Unsupervised Data Mining with K-Medoids Method in Mapping Areas of Student and Teacher Ratio in Indonesia

Abstract

The purpose of this study was to analyze the k-medoids method in conducting cluster mapping in the ratio of the number of students and teachers in Indonesia by region, especially at the elementary school level. The data source is secondary obtained from the Ministry of Education and Culture which is processed by the Central Statistics Agency (abbreviated as BPS) in the BPS Catalog: 4301008 concerning the Portrait of Indonesian Education. The analysis process uses the help of Rapid Miner software by using parameters of the Davies Bouldin Index (DBI) and Performance (Classification). By using three cluster labels, namely the high cluster (K1), normal cluster (K2) and poor cluster (K3), it was found that 3 provinces were in the high cluster, 9 provinces were in the normal cluster and 22 provinces were in the fewer clusters. By testing the cluster results (k = 3) through the DBI parameter the value = 0.587 was obtained. This shows that the results of the cluster formed are optimal (the smaller the better). The test results with the parameter Performance (Classification) show the results of classification error = 2.50%. The results of the research can be used as information to determine the ratio of students and teachers because the higher the value of this ratio means that the level of teacher supervision and attention to students is reduced so that the quality of teaching tends to be lower.

Perbandingan Algoritma K-Means dan K-Medoids Untuk Pemetaan Daerah Penanganan Diare Pada Balita di Kabupaten Kuningan

“…Menurut sifatnya, operasi data mining adalah sebagai berikut (Hermawati, 2013) : a) Prediksi atau prediction driven sifatnya menjawab pertanyaan apa dan sesuatu yang bersifat abstrak/transparan. Operasi prediksi dipakai untuk validasi hipotesis, querying serta pelaporan.…”

Implementasi Metode K-Means Clustering Pada Ekspor Kopi Berdasarkan Negara Tujuan

“…Menganalisa cluster adalah teknik mengelompokkan sekumpulan data menjadi beberapa kelompok menurut kemiripan dan kedekatan jarak yang telah didefinisikan (Wyatt & Spiegelhalter, 1991). Penentuan Klaster berdasarkan dataset yang telah diperoleh, digunakan sebuah flowchart atau diagram alur untuk memudahkan dalam menjalankan algoritma klasterisasi dan menemukan hasil dari penerapan analisa klaster pada dataset yang akan diproses (Hermawati, 2013). Flowchart dalam menentukan klaster ekspor kopi berdasarkan negara tujuan dapat dilihat pada gambar 1.…”

Implementasi Algoritma K-Medoids Dengan Evaluasi Davies-Bouldin-Index Untuk Klasterisasi Harapan Hidup Pasca Operasi Pada Pasien Penderita Kanker Paru-Paru

“…Dari hasil referensi penelitian terdahulu maka peneliti memutuskan memakai algoritma K-Medoids dikarenakan metode K-Medoids memiliki kinerja lebih baik dibandingkan dengan algoritma K-Means untuk dataset kecil dan besar. Metode ini digunakan untuk dapat memecah dataset menjadi kelompok-kelompok dan tidak sensitive terhadap outlier [2] [14] [15] dan mempunyai tingkat akurasi tinggi serta efisien dalam memproses objek dalam jumlah besar [6]. Algoritma K-Medoids cukup efisien untuk mengolah data yang sensitif terhadap outlier dan data dalam jumlah kecil [11].…”