Pemanfaatan Algoritma K-Means untuk Pengelompokkan Angka Partisipasi Sekolah di Jawa Tengah
Jati Sumarah*, Ajeng Tiara Wulandari
Program StudiTeknik Elektronika, Politeknik Dharma Patria, Kebumen, Jawa Tengah, Indonesia Email: 1,*jatisumarah@gmail.com, 2ajengtiarawulandari@gmail.com
Email Penulis Korespondensi: jatisumarah@gmail.com
Abstrak−Angka Partisipasi Sekolah (APS) dikenal sebagai salah satu indikator keberhasilan pengembangan layanan pendidikan di daerah, baik Provinsi, Kabupaten atau Kota di Indonesia. Semakin tinggi nilai Angka Partisipasi Sekolah, maka suatu daerah dianggap berhasil dalam memberikan akses ke layanan pendidikan. Sumber dataset diperoleh dari website Badan Pusat Statistik (BPS) Provinsi Jawa Tengah. Objek yang dianalisa adalah persentase APS wilayah Jawa Tengah tahun 2017-2019 untuk usia 7-12 tahun, 13-15 tahun dan 16-18 tahun. Tujuan penelitian untuk melakukan analisis berupa pemetaan pada Angka Partisipasi Sekolah di wilayah Kabupaten dan Kota yang ada di provinsi Jawa Tengah yang merupakan provinsi terpadat ke tiga setelah Jawa Barat dan Jawa Timur. Proses analisis menggunakan bantuan software RapidMiner. Output penelitian yang dihasilkan adalah pemetaan berupa klaster terhadap wilayah di daerah Kabupaten dan Kota tersebut. Metode solusi yang ditawarkan adalah metode k-means yang merupakan bagian dari data mining klastering.
Dalam penelitian ini jumlah klaster pemetaan dibagi menjadi dua yakni klaster tinggi (C1) dan rendah (C2). Hasil peneliti an menyebutkan bahwa pemetaan klaster usia 7-12 tahun adalah 24 provinsi berada di klaster tinggi (cluster_0) dan 11 provinsi berada di klaster rendah (cluster_1); sedangkan pemetaan klaster usia 13-15 tahun adalah 23 provinsi berada di klaster tinggi (cluster_0) dan 12 provinsi berada di klaster rendah (cluster_1); dan pemetaan klaster usia 16-18 tahun adalah 15 provinsi berada di klaster tinggi (cluster_0) dan 20 provinsi berada di klaster rendah (cluster_1). Penentuan klaster didasarkan atas nilai centroid akhir dimana nilai centroid akhir klaster usia 7-12 tahun adalah tinggi (cluster_0) {99.81, 99.87, 99.75}; rendah (cluster_1) { 99.73, 99.43, 99.25}; sedangkan nilai centroid akhir klaster usia 13-15 tahun adalah tinggi (cluster_0) {97.52, 97.12, 96.93}; rendah (cluster_1) {93.78, 93.58, 93.17} dan nilai centroid akhir klaster usia 16-18 tahun adalah tinggi (cluster_0) {79.99, 79.51, 79.56}; rendah (cluster_1) {65.57, 64.79, 63.19}. Hasil pemetaan secara keseluruhan menunjukkan persentase yang baik untuk semua kelompok usia yakni diatas 50 persen pada klaster tinggi. Sementara secara detail pada kelompok usia 16-18 tahun, terdapat 24 provinsi (57%) yang berapa pada klaster rendah. Informasi dari hasil dari penelitian dapat memberi gambaran secara makro tingkat perkembangan Angka Partisipasi Sekolah selama beberapa tahun terakhir.
Kata Kunci: APS; Jawa Tengah; Data Mining; K-Means; Klastering
Abstract−In Indonesia, the School Participation Rate (APS) is recognized as one of the indicators of the success of developing education services in regions, whether Province, Regency, or City. The higher the rate of school enrollment, the more successful an area is at providing access to educational services. The dataset was obtained from the Central Statistics Agency (BPS) of Central Java Province's website. The object studied is the percentage of APS in the Central Java region from 2017 to 2019 for ages 7 to 12, 13 to 15, and 16 to 18. The study's goal was to conduct an analysis in the form of mapping the School Participation Rate in the districts and cities of Central Java, the third most populous province after Wes t and East Java. RapidMiner software is used in the analysis process. The research output is a map of clusters of areas in the Regency and City areas. The k-means method, which is part of clustering data mining, is the solution method offered. The number of mapping clusters in this study was divided into two categories: high (C1) and low (C2) clusters. According to the study's findings, the mapping of the 7-12 year old cluster was 24 provinces in the high cluster (cluster 0) and 11 provinces in the low cluster (cluster 1); the mapping of the 13-15 year old cluster is 23 provinces in the high cluster (cluster 0) and 12 provinces in the low cluster (cluster 1); and the mapping of the 16-18 year old cluster is 15 provinces in the low cluster (cluster 1). Cluster determination is based on the final centroid value, with the final centroid value of the 7-12 year old cluster being high (cluster 0) 99.81, 99.87, 99.75; low (cluster 1) 99.73, 99.43, 99.25; and the centroid value of the 13-15 year old cluster being high (cluster 0) 97.52, 97.12, 96.93; low (cluster 1) 93.78, 93.58 Overall, the mapping results show a high percentage for all age groups, which is greater than 50% in the high cluster. In detail, 24 provinces (57 percent) are in the low cluster for the 16-18 year age group. The research findings can provide a macro picture of the level of development of the School Enrollment Rate over the last few years.
Keywords: APS; Central Java; Data Mining; K-Means; Clustering.
1. PENDAHULUAN
Kemiskinan menjadi salah satu persoalan yang menjadi perhatian pemerintah di negara manapun. Kemiskinan adalah ketidakmampuan untuk memenuhi standar hidup minimum. Kemiskinan menjadi gambaran kehidupan di berbagi negara berkembang, salah satunya Negara Indonesia. Penanggulangan kemiskinan bahkan menjadi salah satu program prioritas bagi pemerintah daerah. Presentase jumlah penduduk miskin di Indonesia khususnya di pulau Jawa lebih dari 50%, Provinsi Jawa Tengah menempati tingkat kemiskinan absolut tertinggi se-Jawa.
Masalah kemiskinan dipengaruhi oleh beberapa faktor, salah satunya Angka Partisipasi Sekolah (APS). Angka Partisipasi Sekolah (APS) merupakan proporsi anak sekolah pada usia jenjang pendidikan tertentu dalam kelompok usia yang sesuai dengan jejang pendidikan tersebut. Angka partisipasi sekolah (APS) juga merupakan tolak ukur keberhasilan pendidikan suatu daerah. Hal ini menunjukkan tingkat kemakmuran daerah tersebut.
Oleh karena itu, meningkatnya jumlah APS akan berkaitan dengan penurunan tingkat kemiskinan [1]. Semakin tinggi nilai APS, maka daerah tersebut dianggap berhasil dalam memberikan akses ke layanan pendidikan [2].
APS yang tinggi menunjukkan peluang yang lebih besar untuk akses ke pendidikan secara umum. Pada kelompok umur tempat peluang ini terjadi dapat dilihat dari besarnya APS pada masing-masing kelompok umur [3]. Oleh karena itu, melakukan pengelompokkan nilai Angka Partisipasi Sekolah sangat penting dilakukan, sebagai informasi dan barometer pemerintah khusus nya bagi pemerintah daerah pada masing-masing kabupaten dan kota di Provinsi Jawa Tengah dalam menentukan kebijakan terkait di bidang pendidikan.
Tujuan khusus dari penelitian ini adalah untuk memberikan masukan dan informasi bagi pemerintah Provinsi Jawa Tengah agar lebih memaksimalkan usaha dan kepedulian untuk meningkatkan daerah-daerah yang memiliki Angka Partisipasi Sekolah yang rendah dan menjaga nilai Angka partisipasi Sekolah agar tetap stabil bagi daerah-daerah yang nilai Angka partisipasi Sekolah nya sudah tinggi. Dataset penelitian berupa data Angka Partisipasi Sekolah di Provinsi Jawa Tengah tahun 2017 hingga tahun 2019 yang terdiri dari 29 Kabupaten dan 6 Kota yang diperoleh dari Badan Pusat Statistik Jawa Tengah. Metode pengelompokkan yang digunakan pada penelitian ini adalah Algoritma data mining K-Means Klustering.
Tabel 1. Angka Partisipasi Sekolah (APS) Wilayah Jawa Tengah, 2017-2019 (Persen)
No Wilayah Jateng Angka Partisipasi Sekolah (APS) (Persen)
7-12 tahun 13-15 tahun 16-18 tahun
2019 2018 2017 2019 2018 2017 2019 2018 2017 1 Kabupaten Cilacap 99,73 99,70 100,00 97,27 97,38 96,25 68,23 68,12 69,84 2 Kabupaten Banyumas 99,71 99,43 99,71 99,40 95,32 95,26 62,51 61,49 67,07 3 Kabupaten Purbalingga 99,84 99,57 98,81 93,77 94,24 93,48 59,96 59,45 60,97 4 Kab. Banjarnegara 99,82 100,00 99,22 89,98 89,24 90,22 64,39 64,12 62,80 5 Kabupaten Kebumen 99,75 99,67 99,41 98,32 98,29 98,60 79,63 79,17 85,01 6 Kabupaten Purworejo 99,82 100,00 99,69 97,21 96,91 97,83 83,84 83,76 85,24 7 Kabupaten Wonosobo 99,55 99,23 99,50 94,61 94,06 93,05 59,22 57,04 55,14 8 Kabupaten Magelang 99,91 99,81 98,94 97,41 96,78 96,45 68,36 68,05 70,36 9 Kabupaten Boyolali 100,00 100,00 99,73 95,77 95,08 95,34 73,26 69,73 66,69 10 Kabupaten Klaten 99,85 100,00 99,61 99,77 99,18 98,82 79,92 77,09 81,23 11 Kabupaten Sukoharjo 99,84 100,00 99,20 99,64 100,00 98,63 81,92 82,73 82,48 12 Kabupaten Wonogiri 99,69 99,67 99,04 98,88 98,69 98,24 81,02 81,82 81,61 13 Kab. Karanganyar 99,48 99,15 99,33 96,33 96,55 96,88 83,23 83,83 79,32 14 Kabupaten Sragen 99,88 99,73 99,51 96,74 96,48 95,87 82,03 79,73 78,71 15 Kabupaten Grobogan 100,00 100,00 100,00 96,00 95,34 96,32 59,48 59,76 56,50 16 Kabupaten Blora 99,77 99,51 99,58 98,08 98,09 97,29 73,30 73,22 67,49 17 Kabupaten Rembang 99,67 99,42 100,00 97,72 97,05 97,19 68,18 68,54 68,92 18 Kabupaten Pati 99,84 100,00 99,74 95,54 95,29 95,98 72,53 69,85 63,29 19 Kabupaten Kudus 99,81 100,00 100,00 97,50 97,98 96,36 73,20 73,91 70,47 20 Kabupaten Jepara 100,00 99,78 99,87 96,05 95,62 94,64 68,47 68,26 66,33 21 Kabupaten Demak 99,84 100,00 99,65 95,71 95,30 93,78 76,31 76,27 70,89 22 Kabupaten Semarang 99,81 100,00 99,82 97,35 97,20 97,18 74,69 74,39 73,34 23 Kab. Temanggung 99,83 99,25 98,97 96,91 96,68 96,41 73,54 70,09 61,18 24 Kabupaten Kendal 99,64 99,44 100,00 94,44 93,79 93,99 69,74 70,68 62,81 25 Kabupaten Batang 99,64 99,74 100,00 94,54 95,12 93,96 64,20 64,62 60,90 26 Kabupaten Pekalongan 99,70 99,70 99,73 90,38 90,53 90,29 66,34 66,65 60,76 27 Kabupaten Pemalang 99,78 100,00 99,70 92,40 92,32 91,17 59,14 59,83 62,28 28 Kabupaten Tegal 99,55 99,46 99,47 94,29 93,61 93,52 65,49 65,34 60,68 29 Kabupaten Brebes 99,44 100,00 100,00 94,64 94,61 94,49 50,17 49,56 53,72 30 Kota Magelang 99,86 100,00 99,32 95,00 94,67 95,21 91,39 89,58 90,74 31 Kota Surakarta 99,88 99,75 99,15 98,85 98,59 97,83 75,80 76,92 81,28 32 Kota Salatiga 99,81 98,62 99,56 98,63 98,49 98,78 85,68 84,34 86,86 33 Kota Semarang 99,88 100,00 99,71 97,65 97,54 97,33 72,87 70,72 76,12 34 Kota Pekalongan 99,89 100,00 99,73 95,87 95,23 95,97 64,98 61,32 66,08 35 Kota Tegal 99,94 100,00 100,00 95,58 95,46 94,48 78,43 78,40 70,06
Sumber: Badan Pusat Statistik Provinsi Jawa Tengah [4]
Pada tabel 1 dijelaskan bahwa Nilai Angka Partisipasi Sekolah (APS) merupakan salah satu indikator tercapainya pembangunan dalam bidang pendidikan di suatu wilayah. Di antara ke empat nilai APS pada tabel APS tahun 2017 anak usia 16-18 tahun yang paling kecil hal ini menunjukkan bahwa masih banyak penduduk yang belum menempuh pendidikan setingkat perguruan tinggi. Namun untuk usia 7-12 tahun dan 13-15 tahun sudah mencapai mencapai diatas 99 persen, ini berarti bahwa penduduk yang berusia tersebut seluruhnya menempuh sekolah. Banyak penelitian-penelitian terdahulu terkait yang membahas tentang pengelompokkan menggunakan algoritma K-Means, diantaranya: Penelitian tentang Pengelompokkan tanaman padi di Indonesia berdasarkan 34 provinsi. Hasil dari penelitian ini berupa pengelompokkan data tanaman padi yang dibagi menjadi 3 cluster, yakni cluster tinggi terdiri dari 3 provinsi, cluster normal terdiri dari 23 Provinsi dan cluster rendah terdiri 8 provinsi [5]. Penelitian selanjutnya dilakukan untuk pengelompokkan daerah rawan bencana berdasarkan provinsi yang ada di indonesia. Hasil dari penelitian ini berupa pengelompokkan data daerah rawan bencana yang dibagi menjadi 3 cluster, yakni cluster tinggi terdiri dari 4 provinsi, cluster normal terdiri dari 14 Provinsi dan cluster rendah terdiri 16 Provinsi [6]. Berikutnya penelitian yang dilakukan untuk pengelompokkan kepadatan penduduk, indeks pembangunan manusia, angka pengangguran terbuka dan angka partisipasi sekolah berdasarkan provinsi di indonesia. Hasil dari penelitian ini berupa cluster 1 yang terdiri dari
12 provinsi, cluster 2 terdiri dari 6 provinsi dan cluster 3 terdiri dari 1 provinsi, cluster 4 terdiri dari 6 provinsi dan cluster 5 terdiri dari 9 provinsi [7]. Selanjutnya penelitian tentang klustering laju pertumbuhan PDRB menurut lapangan usaha di Kota Surabaya dengan Algoritma K-Means. Hasil dari penelitian ini terdapat 9 kategori/sektor dengan cluster tinggi, 5 kategori/sektor dengan cluster sedang dan 3 kategori/sektor dengan cluster rendah [8]. Berikutnya penelitian yang dilakukan untuk mengkluster distribusi kasus rabies di kota Palembang menggunakan data mining K-Means. Pengolahan data pada penelitian ini menggunakan software RapidMiner dengan hasil bahwa dari 16 kecamatan di Palembang, tujuh kecamatan termasuk kluster wilayah sangat rawan rabies (C0), sedangkan empat kecamatan termasuk di cluster daerah rawan rabies (C1), dan lima kecamatan yang termasuk dalam cluster regional tidak rawan rabies (C2) [9]. Selanjutnya penelitian dengan menggunakan algoritma K-Means untuk mengelompokkan tingkat keterlibatan siswa program sarjana sains universitas Amerika Utara dalam lingkungan e-learning [10]. Penelitian-penelitian terkait ini lah yang melatarbelakangi dilakukannya penelitian untuk mengelompokkan Angka partisipasi Sekolah di Kabupaten dan kota yang ada di Provinsi Jawa Tengah.
2. METODOLOGI PENELITIAN
2.1 Penelitian Terdahulu
Penelitian mengenai metode klustering K-Means telah beberapa kali dilakukan sebelumnya. Berikut adalah daftar penelitian yang menjadi acuan terutama klustering K-Means dalam menyelesaikan masalah, seperti yang disajikan pada tabel 2 berikut:
Tabel 2. Penelitian yang dijasikan rujukan
No. Peneliti Metode Deskripsi
1 (Sudirman et al., 2018)
K-Means Penelitian tentang Pengelompokkan tanaman padi di Indonesia berdasarkan 34 provinsi. Hasil dari penelitian ini berupa pengelompokkan data tanaman padi yang dibagi menjadi 3 Kluster, yakni Kluster tinggi terdiri dari 3 provinsi, Kluster normal terdiri dari 23 Provinsi dan Kluster rendah terdiri 8 provinsi.
2 (Supriyadi et al., 2018)
K-Means Penelitian untuk pengelompokkan daerah rawan bencana berdasarkan provinsi yang ada di indonesia. Hasil dari penelitian ini berupa pengelompokkan data daerah rawan bencana yang dibagi menjadi 3 kluster, yakni Kluster tinggi terdiri dari 4 provinsi, Kluster normal terdiri dari 14 Provinsi dan Kluster rendah terdiri 16 Provinsi.
3 (Ahmar et al., 2018)
K-Means Penelitian untuk pengelompokkan kepadatan penduduk, indeks pembangunan manusia, angka pengangguran terbuka dan angka partisipasi sekolah berdasarkan provinsi di indonesia. Hasil dari penelitian ini berupa Kluster 1 yang terdiri dari 12 provinsi, Kluster 2 terdiri dari 6 provinsi dan Kluster 3 terdiri dari 1 provinsi, Kluster 4 terdiri dari 6 provinsi dan Kluster 5 terdiri dari 9 provinsi
4 (Febriyati et al., 2020)
K-Means Penelitian tentang klustering laju pertumbuhan PDRB menurut lapangan usaha di Kota Surabaya dengan Algoritma K-Means. Hasil dari penelitian ini terdapat 9 kategori/sektor dengan Kluster tinggi, 5 kategori/sektor dengan Kluster sedang dan 3 kategori/sektor dengan Kluster rendah.
5 (Rahayu et al., 2020)
K-Means Penelitian yang dilakukan untuk mengkluster distribusi kasus rabies di kota Palembang menggunakan data mining K-Means. Pengolahan data pada penelitian ini menggunakan software RapidMiner dengan hasil bahwa dari 16 kecamatan di Palembang, tujuh kecamatan termasuk klaster wilayah sangat rawan rabies (C0), sedangkan empat kecamatan termasuk pada cluster daerah rawan rabies (C1), dan lima kecamatan yang termasuk dalam cluster regional tidak rawan rabies (C2).
6 (Moubayed et al.
2020)
K-Means Penelitian untuk mengelompokkan tingkat keterlibatan siswa program sarjana sains universitas Amerika Utara dalam Lingkungan e-learning menggunakan Algoritma K-Means. Makalah ini mengusulkan penggunaan algoritma K- Means untuk mengelompokkan siswa berdasarkan 12 metrik keterlibatan yang dibagi menjadi dua kategori: terkait interaksi dan terkait upaya. Analisis kuantitatif dilakukan untuk mengidentifikasi siswa yang tidak terlibat yang mungkin membutuhkan bantuan. Hasil eksperimen menunjukkan bahwa di antara metrik terkait interaksi dan upaya yang dipertimbangkan, jumlah login dan durasi rata-rata untuk menyerahkan tugas adalah yang paling mewakili tingkat keterlibatan siswa.
2.2 Data Mining
Data Mining didefinisikan sebagai proses untuk mendapatkan informasi yang berguna dari gudang basis data yang besar, yang dapat juga diartikan sebagai pengekstrakan informasi baru yang diambil dari bongkahan data
besar yang membantu dalam pengambilan keputusan (Knowledge Discovery) [11]. Data mining merupakan proses yang menggunakan berbagai teknik dan alat analisis data untuk menemukan hubungan dan pola yang tersembunyi. Pendekatan dasar dalam data mining adalah untuk meringkas data dan untuk mengekstrak informasi berguna yang masuk akal dan sebelumnya tidak diketahui [12]. Data Mining dapat menemukan tren dan pola tersembunyi yang tidak muncul dalam analisis kueri sederhana sehingga dapat memiliki bagian penting dalam hal menemukan pengetahuan dan membuat keputusan. Tugas-tugas semacam itu dapat bersifat prediksi seperti klasifikasi dan regresi atau deskriptif seperti Clustering dan asosiasi [13]. Karena itu Data Mining sebenarnya memiliki akar yang panjang dari bidang ilmu seperti kecerdasan buatan (artificial intelligent), machine learning, statistik dan basis Data [14]. Data mining perlu dipelajari dan dipahami, karena manusia menghasilkan banyak sekali data yang sangat besar baik dalam bidang bisnis, kedokteran, cuaca, olahraga, politik dan sebagainya [15]. Sebagai suatu rangkaian proses, data mining dapat dibagi menjadi beberapa tahap yang dapat dilihat pada gambar 1. Tahap-tahap tersebut bersifat interaktif di mana pemakai terlibat langsung atau dengan perantaraan knowledge base.
Gambar 1. Tahapan Data Mining [16]
Ada beberapa tugas yang dapat dilakukan oleh Data Mining dalam proses pemecahan masalah dan pencarian pengetahuan baru [17]–[19], diantaranya :Klastering (Clustering), Klasifikasi (Classification), Asosiasi (Association), Estimasi (Estimation) dan Prediksi (Predictions).
2.3 Metode K-Means
Algoritma K-Means ditemukan oleh beberapa orang yaitu Lloyd (1957), Forgey (1965), Friedman dan Rubin (1967), dan McQueen (1967). Ide dari pengelompokkan (Clustering) pertama kali ditemukan oleh Lloyd pada tahun 1957, namun hal tersebut baru dipublikasi pada tahun 1982. Pada tahun 1965 Forgey juga mempublikasikan teknik yang sama sehingga terkadang dikenal sebagai Lloyd-Forgy [20]. K-Means merupakan salah satu algoritma Clustering yang masuk dalam kelompok Unsupervised learning yang digunakan untuk membagi data menjadi beberapa kelompok dengan sistem partisi. Algoritma ini menerima masukan berupa data tanpa label kelas. Hali ini berbeda dengan K-Nearest Neighbor (KNN) dan algoritma supervised learning lainnya yang menerima masukan berupa vektor. Pada algoritma K-Means, komputer mengelompokkan sendiri data-data yang menjadi masukannya tanpa mengetahui terlebih dahulu target kelasnya. Masukan yang diterima adalah data atau objek dan k buah kelompok (cluster) yang diinginkan. Algoritma ini akan mengelompokkan data atau objek kedalam k buah kelompok tersebut. Pada setiap cluster terdapat titik pusat (Centroid) yang mempresentasikan cluster tersebut. Secara sederhana algoritma K-Means dapat dijelaskan sebagai algoritma data mining yang digunakan untuk menyelesaikan masalah pengelompokkan (Clustering). Pada pemrosesan data algoritma K- Means Clustering, akan diawali dengan pengelompokan Centroid pertama yang dipilih secara acak sebagai titik awal untuk setiap cluster, kemudian menghitung secara berulang agar posisi Centroid optimal.
Pada dasarnya algoritma K-Means hanya mengambil sebagian dari banyaknya komponen yang didapatkan untuk kemudian dijadikan pusat cluster awal, pada penentuan pusat cluster ini dipilih secara acak dari populasi data. Kemudian algoritma K-Means akan menguji masing-masing dari setiap komponen dalam populasi data tersebut dan menandai komponen tersebut ke dalam salah satu pusat cluster yang telah didefinisikan sebelumnya tergantung dari jarak minimum antar komponen dengan tiap-tiap pusat cluster.
Selanjutnya posisi pusat cluster akan dihitung kembali hingga semua komponen data digolongkan ke dalam tiap- tiap cluster dan terakhir akan terbentuk cluster baru [21].
Gambar 2. K-Means Clustering.
2.4 Flowchart K-Means
Berikut ini disajikan Diagram alir dari metode Clustering K-Means.
Start
Tentukan Nilai k
Centroid (Tentukan titik tengah cluster)
Hitung jarak objek ke Centroid (Euclidean distance)
Clustering (Kelompokkan objek ke cluster
berdasarkan jarak terdekat)
Objek masih ada
End
Ya
Tidak
Gambar 3. Diagram alir metode Clustering K-Means Langkah-langkah metode K-Means dapat dijelaskan sebagai berikut :
a) Tentukan jumlah cluster (k) pada data set.
b) Tentukan nilai pusat (Centroid).
Penentuan nilai Centroid pada tahap awal dilakukan secara random c) Pada masing-masing record, hitung jarak terdekat dengan Centroid.
Ada beberapa cara yang dapat digunakan untuk mengukur jarak data ke pusat kelompok, diantaranya Euclidean, Manhattan/City Block, dan Minkowsky. Setiap cara memiliki kelebihan dan kekurangan masing- masing. Pada penelitian ini, jarak Centroid yang digunakan adalah Euclidean Distance,
d) Kelompokkan objek berdasarkan jarak ke Centroid terdekat
e) Ulangi langkah ke-3 hingga langkah ke-4, lakukan iterasi hingga Centroid bernilai optimal 2.5 Tahapan Penelitian
Adapun tahapan yang dilakukan untuk menyelesaikan masalah penelitian disusun dalam kerangka kerja berikut:
Mulai
Pengumpulan Data Studi Pustaka
Identifikasi Masalah
Praproses
Evaluasi Akhir
Penentuan Kluster
Pengujian Hasil Pengolahan Data
Hasil Klustering
Selesai
Journal, Proceedings and Books of Artificial
Neural Networks
Gambar 4. Tahapan Penelitian Keterangan:
a) Pengumpulan Data
Dataset penelitian berupa data Angka Partisipasi Sekolah di Provinsi Jawa Tengah tahun 2017 hingga tahun 2019 yang terdiri dari 29 Kabupaten dan 6 Kota yang diperoleh dari Badan Pusat Statistik Jawa Tengah.
b) Studi Pustaka
Dilakukan untuk melengkapi pengetahuan dasar dan teori-teori yang digunakan dalam penelitian (artikel ilmiah, buku, prosiding dll)
c) Identifikasi Masalah
Dilakukan setelah semua data-data terpenuhi kemudian didapatkan dataset yang sesuai untuk dilakukan proses yang ditentukan
d) Praproses
Tahapan yang dikerjakan dengan melakukan perubahan terhadap beberapa tipe data pada atribut dataset dengan tujuan untuk mempermudah pemahaman terhadap isi record, juga melakukan seleksi dengan memperhatikan konsistensi data, missing value dan redundant pada data.
e) Penentuan Kluster
Hasil dari tahap ini adalah menentukan jumlah klustering yang ditetapkan dengan menggunakan datamining K-Means
f) Penguji Hasil Pengolahan Data
Seteleh proses penentuan kluster selesai, maka dilakukan tahapan uji coba terhadap hasil pengolahan data dengan menggunakan Software RapidMiner.
g) Hasil Klustering
Hasil pengelompokan yang diperoleh berdasarkan jumlah kluster yang telah ditetapkan.
h) Evaluasi Akhir
Dilakukan untuk mengetahui apakah testing hasil pengolahan data sesuai.
3. HASIL DAN PEMBAHASAN
3.1 Pengumpulan Data
Pada penelitian ini Dataset penelitian berupa data Angka Partisipasi Sekolah (APS) di provinsi Jawa Tengah tahun 2017 hingga tahun 2019 yang terdiri dari 29 kabupaten dan 6 kota yang diperoleh dari Badan Pusat Statistik Jawa Tengah. Objek yang dianalisa adalah persentase APS wilayah Jawa Tengah untuk 3 kategori yakni usia 7-12 tahun, 13-15 tahun, dan 16-18 tahun. Kemudian data ditransformasikan dengan mengubah data dari bentuk asalnya ke dalam bentuk yang cocok untuk dikelompokkan. Data dipisah berdasarkan 3 kategori pada nilai persentase APS (2017-2019). Berikut hasil dataset berdasarkan kategori seperti yang ditunjukkan pada tabel 3, 4 dan 5 berikut:
Tabel 3. Dataset persentase APS pada usia 7-12 tahun
No Wilayah Jateng 2019 2018 2017 1 Kabupaten Cilacap 99.73 99.7 100 2 Kabupaten Banyumas 99.71 99.43 99.71 3 Kabupaten Purbalingga 99.84 99.57 98.81 4 Kab. Banjarnegara 99.82 100 99.22 5 Kabupaten Kebumen 99.75 99.67 99.41 6 Kabupaten Purworejo 99.82 100 99.69 7 Kabupaten Wonosobo 99.55 99.23 99.5 8 Kabupaten Magelang 99.91 99.81 98.94 9 Kabupaten Boyolali 100 100 99.73 10 Kabupaten Klaten 99.85 100 99.61 11 Kabupaten Sukoharjo 99.84 100 99.2 12 Kabupaten Wonogiri 99.69 99.67 99.04 13 Kab. Karanganyar 99.48 99.15 99.33 14 Kabupaten Sragen 99.88 99.73 99.51 15 Kabupaten Grobogan 100 100 100 16 Kabupaten Blora 99.77 99.51 99.58 17 Kabupaten Rembang 99.67 99.42 100 18 Kabupaten Pati 99.84 100 99.74 19 Kabupaten Kudus 99.81 100 100 20 Kabupaten Jepara 100 99.78 99.87 21 Kabupaten Demak 99.84 100 99.65 22 Kabupaten Semarang 99.81 100 99.82 23 Kab. Temanggung 99.83 99.25 98.97 24 Kabupaten Kendal 99.64 99.44 100 25 Kabupaten Batang 99.64 99.74 100 26 Kabupaten Pekalongan 99.7 99.7 99.73 27 Kabupaten Pemalang 99.78 100 99.7 28 Kabupaten Tegal 99.55 99.46 99.47 29 Kabupaten Brebes 99.44 100 100 30 Kota Magelang 99.86 100 99.32 31 Kota Surakarta 99.88 99.75 99.15 32 Kota Salatiga 99.81 98.62 99.56 33 Kota Semarang 99.88 100 99.71 34 Kota Pekalongan 99.89 100 99.73
35 Kota Tegal 99.94 100 100
Tabel 4. Dataset persentase APS pada usia 13-15 tahun
No Wilayah Jateng 2019 2018 2017 1 Kabupaten Cilacap 97.27 97.38 96.25 2 Kabupaten Banyumas 99.4 95.32 95.26 3 Kabupaten Purbalingga 93.77 94.24 93.48 4 Kab. Banjarnegara 89.98 89.24 90.22 5 Kabupaten Kebumen 98.32 98.29 98.6 6 Kabupaten Purworejo 97.21 96.91 97.83 7 Kabupaten Wonosobo 94.61 94.06 93.05 8 Kabupaten Magelang 97.41 96.78 96.45 9 Kabupaten Boyolali 95.77 95.08 95.34 10 Kabupaten Klaten 99.77 99.18 98.82 11 Kabupaten Sukoharjo 99.64 100 98.63 12 Kabupaten Wonogiri 98.88 98.69 98.24 13 Kab. Karanganyar 96.33 96.55 96.88 14 Kabupaten Sragen 96.74 96.48 95.87 15 Kabupaten Grobogan 96 95.34 96.32 16 Kabupaten Blora 98.08 98.09 97.29 17 Kabupaten Rembang 97.72 97.05 97.19 18 Kabupaten Pati 95.54 95.29 95.98 19 Kabupaten Kudus 97.5 97.98 96.36 20 Kabupaten Jepara 96.05 95.62 94.64 21 Kabupaten Demak 95.71 95.3 93.78 22 Kabupaten Semarang 97.35 97.2 97.18 23 Kab. Temanggung 96.91 96.68 96.41 24 Kabupaten Kendal 94.44 93.79 93.99 25 Kabupaten Batang 94.54 95.12 93.96 26 Kabupaten Pekalongan 90.38 90.53 90.29 27 Kabupaten Pemalang 92.4 92.32 91.17 28 Kabupaten Tegal 94.29 93.61 93.52 29 Kabupaten Brebes 94.64 94.61 94.49 30 Kota Magelang 95 94.67 95.21 31 Kota Surakarta 98.85 98.59 97.83 32 Kota Salatiga 98.63 98.49 98.78 33 Kota Semarang 97.65 97.54 97.33 34 Kota Pekalongan 95.87 95.23 95.97 35 Kota Tegal 95.58 95.46 94.48
Tabel 5. Dataset persentase APS pada usia 13-15 tahun No Wilayah Jateng 2019 2018 2017 1 Kabupaten Cilacap 68.23 68.12 69.84 2 Kabupaten Banyumas 62.51 61.49 67.07 3 Kabupaten Purbalingga 59.96 59.45 60.97 4 Kab. Banjarnegara 64.39 64.12 62.8 5 Kabupaten Kebumen 79.63 79.17 85.01 6 Kabupaten Purworejo 83.84 83.76 85.24 7 Kabupaten Wonosobo 59.22 57.04 55.14 8 Kabupaten Magelang 68.36 68.05 70.36 9 Kabupaten Boyolali 73.26 69.73 66.69 10 Kabupaten Klaten 79.92 77.09 81.23 11 Kabupaten Sukoharjo 81.92 82.73 82.48 12 Kabupaten Wonogiri 81.02 81.82 81.61 13 Kab. Karanganyar 83.23 83.83 79.32 14 Kabupaten Sragen 82.03 79.73 78.71 15 Kabupaten Grobogan 59.48 59.76 56.5 16 Kabupaten Blora 73.3 73.22 67.49 17 Kabupaten Rembang 68.18 68.54 68.92 18 Kabupaten Pati 72.53 69.85 63.29 19 Kabupaten Kudus 73.2 73.91 70.47 20 Kabupaten Jepara 68.47 68.26 66.33 21 Kabupaten Demak 76.31 76.27 70.89 22 Kabupaten Semarang 74.69 74.39 73.34 23 Kab. Temanggung 73.54 70.09 61.18 24 Kabupaten Kendal 69.74 70.68 62.81 25 Kabupaten Batang 64.2 64.62 60.9 26 Kabupaten Pekalongan 66.34 66.65 60.76 27 Kabupaten Pemalang 59.14 59.83 62.28 28 Kabupaten Tegal 65.49 65.34 60.68 29 Kabupaten Brebes 50.17 49.56 53.72 30 Kota Magelang 91.39 89.58 90.74 31 Kota Surakarta 75.8 76.92 81.28 32 Kota Salatiga 85.68 84.34 86.86 33 Kota Semarang 72.87 70.72 76.12 34 Kota Pekalongan 64.98 61.32 66.08
35 Kota Tegal 78.43 78.4 70.06
Pada tahapan ini dilakukan pemodelan dataset seperti Tabel 3-5, adapun metode yang dipakai pada penelitian ini adalah metode clustering dengan menggunakan metode k-means. Metode ini bekerja dengan melakukan pengelompokan data yang memiliki kesamaan karakteristik pada setiap data. Proses pengujian menggunakan bantuan software RapidMiner Studio.
3.2 Pengujian Software RapidMiner
Atribut yang digunakan sebagai class adalah nilai persentase APS. Data akan dianalisis berdasarkan kabupaten/kota di provinsi Jawa Tengah sesuai dengan data BPS. Dataset nilai persentase APS dibuat dalam data set baru dengan format .xlsx (excel) untuk bisa dianalisis software RapidMiner Studio. seperti pada Gambar 5 sebagai berikut.Setelah itu menentukan operator yang akan digunakan lakukan drag and drop operators seperti dan open file data set dengan operator Read Excel. Berikut adalah rancangan pemanfaatan algoritma k-means untuk pengelompokkan Angka Partisipasi Sekolah (APS) di Jawa Tengah seperti pada gambar 5 berikut:
Gambar 5. Rancangan RapidMiner Studio explorer
Pada gambar 5 dijelaskan output mapping berupa klaster dibagi atas 3 kategori (usia 7-12 tahun, 13-15 tahun, dan 16-18 tahun) dimana setiap operator yang digunakan diberikan nama yang berbeda untuk memudahkan proses analisis. Untuk operator Read Excel diberi nama yang berbeda seperti usia 7-12 yang artinya dataset excel yang digunakan sesuai dengan tabel 1, usia 13-15 yang artinya dataset excel yang digunakan sesuai dengan Tabel 2, usia 16-18 yang artinya dataset excel yang digunakan sesuai dengan Tabel 3. Untuk operator k-means digunakan pada semua kategori. Sementara operator terakhir yang digunakan adalah cluster distance performance. Operator ini menganalisa dan mengevaluasi kinerja model klaster yang terbentuk melalui kinerja parameter yang disebut dengan davies_bouldin_index (DBI). Parameter ini secara spesifik berfungsi menghasilkan klaster dengan jarak intra-cluster rendah (kesamaan intra-cluster tinggi) dan jarak antar-cluster tinggi (kesamaan antar-cluster rendah) akan memiliki DBI rendah. Maka hasil klaster yang menghasilkan kumpulan klaster dengan DBI terkecil dianggap sebagai metode terbaik berdasarkan kriteria ini.
Pada dasarnya rapidminer studio dapat membaca type data setiap atribut, namun untuk mengurangi kesalahan pada proses run ada baiknya penentuan type data setiap atribut disesuaikan dengan dataset yang digunakan. kemudian menghubungkan operator read excel dengan operator k-means dan cluster distance performance (sesuai Gambar 2). Kemudian mengatur parameter seperti menentukan jumlah klaster (k=2) dan measure type (sesuai Gambar 3). Dalam penelitian ini jumlah klaster pemetaan dibagi menjadi dua yakni klaster tinggi (C1) dan rendah (C2). Berikut hasil analisa berdasarkan kategori menggunakan software RapidMiner Studio
a) Analisis Pemetaan berupa klaster pada Angka Partisipasi Sekolah (APS) usia 7-12
Berikut adalah hasil percobaan yang dilakukan dengan algoritma K-means pada Angka Partisipasi Sekolah (APS) usia 7-12 dengan jumlah klaster (k=2) menggunakan software RapidMiner seperti yang ditunjukkan pada gambar 6.
Gambar 6. Hasil cluster nilai APS usia 7-12
Pada Gambar 6 dijelaskan hasil pemetaan terhadap nilai APS usia 7-2 setelah menentukan 2 cluster (k=2) pada data nilai APS usia 7-12 untuk mencari kelompok yang sejenis dan dapat terlihat nilai akhir centroid antar cluster (Gambar 7). Hasil penelitian menyebutkan bahwa pemetaan klaster usia 7-12 tahun adalah 24 provinsi berada di klaster tinggi (cluster_0) dan 11 provinsi berada di klaster rendah (cluster_1). Klaster tinggi yakni Kabupaten Cilacap, Kabupaten Banyumas, Kab. Banjarnegara, Kabupaten Purworejo, Kabupaten Boyolali, Kabupaten Klaten, Kabupaten Sukoharjo, Kabupaten Sragen, Kabupaten Grobogan, Kabupaten Rembang, Kabupaten Pati, Kabupaten Kudus, Kabupaten Jepara, Kabupaten Demak, Kabupaten Semarang, Kabupaten Kendal, Kabupaten Batang, Kabupaten Pekalongan, Kabupaten Pemalang, Kabupaten Brebes, Kota Magelang, Kota Semarang, Kota Pekalongan, Kota Tegal. Sedangkan klaster rendah yakni Kabupaten Purbalingga, Kabupaten Kebumen, Kabupaten Wonosobo, Kabupaten Magelang, Kabupaten Wonogiri, Kab. Karanganyar, Kabupaten Blora, Kab. Temanggung, Kabupaten Tegal, Kota Surakarta, Kota Salatiga.
Gambar 7. Nilai centroid akhir nilai APS usia 7-12
Pada gambar 7 dijelaskan bahwa penentuan nilai klaster tinggi dan rendah berdasarkan pada nilai centroid dimana nilai centroid akhir dari pemetaan berupa klaster usia 7-12 tahun yakni klaster tinggi (cluster_0) {99.81, 99.87, 99.75} dan klaster rendah (cluster_1) { 99.73, 99.43, 99.25}. Berikut adalah visualisasi dari grafik pemetaan berupa klaster berdasarkan wilayah pada nilai APS usia 7-12 (Gambar 8).
Gambar 8. Pemetaan berupa klaster berdasarkan wilayah pada nilai APS usia 7-12
Dari penelitian yang dilakukan, metode k-means dengan pengukuran validity cluster dengan menggunakan Davies Bouldin Index (DBI), membuktikan bahwa k-means dapat menghasilkan kualitas cluster yang lebih optimal yang ditunjukan dengan nilai DBI yang lebih kecil yakni 0.358. Artinya nilai DBI yang lebih kecil mendekati 0 menunjukan skema cluster yang optimal. Adapun hasil DBI pada nilai APS usia 7-12 dapat dilihat pada Gambar 9 berikut.
Gambar 9. Nilai DBI pada nilai APS usia 7-12
b) Analisis Pemetaan berupa klaster pada Angka Partisipasi Sekolah (APS) usia 13-15
Berikut adalah hasil percobaan yang dilakukan dengan algoritma K-means pada Angka Partisipasi Sekolah (APS) usia 13-15 dengan jumlah klaster (k=2) menggunakan software RapidMiner seperti yang ditunjukkan pada gambar 10.
Gambar 10. Hasil cluster nilai APS usia 13-15
Pada Gambar 10 dijelaskan hasil pemetaan terhadap nilai APS usia 13-15 setelah menentukan 2 cluster (k=2) pada data nilai APS usia 13-15 untuk mencari kelompok yang sejenis dan dapat terlihat nilai akhir centroid antar cluster. Hasil penelitian menyebutkan bahwa pemetaan klaster usia 13-15 tahun adalah 23
provinsi berada di klaster tinggi (cluster_0) dan 12 provinsi berada di klaster rendah (cluster_1). Klaster tinggi yakni Kabupaten Cilacap, Kabupaten Banyumas, Kabupaten Kebumen, Kabupaten Purworejo, Kabupaten Magelang, Kabupaten Boyolali, Kabupaten Klaten, Kabupaten Sukoharjo, Kabupaten Wonogiri, Kab.
Karanganyar, Kabupaten Sragen, Kabupaten Grobogan, Kabupaten Blora, Kabupaten Rembang, Kabupaten Pati, Kabupaten Kudus, Kabupaten Jepara, Kabupaten Semarang, Kab. Temanggung, Kota Surakarta, Kota Salatiga, Kota Semarang, Kota Pekalongan. Sedangkan klaster rendah yakni Kabupaten Purbalingga, Kab. Banjarnegara, Kabupaten Wonosobo, Kabupaten Demak, Kabupaten Kendal, Kabupaten Batang, Kabupaten Pekalongan, Kabupaten Pemalang, Kabupaten Tegal, Kabupaten Brebes, Kota Magelang, Kota Tegal. Sementara penentuan nilai klaster tinggi dan rendah berdasarkan pada nilai centroid dimana nilai centroid akhir dari pemetaan berupa klaster usia 13-15 tahun yakni klaster tinggi (cluster_0) {97.52, 97.12, 96.93} dan klaster rendah (cluster_1) {93.78, 93.58, 93.17}. Berikut adalah visualisasi dari grafik pemetaan berupa klaster berdasarkan wilayah pada nilai APS usia 13-15 (gambar 11).
Gambar 11. Pemetaan berupa klaster berdasarkan wilayah pada nilai APS usia 13-15
Dari penelitian yang dilakukan, metode k-means dengan pengukuran validity cluster dengan menggunakan Davies Bouldin Index (DBI), membuktikan bahwa k-means dapat menghasilkan kualitas cluster yang lebih optimal yang ditunjukan dengan nilai DBI yang lebih kecil yakni 0.230. Artinya nilai DBI yang lebih kecil mendekati 0 menunjukan skema cluster yang optimal. Adapun hasil DBI pada nilai APS usia 13-15 dapat dilihat pada gambar 12 berikut.
Gambar 12. Nilai DBI pada nilai APS usia 13-15
c) Analisis Pemetaan berupa klaster pada Angka Partisipasi Sekolah (APS) usia 16-18
Berikut adalah hasil percobaan yang dilakukan dengan algoritma K-means pada Angka Partisipasi Sekolah (APS) usia 16-18 dengan jumlah klaster (k=2) menggunakan software RapidMiner seperti yang ditunjukkan pada Gambar 13.
Gambar 13. Hasil cluster nilai APS usia 16-18
Pada Gambar 13 dijelaskan hasil pemetaan terhadap nilai APS usia 16-18 setelah menentukan 2 cluster (k=2) pada data nilai APS usia 16-18 untuk mencari kelompok yang sejenis dan dapat terlihat nilai akhir centroid antar cluster (Gambar 14). Hasil penelitian menyebutkan bahwa pemetaan klaster usia 16-18 tahun adalah 15 provinsi berada di klaster tinggi (cluster_0) dan 20 provinsi berada di klaster rendah (cluster_1).
Klaster tinggi yakni Kabupaten Kebumen, Kabupaten Purworejo, Kabupaten Klaten, Kabupaten Sukoharjo, Kabupaten Wonogiri, Kab. Karanganyar, Kabupaten Sragen, Kabupaten Kudus, Kabupaten Demak, Kabupaten Semarang, Kota Magelang, Kota Surakarta, Kota Salatiga, Kota Semarang, Kota Tegal. Sedangkan klaster rendah yakni Kabupaten Cilacap, Kabupaten Banyumas, Kabupaten Purbalingga, Kab. Banjarnegara, Kabupaten Wonosobo, Kabupaten Magelang, Kabupaten Boyolali, Kabupaten Grobogan, Kabupaten Blora, Kabupaten Rembang, Kabupaten Pati, Kabupaten Jepara, Kab. Temanggung, Kabupaten Kendal, Kabupaten Batang, Kabupaten Pekalongan, Kabupaten Pemalang, Kabupaten Tegal, Kabupaten Brebes, Kota Pekalongan.
Gambar 14. Nilai centroid akhir nilai APS usia 16-18
Pada gambar 14 dijelaskan bahwa penentuan nilai klaster tinggi dan rendah berdasarkan pada nilai centroid dimana nilai centroid akhir dari pemetaan berupa klaster usia 16-18 tahun yakni klaster tinggi (cluster_0) {79.99, 79.51, 79.56} dan klaster rendah (cluster_1) {65.57, 64.79, 63.19}. Berikut adalah visualisasi dari grafik pemetaan berupa klaster berdasarkan wilayah pada nilai APS usia 16-18 (Gambar 15).
Gambar 15. Pemetaan berupa klaster berdasarkan wilayah pada nilai APS usia 16-18
Dari penelitian yang dilakukan, metode k-means dengan pengukuran validity cluster dengan menggunakan Davies Bouldin Index (DBI), membuktikan bahwa k-means dapat menghasilkan kualitas cluster yang lebih optimal yang ditunjukan dengan nilai DBI yang lebih kecil yakni 0.203. Artinya nilai DBI yang lebih kecil mendekati 0 menunjukan skema cluster yang optimal. Adapun hasil DBI pada nilai APS usia 16-18 dapat dilihat pada gambar 16 berikut.
Gambar 16. Nilai DBI pada nilai APS usia 16-18.
4. KESIMPULAN
Hasil pemetan berupa klaster terhadap pemanfaatan algoritma K-Means pada Angka Partisipasi Sekolah di Jawa Tengah dapat diimplemetasikan. Hasil pemetaan secara keseluruhan menunjukkan persentase yang baik untuk semua kelompok usia yakni diatas 50 persen pada klaster tinggi. Sementara secara detail pada kelompok usia 16- 18 tahun, terdapat 24 provinsi (57%) yang berapa pada klaster rendah. Informasi dari hasil dari penelitian dapat memberi gambaran secara makro tingkat perkembangan Angka Partisipasi Sekolah (APS) selama beberapa tahun terakhir.
UCAPAN TERIMAKASIH
Terima kasih penulis sampaikan kepada Direktorat Riset dan Pengabdian Masyarakat, Deputi Bidang Penguatan Riset dan Pengembangan, Kementerian Riset dan Teknologi/ Badan Riset dan Inovasi Nasional (Ristek/BRIN) yang telah memberikan dana hibah penelitian dosen pemula (PDP) tahun 2020 pendanaan 2021. Selanjutnya, terima kasih kepada ketua dan staff LPPM Politeknik Dharma Patria yang telah memfasilitasi kegiatan PDP mulai penyusuan proposal hingga laporan penelitian.
REFERENCES
[1] P. Karini, “Pengaruh Tingkat Kemiskinan Terhadap Angka Partisipasi Sekolah Usia 16-18 Tahun Di Provinsi Kepulauan Bangka Belitung,” Al-Ishlah: Jurnal Pendidikan, vol. 10, no. 1, pp. 103–115, 2018.
[2] A. Wanto, “Prediksi Angka Partisipasi Sekolah dengan Fungsi Pelatihan Gradient Descent With Momentum &
Adaptive LR,” Jurnal Ilmu Komputer dan Informatika (ALGORITMA), vol. 3, no. 1, pp. 9–20, 2019.
[3] M. F. Akbar, “Evaluasi Kebijakan Program Pemberian Dana Bantuan Operasional Sekolah,” Jurnal Analisis Kebijakan Dan Pelayanan Publik, vol. 2, no. 1, pp. 47–64, 2016.
[4] BPS, “Angka Partisipasi Sekolah (APS) (Persen), 2017-2019,” Badan Pusat Statistik Provinsi Jawa Tengah, 2020.
[Online]. Available: https://jateng.bps.go.id/indicator/28/71/1/angka-partisipasi-sekolah-aps-.html. [Accessed: 25-Oct- 2020].
[5] Sudirman, A. P. Windarto, and A. Wanto, “Data mining tools | rapidminer: K-means method on clustering of rice crops by province as efforts to stabilize food crops in Indonesia,” IOP Conference Series: Materials Science and Engineering, vol. 420, no. 1, pp. 1–8, 2018.
[6] B. Supriyadi, A. P. Windarto, T. Soemartono, and Mungad, “Classification of Natural Disaster Prone Areas in Indonesia using K-Means,” International Journal of Grid and Distributed Computing, vol. 11, no. 8, pp. 87–98, 2018.
[7] A. S. Ahmar, D. Napitupulu, R. Rahim, R. Hidayat, Y. Sonatha, and M. Azmi, “Using K-Means Clustering to Cluster Provinces in Indonesia,” Journal of Physics: Conference Series, vol. 1028, no. 1, pp. 1–6, 2018.
[8] N. A. Febriyati, A. D. GS, and A. Wanto, “GRDP Growth Rate Clustering in Surabaya City uses the K- Means Algorithm,” International Journal of Information System & Technology, vol. 3, no. 2, pp. 276–283, 2020.
[9] K. Rahayu, L. Novianti, and M. Kusnandar, “Implementation Data Mining with K-Means Algorithm for Clustering Distribution Rabies Case Area in Palembang City,” Journal of Physics: Conference Series, vol. 1500, no. 1, pp. 1–9, 2020.
[10] A. Moubayed, M. Injadat, A. Shami, and H. Lutfiyya, “Student Engagement Level in an e-Learning Environment:
Clustering Using K-means,” American Journal of Distance Education, vol. 34, no. 2, pp. 137–156, 2020 [11] P. N. Tan, M. Steinbach, and V. Kumar, Introduction to Data Mining. London: Pearson Education, 2006.
[12] S. Sudirman, A. P. Windarto, and A. Wanto, “Data Mining Tools | RapidMiner : K-Means Method on Clustering of Rice Crops by Province as Efforts to Stabilize Food Crops In Indonesia,” IOP Conference Series: Materials Science and Engineering, vol. 420, no. 012089, pp. 1–8, 2018.
[13] A. M. Hemeida, S. Alkhalaf, A. Mady, E. A. Mahmoud, M. E. Hussein, and A. M. Baha Eldin, “Implementation of nature-inspired optimization algorithms in some data mining tasks,” Ain Shams Engineering Journal, pp. 1–10, 2019.
[14] D. Aprilla, D. A. Baskoro, L. Ambarwati, and I. W. S. Wicaksana, Belajar Data Mining Dengan Rapid Minner. 2013.
[15] D. Nofriansyah and G. W. Nurcahyo, Algoritma Data Mining Dan Pengujian. Yogyakarta: Deepublish, 2015.
[16] U. Fayyad, G. Piatetsky-Shapiro, and P. Smyth, “From Data Mining to Knowledge Discovery in Databases,” AI Magazine, vol. 17, no. 3, pp. 37–54, 1996.
[17] D. T. Larose, Discovering Knowledge in Data: An Introduction to Data Mining: Second Edition. New Jersey: John Wiley & Sons, 2005.
[18] J. Han and M. Kamber, Data Mining : Concepts and Techniques Second Edition. San Francisco: Elsevier, 2006.
[19] I. H. Witten, E. Frank, and M. A. Hall, Data Mining : Practical Machine Learning Tools and Techniques Third Edition.
Burlington: Elsevier, 2011.
[20] R. Primartha, Belajar Machine Learning Teori dan Praktik. Bandung: Informatika Bandung, 2018.
[21] E. G. Sihombing, “Klasifikasi Data Mining Pada Rumah Tangga Menurut Provinsi Dan Status Kepemilikan Rumah Kontrak / Sewa Menggunakan K-Means Clustering Method,” CESS (Journal of Computer Engineering System and Science), vol. 2, no. 2, pp. 74–82, 2017
