Penerapan Model Based-Clustering Kriteria Integrated Completed Likelihood (ICL) untuk Mengelompokkan Kabupaten/Kota di Provinsi Jambi Berdasarkan Indikator Pendidikan

Mawaddah Khairani, Dian Cahyawati, Oki Dwipurwani, Herlina Hanum

Abstract


Kondisi tujuan mutu pendidikan di Provinsi Jambi masih memiliki banyak kelemahan yang harus diperbaiki dan memiliki tingkat partisipasi pendidikan yang berbeda-beda pada setiap wilayah. Tujuan penelitian ini adalah mengelompokkan wilayah di Provinsi Jambi untuk mendapatkan kesamaan karakteristik antar kelompok berdasarkan indikator pendidikan pada setiap jenjang pendidikan yaitu tingkat pendidikan dasar, menengah, dan tinggi. Metode pengelompokan yang diterapkan adalah metode  Based-Clustering dengan kriteria multivariat Integrated Completed Likelihood (ICL). Data indikator pendidikan dari 11 wilayah di Provinsi Jambi yang dianalisis adalah Angka Partisipasi Kasar (APK), Angka Partisipasi Sekolah (APS), Angka Partisipasi Murni (APM), Angka Melek Huruf (AMH), dan Rata-rata Lama Belajar (RLB). Data diperoleh dari halaman publikasi resmi BPS Provinsi Jambi. Hasil penelitian menunjukkan bahwa pengelompokan 11 wilayah untuk tingkat pendidikan dasar hanya ditujukan menjadi satu kelompok. Setiap wilayah di Provinsi Jambi memiliki kualitas pendidikan yang tidak jauh berbeda. Pengelompokan wilayah untuk tingkat pendidikan menengah dan pendidikan tinggi menghasilkan dua kelompok. Kedua kelompok yang dihasilkan memiliki kualitas pendidikan yang berbeda. Kedua kelompok tersebut memberikan perbedaan yang signifikan berdasarkan hasil uji perbedaan rata-rata dengan Manova. Kelompok wilayah yang memiliki nilai rata-rata dari indikator pendidikan lebih tinggi memiliki kualitas pendidikan yang lebih baik dibandingkan dengan kelompok wilayah yang memiliki nilai rata-rata dari indikator pendidikan yang lebih rendah.


Full Text:

PDF

References


Hamidah, N., Santoso, R., & Rusgiyono, A. (2022). Klasterisasi Provinsi di Indonesia Ber-dasarkan Faktor Penyebaran Covid-19 Menggunakan Model-Based Clustering t-Multivariat. Jurnal Gaussian, 10(1), 56–66.

Agustini, M. (2017). Model Based-Clustering dengan Distribusi t Multivariat Menggunakan Kriteria Integrated Completed Likelihood dan Minimum Message Length. Tesis. Institut Teknologi Sepuluh Nopember.

McLachlan, G., & Peel, D. (2000). Finite Mixture Models. New York: John Wiley & Sons.

Pardede, T. (2007). Perbandingan Metode Model-Based dengan Metode K-Mean dalam Ana-lisis Cluster. Jurnal Matematika, Sains, dan Teknologi, 8(2), 98–108.

Hasnida, I.S.D., & Kusumawati, R. (2023). Penerapan Model-Based Clustering pada Penge-lompokan Saham Berdasarkan Rasio Keuangan. Jurnal Aplikasi Statistika & Komputasi Statis-tik, 15(1).

Supranto, J. (2004). Analisis Multivariat: Arti dan Interpretasi. Cetakan 1. Jakarta: PT. Rineka Cipta.

Jain, A.K. (2010). Data Clustering: 50 years Beyond K-Means. Pattern Recognition Letters, 31(8), 651–666.

Johnson, R.A., & Wichern, D.W. (2007). Applied Multivariate Statistical Analysis. 6th edition. New Jersey: Pearson Education, Inc.

Andrews, J.L., McNicholas, P.D., & Subedi, S. (2011). Model-Based Classification via Mixtures of Multivariate t-Distributions. Computational Statistics and Data Analysis, 55(1), 520–529.

Casella, G., & Berger, R.L. (2002). Statistical Inference. 2¬¬nd edition. Pacific Grove: Thomson Learning Inc.

Cain, M., Zhang, Z., & Yuan, K. (2017). Univariate and Multivariate Skewness and Kurtosis for Measuring Nonnormality: Prevalence, Influence, and Estimation. Behavior Research Methods, 49(5), 1716–1735.

Kassambara, A. (2017). Practical Guide To Cluster Analysis in R: Unsupervised Machine Learning (Multivariate Analysis I).1st edition. STHDA.

Aldini, U., & Pramesti, W. (2020). Pengelompokan Provinsi di Indonesia Berdasarkan Indikator Mutu Pendidikan Sekolah Menengah Pertama Tahun 2016-2018 Menggunakan Model Based-Clustering. J Statistika, 13(2), 23–38.

Fraley, C., & Raftery, A.E. (2002). Model-Based Clustering, Discriminant Analysis, and Density Estimation. Journal of the American Statistical Association, 97(458), 611–631.

Biernacki, C., Celeux, G., & Govaert, G. (2000). Assessing a Mixture Model for Clustering with the Integrated Classification Likelihood. France: Institut National De Recherche En Informa-tique Et En Automatique.

Baudry, J.P., Cardoso, M., Celeux, G., et al. (2013). Enhancing the Selection of a Mod-el-Based Clustering with External Categorical Variables. Economics at Your Fingertips, 9(2), 177–196.

Badan Pusat Statistik Provinsi Jambi. (2022). Statistik Daerah Provinsi Jambi 2022. BPS Provinsi Jambi. Jambi.

Badan Pusat Statistik Provinsi Jambi. (2022). Statistik Pendidikan Provinsi Jambi 2022. BPS Provinsi Jambi. Jambi.

Badan Pusat Statistik Republik Indonesia. (2022). Statistik Pendidikan Indonesia 2022. BPS RI. Jakarta.

Dinas Statistik Kesejahteraan Rakyat. (2010). Profil Indikator Pendidikan di Indonesia (Laporan Sosial Indonesia 2009). Badan Pusat Statistik. Jakarta.

Hammouda, K., & Karray, F. (2000). A Comparative Study of Data Clustering Techniques. Course Project SYDE 625.

Nafkiyah, D., Rifatin, L., Rozikin, M.R., et al. (2022). Analisis Cluster dalam Pengelompokan Kabupaten/Kota di Provinsi Jawa Timur Berdasarkan Indikator Pendidikan. Jurnal Ilmiah Ma-tematika dan Pendidikan Matematika, 12(1).




DOI: https://doi.org/10.56064/jps.v26i2.1025

Refbacks

  • There are currently no refbacks.


   

  

 

 

Creative Commons License

Jurnal Penelitian Sains (JPS) Published by UP2M, Faculty of Mathematic and Natural Science Sriwijaya University is licensed under a Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.

 

View My Stats