

SIMPULAN SARAN

1 Kl t i i d l it K M l t i bi

1. Klasterisasi dengan algoritma K-Means clustering bisa digunakan untuk melakukan pengelompokan

kompetensi guru kompetensi guru.

2. Hasil dari penelitian ini bisa dijadikan sebagai acuan p j g dalam proses pengembangan & peningkatan

kompetensi guru oleh pihak-pihak terkait Untuk memaksimalkan hasil, perlu diadakan

liti l bih d l d b di k

penelitian lebih mendalam dengan membandingkan dengan metode clustering lainnya.

(37)

T i k ih Terima kasih ...