PRINCIPAL COMPONENT ANALYSIS UNTUK DIMENSI REDUKSI DATA CLUSTERING SEBAGAI PEMETAAN PERSENTASE SERTIFIKASI GURU DI INDONESIA

Gusni Rahayu, Mustakim Mustakim

Abstract


Penelitian ini bertujuan untuk mengetahui kota-kota mana saja yang akan digunakan untuk klasterisasi wilayah di Indonesia berdasarkan tingkat pengajar yang sudah profesional yaitu melalui sertifikasi. Data yang digunakan terdiri dari 3 jenjang pendidikan yaitu SD,SMP dan SMA yang ada diseluruh kota di Indonesia sebanyak 98 kota. Pendidikan tidaklah diarahkan hanya dalam mencetak tenaga kerja untuk industri melainkan  juga tenaga kerja yang mengoptimalkan kemampuan berpikir dalam menjalankan pekerjaanya. Proses pemetaan dapat dilakukan dengan menggunakan salah satu teknik clustering yaitu K-Means. K-Means merupakan algoritma paling populer yang digunakan karena memiliki kelebihan yaitu algoritma yang sederhana dan mudah diimplementasikan. Principal Component Analysis (PCA) merupakan pendekatan fitur selection untuk pengurangan dimensi tanpa pengawasan teknik. Penelitian ini menghasilkan sebuah metode yang lebih efektif dengan menggunakan PCA yang dimodifikasi dengan k-means.Dari pembagian cluster sebanyak K=3 didapatkan hasil cluster 0 = 13, cluster 1 = 44, cluster 2 = 41. Metode pengukuran Davies-Bouldin (DB) Index digunakan untuk mengukur validitas cluster yang kemudian menghasilkan  algoritma K-Means memiliki nilai yang lebih besar dari pada PCA-K-Means.

Full Text:

PDF

References


Budiharto. (2013). Sertifikasi guru sebagai upaya meningkatkan profesionalisme guru dalam rangka meningkatkan kualitas pendidikan. 115-128.

Caesarendra, W. (2011). panduan belajar mandiri Matlab. Jakarta: PT Elex Media Komputindo.

Ediyanto, M. N. (2013). Pengklasifikasian Karakteristik dengan Metode K-means Cluster Analysis. Buletin Ilmiah Mat,Stat,dan terapannya (Bimaster), 133-136.

Fahmida Afrin, M.-A. T. (2015). Comparative Performance Of Using PCA With K-Means And Fuzzy C Means Clustering For Costomer Segmentation. International Journal Of Scientific & Technology Research , Volume 4.

Izzuddin, A. (2015). Optimasi Cluster pada Algoritma K-Means dengan Reduksi Dimensi Dataset menggunakam principal component analysis untuk pemetaan kinerja dosen. vol 5 No.

Jariadi, A. (April 2016). pengelompokan kecamatan penghasil kelapa sawit di provinsi riau menggunakan principal component analysis k-means. Tugas Akhir Sistem Informasi.

Mustakim. (2012). Pemetaan digital dan pengelompokan lahan hiaju di wilayah provinsi riau berdasarkan knowledge discovery in databases (KDD) dengan teknik k-means mining. Seminar Nasional teknologi informasi,komunikasi dan industri (SNTKI)4.

Rajashree Dash, D. M. (2010). hybridized K-means clustering approach for high dimensional data. International Journal of Engineering,Science and Technology, vol 2,No.2 pp.59-66.

S.Uyanto, S. (2009). Pedoman sata dengan SPSS. Yogyakarta: Graha Ilmu.

Saravanan, T. d. (2011). An efficient method to improve the clustering performance for high dimensional data by Principal Component analysis and modified K-means. International Jornal of Database Management System (IJDMS), vol.3,No 1.

Septa Firmansyah Putra, R. P. (2016). Feature Selection pada Dataset Faktor Kesiapan Bencana pada Provinsi di Indonesia Menggunakan metode PCA(Principal Componen Analysis). Jurnal Teknik ITS, Vol.5,No.2.

Setiani, N. (2014). Klasterisasi Judul Buku dengan menggunakan metode K-Means. Seminar Nasional Aplikasi Teknologi informasi (SNATI).

Stanislaus S.Uyanto, P. (2009). Pedoman Analisis Data dengan SPSS. Yogyakarta: Graha ilmu.

Sunjoyo, R. s. (2013). Aplikasi SPSS untuk smart Riset. Bandung: Alfabeta.

Tono. (2014). Hubungan sertifikasi guru dengan kinerja guru sekolah dasar negeri Kecamatan Sebuku Kecamatan Nunukan. eJurnal Administrasi negara,2(4).


Refbacks

  • There are currently no refbacks.


Fakultas Sains dan Teknologi

UIN Sultan Syarif Kasim Riau

Jl. HR. Soebrantas KM 18 No. 155 Pekanbaru Riau Indonesia

Website: http://fst.uin-suska.ac.id

Email: sntiki@uin-suska.ac.id