Pengelompokkan Provinsi di Indonesia Berdasarkan Faktor-Faktor yang Memengaruhi Angka Partisipasi Kasar Perguruan Tinggi Menggunakan Metode K-Medoids

Indah Suci Purwati; Admi Salma

doi:10.55681/primer.v4i4.553

Authors

Indah Suci Purwati Universitas Negeri Padang
Admi Salma Universitas Negeri Padang

DOI:

https://doi.org/10.55681/primer.v4i4.553

Keywords:

Cluster, Angka Partisipiasi Kasar Perguruan Tinggi, Clustering Large Application

Abstract

Ketidakmerataan pendidikan di Indonesia terutama di perguruan tinggi masih menjadi tantangan besar. Hal ini terbukti dengan capaian Angka Partisipasi Kasar Perguruan Tinggi (APK-PT) di Indonesia pada tahun 2024 masih belum merata yang disebabkan oleh perbedaan faktor ekonomi dan sosial masyarakat. Penelitian ini bertujuan untuk mengelompokkan 38 provinsi di Indonesia berdasarkan faktor-faktor yang memengaruhi angka partisipasi kasar perguruan tinggi menngunakan metode Clustering K-Medoids. Variabel yang digunakan meliputi PDRB, Jumlah Pengeluaran Perkapita, Persentase Penduduk Miskin, Jumlah Perguruan Tinggi, dan Jumlah Tenaga Pendidik dengan menggunkan data tahun 2024 yang diperoleh dari Badan Pusat Statistik (BPS). Jumlah klaster optimal yang ditentukan menggunakan metode silhouette coefficient, yang menghasilkan dua klaster. Klaster 1 terdiri dari 27 provinsi yang dicirikan dengan PDRB dan PDRB dan jumlah pengeluaran perkapita tertinggi, serta persentase penduduk miskin terendah. Klaster 2 terdiri dari 11 provinsi dengan persentase penduduk miskin tertinggi dan PDRB terendah.

References

Apridayanti, A. Z., Fathurahman, M., & Prangga, S. (2024). An Implementation of K-Medoids Method in Provincial Clustering Based on Education Indicator Data. 7(2), 191–198.

Bara, E. G., Fitriani, F., Indrasetianingsih, A., & Dukuh. (2023). Pemodelan Geographically Weighted Regression Pada Angka Partisipasi Kasar Perguruan Tinggi Di Indonesia Tahun 2022 Abstrak Pendahuluan Di Indonesia diketahui bahwa kualitas sumber daya manusia masih rendah karena. Jurnal Sains Matematika Dan Statistika, 9(2), 76–88.

BPS. (2024). Statistik Pendidikan Indonesia 2024.

Fialine, A. P., Alodia, D. A., Endriani, D., & Widodo, E. (2021). Implementasi Metode K-Medoids Clustering untuk Pengelompokan Provinsi di Indonesia Berdasarkan Indikator Pendidikan. 02(02), 1–13.

Ga, E., Fitriani, F., Indrasetianingsih, A., Dukuh, J., Xii, M., Surabaya, K., Timur, J., Partisipasi, A., Perguruan, K., & Apk-pt, T. (2022). Pemodelan Geographically Weighted Regression Pada Angka Partisipasi Kasar Perguruan Tinggi Di Indonesia Tahun 2022 Abstrak Pendahuluan Di Indonesia diketahui bahwa kualitas sumber daya manusia masih rendah karena. 9(2), 76–88.

Hair, J. F., Black, W. C., Babin, B. J., & Anderson, R. E. (2019). Multivariate Data Analysis Eighth Edition.

Han and Kamber. (2012). Data Mining Concepts and Tehniques.

Irhamni, F., Damayanti, F., K, B. K., & A, M. (2014). Optimalisasi Pengelompokan Kecamatan Berdasarkan Indikator Pendidikan Menggunakan Metode Clustering dan Davies Bouldin Index. Seminar Nasional Sains Dan Teknologi UMJ, 11, 1–5.

Kaufman & Rousseeuw. (1990). FINDING GRUPS IN DATA.

Mukhaiyar, U., Rontos, F., Handoko, K., & Kardiyanti, S. (2022). Analisis Faktor-Faktor yang Memengaruhi Angka Partisipasi Kasar SMA/Sederajat di Indonesia Menggunakan Regresi Ridge. Euler : Jurnal Ilmiah Matematika, Sains Dan Teknologi, 10(2), 222–234. https://doi.org/10.34312/euler.v10i2.15903

Soraya, E., & Suryadi. (2019). PENGEMBANGAN LEMBAGA PENDIDIKAN SEBAGAI ORGANISASI PENGEMBANGAN LEMBAGA PENDIDIKAN DAN PEMBELAJARAN (studi pada penyelenggaraan PPG di LPTK). IMPROVEMENT: Jurnal Ilmiah Untuk Peningkatan Mutu Manajemen Pendidikan, 6(2), 28–44.