Aspek utama yang menentukan keberhasilan suatu bangsa adalah pendidikan. Oleh sebab itu, pemerintah memutuskan untuk seluruh sekolah perlu diberikan nilai kelayakan (akreditasi). Dalam kajian ini ingin membangun satu model prediksi untuk akreditasi sekolah di tingkat SMP. Pendekatan dengan teknik mechine learning digunakan pada pemodelan ini. Beberapa algoritma yang diterapkan memiliki nilai akurasi pada rentang 76% sampai dengan 79%, hal ini masih dapat ditingkatkan kembali. Namun berdasarkan nilai AUC sebesar 76% model Random Forest memiliki prediksi yang baik dibandingkan model lainnya. Karena model Random Forest mampu memprediksi kelas minoritas tipe "akreditasi A" lebih tinggi. Kata kunci: Prediktif; Akreditasi Sekolah; Mechine Learning; PENDAHULUAN Dalam rangka meningkatkan kualitas pendidikan sesuai amanat UUD Nomor 20 Tahun 2003 tentang Sistem Pendidikan Nasional. Salah satunya adalah pemerintah mengeluarkan keputusan secara tegas bahwa sekolah negeri maupun swasta agar diakreditasi. Berhubungan dengan hal tersebut pemerintah membentuk satuan badan lembaga untuk menentukan nilai kelayakan satuan pendidikan yakni Badan Akreditasi Nasional Sekolah/Madrasah (BAN-S/M). Kegiatan yang dilakukan lembaga BAN-S/M adalah merumuskan kebijakan operasional, melakukan sosialisasi kebijakan dan melaksanakan akreditasi Sekolah/Madrasah. Hasil penilaian kelayakan tersebut berupa peringkat akreditasi sekolah yang dinyatakan dalam huruf A (sangat baik), B (baik), C (cukup) dan tidak terakreditasi (Badan Akreditasi Nasional, 2016). Lebih lanjut, terdapat banyak satuan pendidikan di Indonesia dari tingkat sekolah dasar dan menengah. Sehingga mustahil akan dievaluasi satu persatu tiap sekolah dengan banyaknya parameter penilaian yang ada. Oleh karena itu, perlu dibangun suatu model statistik pada dataset BAN-S/M untuk meramalkan satuan pendidikan dalam hal kelayakan. Hal tersebut yang mendorong penulis untuk mengkaji pemodelan variabel-variabel akreditasi sekolah tingkat SMP. Model yang dihasilkan
The objective of this study was to determine the best model that describe the pattern of cayenne pepper productivity in Magelang Regency. This study uses primary data which was obtained from the results of a survey of cayenne pepper production by the General Director of Horticulture on several sample plots in Magelang District, Central Java Province in 2018. The process of data analysis was divided into two parts: grouping the sample plots based on the similarity in productivity pattern and then fitting models in each group. The models used to fit data were Logistic Growth Model, Monomolecular Growth Model, Exponential Growth Model, Polynomial Model and Linear B-Spline Model. The best model was determined based on R2 and MAPE. The results showed that the pattern of cayenne pepper productivity in Magelang District had eight different characteristics. Characteristics of each groups were illustrated by the similarity of their productivity pattern. The best model in each group was B-Spline Linear Model.
Salah satu kebijakan strategis dalampengembangan hortikultura di Indonesia adalah pengembangan sistem informasi manajemen hortikultura. Hal yang menjadi perhatian utama dari kebijakan ini adalah upaya untuk memperoleh data yang akurat dalam waktu singkat melalui peningkatan metode pengumpulan dan pemrosesan data, peningkatan data dan informasi, dan sinkronisasi statistik hortikultura. Metode yang digunakan untuk mengumpulkan data cabai adalah mengukur produksi setiap panen. Hal demikian tentu sangat menguras tenaga, dana dan waktu yang tidak sedikit. Di samping itu, kendala lain yang dihadapi adalah letak plot contoh yang cukup sulit dijangkau. Berdasarkan kondisi ini, ada kebutuhan untuk menyederhanakan teknik pengumpulan data dengan mengurangi frekuensi pengamatan panen. Data yang digunakan dalam penelitian ini adalah data primer dan simulasi. Data primer merupakan hasil survei produksi cabai rawit oleh Dirjen Hortikultura pada beberapa plot contoh di Kabupaten Magelang, Provinsi Jawa Tengah tahun 2018. Data simulasi diperoleh dengan membangkitkan nilai produktivitas berdasarkan parameter-parameter dari data primer. Estimasi produktivitas melibatkan beberapa faktor seperti ukuran contoh (15, 45 dan 90), frekuensi amatan panen (1, 2 atau 3 kali) dan metode penarikan contoh (penarikan contoh acak sederhana dan penarikan contoh acak berlapis). Evaluasi hasil estimasi diukur dengan nilai varian dan nilai bias yang dihasilkan. Hasil analisis menunjukkan bahwa pendugaan produktivitas menggunakan dua titik dengan metode stratified random sampling dan ukuran sampel 90 petani menghasilkan varietas dan bias terkecil. Titik panen terbaik adalah dua titik di tengah panen.
The objective of this study was to determine the best model that describe the pattern of cayenne pepper productivity in Magelang Regency. This study uses primary data which was obtained from the results of a survey of cayenne pepper production by the General Director of Horticulture on several sample plots in Magelang District, Central Java Province in 2018. The process of data analysis was divided into two parts: grouping the sample plots based on the similarity in productivity pattern and then fitting models in each group. The models used to fit data were Logistic Growth Model, Monomolecular Growth Model, Exponential Growth Model, Polynomial Model and Linear B-Spline Model. The best model was determined based on R2 and MAPE. The results showed that the pattern of cayenne pepper productivity in Magelang District had eight different characteristics. Characteristics of each groups were illustrated by the similarity of their productivity pattern. The best model in each group was B-Spline Linear Model.
scite is a Brooklyn-based organization that helps researchers better discover and understand research articles through Smart Citations–citations that display the context of the citation and describe whether the article provides supporting or contrasting evidence. scite is used by students and researchers from around the world and is funded in part by the National Science Foundation and the National Institute on Drug Abuse of the National Institutes of Health.
customersupport@researchsolutions.com
10624 S. Eastern Ave., Ste. A-614
Henderson, NV 89052, USA
This site is protected by reCAPTCHA and the Google Privacy Policy and Terms of Service apply.
Copyright © 2025 scite LLC. All rights reserved.
Made with 💙 for researchers
Part of the Research Solutions Family.