CLUSTERING UNTUK DATA KOMPETENSI WIDYAISWARA MENGGUNAKAN ALGORITMA KMEANS

Transkripsi

1 CLUSTERING UNTUK DATA KOMPETENSI WIDYAISWARA MENGGUNAKAN ALGORITMA KMEANS Diana Triastuty, I Ketut Eddy Purnama, dan Surya Sumpeno Jurusan Teknik Elektro FTI, ITS, Surabaya Kampus ITS Keputih, Sukolilo, Surabaya 60111, Jawa Timur cathabelltriastuty@gmail.com ABSTRAK Kesuksesan program diklat sangat ditentukan oleh profesionalisme yang di miliki oleh widyaiswara. Hal inilah yang mendorong widyaiswara terus berpacu dalam pengembangan diri. Usaha untuk pengembangan diri bisa dilakukan dengan melihat dari kompetensi yang dimiliki oleh widyaiswara. Kompetensi yang harus dimiliki widyaiswara meliputi kompetensi pengelolaan pembelajaran, kompetensi kebribadian, kompetensi sosial, dan kompetensi substantif. Widyaiswara yang kompeten akan lebih mampu membawa dan menciptakan lingkungan belajar yang kondusif dan efektif serta akan lebih mampu mengelola kelasnya dan membawa peserta diklat pada pencapaian hasil belajar yang optimal. Untuk melihat sejauh mana kompetensi yang dimiliki oleh widyaiswara maka diperlukannya metode clustering yang dapat mengelompokkan kompetensi widyaiswara dengan membagi kelas- kelas tertentu di mana objek dalam tiap kelas (cluster) memiliki kemiripan dan tiap kelas memiliki perbedaan yang membedakan dari objek dalam kelas lain. Algoritma yang digunakan pada metode clustering pada penelitian ini adalah algoritma k-means, dimana semua partisi dataset yang diberikan menjadi beberapa pengguna tertentu cluster, k. Dalam melaksanakan dan menjalankan algoritma k-means, relatif cepat, mudah beradaptasi, dan umum dalam praktek. Pada penelitian ini menghasilkan klasterisasi pada masing- masing kompetensi dengan k=2. Dengan menghasilkan cluster 0 sebanyak 35% dan cluster 1 sebanyak 65%. Kata kunci: Kompetensi Widyaiswara, Metode Clustering, Algoritma K-means. PENDAHULUAN Kesuksesan suatu program pengajaran diklat sangat ditentukan oleh profesionalisme yang dimiliki oleh widyaiswara. Widyaiswara yang profesional akan memiliki kompetensi atau kemampuan mengajar dan kemampuan memfasilitasi yang unggul dalam suatu proses pembelajaran/pelatihan. Widyaiswara yang kompeten akan lebih mampu membawa dan menciptakan lingkungan belajar yang kondusif dan efektif serta akan lebih mampu mengelola kelasnya dan membawa peserta diklat pada pencapaian hasil belajar yang optimal. Sesuai Peraturan Kepala Lembaga Admistrasi Negara Nomer 5 Tahun 2008, tentang Standar Kompetensi Widyaiswara. Terdapat empat kompetensi yang harus dimiliki oleh seorang widyaiswara untuk menunjang keberhasilan tugasnya yaitu kompetensi pengelolaan pembelajaran, kompetensi kepribadian, kompetensi sosial dan kompetensi substantif. Dengan tercetuskannya peraturan standar kompetensi widyaiswara, maka dilakukan pengambilan data melalui Evaluasi Diri Widyaiswara yang mencakup keempat kompetensi.. Namun seiring dengan waktu, keberadaan data Evaluasi Diri Widyaiswara tidaklah mempunyai arti lagi. Data yang ada hanyalah sebagai tumpukan bahan usang. Widyaiswara tetap melaksanakan rutinitas pekerjaannya tanpa memperdulikan data tersebut. C-5-1

2 Untuk menjadikan data Evaluasi Diri Widyaiswara sebagai suatu informasi yang bermakna maka diperlukan adanya suatu metode yang tepat dengan jalan mengolah dan menggali variable hasil Evaluasi Diri Widyaiswara. Salah satu nya yaitu metode cluster pada algoritma K-Means. Algoritma K-means merupakan salah satu metode data clustering non hirarki yang berusaha mempartisi data yang ada ke dalam bentuk satu atau lebih cluster/kelompok. Metode ini mempartisi data ke dalam cluster/kelompok sehingga data yang memiliki karakteristik sama dikelompokkan ke dalam satu cluster yang sama [1]. Dengan metode clustering menggunakan Algoritma K-Means diharapkan dapat mengetahui rata-rata tingkat kompetensi widyaiswara yang ada di LPMP propinsi Jawa Timur. Dan memvisualisasikan clustering data kompetensi widyaiswara sehingga permasalahan yang dihadapi selama ini bisa terselesaikan dan diterima oleh semua pihak. METODE Untuk mengetahui sebuah informasi dan pengetahuan tentang kompetensi widyaiswara dan menganalisa kelebihan dan kekurangan kompetensi widyaiswara maka perlu memanfaatkan data berupa angka-angka hasil evaluasi diri widyaiswara dalam metode clustering yaitu pada algoritma k-means. Dalam penelitian ini dilakukan uji coba validitas sistem dan uji coba data. Pada uji coba validitas sistem untuk menguji validasi pada klaster. Validasi klaster merupakan proses untuk menilai hasil algoritma klaster. Oleh karena itu, proses ini bertujuan untuk menjamin bahwa solusi klaster yang dihasilkan dalam analisis klaster dapat menggambarkan populasi sebenarnya. Pada tesis ini validasi yang dipakai menggunakan Sum of Squared Error. Pada Sum of Squared Error dalam k-means dipilih yang terkecil. Hal ini dilakukan dengan melakukan ujicoba pada seed yang berbeda- beda dengan klaster yang telah ditetapkan yaitu k=2. Penentuan 2 klaster, ini dikarenakan adanya 2 pembagian kelompok yaitu kelompok tinggi dan kelompok rendah. Grafik 1 Hasil Uji Validitas SSE pada k=2 Berdasarkan hasil uji validitas, menghasilkan within cluster sum of squared errors yang hampir sama, maka dapat disimpulkan bahwa hasil algoritma klaster telah diterapkan dengan benar. Untuk penerapan klaster yang dipakai pada penelitian ini menggunaknan K=3 dan seed 30, dikarenakan mempunyai within cluster sum of squared errors terkecil. Kemudian dilanjutkan dengan ujicoba data kompetensi widyaiswara berdasarkan atribut sub kompetensi widyaiswara. C-5-2

3 HASIL DAN PEMBAHASAN Dalam uji coba data Sampel data yang digunakan adalah data Evaluasi Diri Widyaiswara dari LPMP Jawa Timur. Dimana pembentukan klaster menggunakan atributatribut berdasarkan sub kompetensi widyaiswara (GBPP, Bahan Ajar, Pembelajaran Orang Dewasa, Komunikasi, Memotivasi, Mengevaluasi, Pribadi Teladan, Etos Kerja, Kerjasama, Hubungan Penyelenggara, Keilmuan dan Penulisan KTI). Klasterisasi Kompetensi Pengelolaan Pembelajaran Uji (1) : Klaster Sub Kompetensi GBPP dan Sub Kompetensi Bahan Ajar Grafik 2 Klaster Sub Kompetensi GBPP dan Bahan Ajar Widyaiswara LPMP Jawa Timur Keterangan: x biru = klaster 0, x merah = klaster 1 Bahan Ajar lebih baik daripada klaster 1. Hal ini dikarenakan anggota klaster 0 lebih banyak berada pada titik (4,4) yakni widyaiswara yang mempunyai sub kompetensi sangat mampu. Sedangkan klaster 1 relatif berada pada titik (3,3) yang menyatakan bahwa widyaiswara tersebut mempunyai sub kompetensi mampu. Uji (2) : Klaster Sub Kompetensi GBPP dan Sub Kompetensi Pembelajaran Orang Dewasa Grafik 3 Klaster Sub Kompetensi GBPP dan Sub Kompetensi Pembelajaran Orang Dewasa Widyaiswara LPMP Jawa Timur Pembelajaran Orang Dewasa lebih baik daripada klaster 1. Hal ini dikarenakan anggota C-5-3

4 klaster 0 lebih banyak berada pada titik (4,4) adalah widyaiswara yang mempunyai sub kompetensi sangat mampu. Sedangkan klaster 1 relatif berada pada titik (3,3) yang menyatakan bahwa widyaiswara tersebut mempunyai sub kompetensi mampu. Uji (3) : Klaster Sub Kompetensi GBPP dan Sub Kompetensi Komunikasi Grafik 4 Klaster Sub Kompetensi GBPP dan Sub Kompetensi Komunikasi Widyaiswara LPMP Jawa Timur Komunikasi lebih baik daripada klaster 1. Hal ini dikarenakan anggota klaster 0 lebih banyak berada pada titik (4,4) adalah widyaiswara yang mempunyai sub kompetensi sangat mampu. Sedangkan klaster 1 relatif berada pada titik (3,3) yang menyatakan bahwa widyaiswara tersebut mempunyai sub kompetensi mampu. Uji (4) : Klaster Sub Kompetensi GBPP dan Sub Kompetensi Memotivasi Grafik 5 Klaster Sub Kompetensi GBPP dan Sub Kompetensi Memotivasi Widyaiswara LPMP Jawa Timur Memotivasi lebih baik daripada klaster 1. Hal ini dikarenakan anggota klaster 0 lebih banyak berada pada titik (4,4) adalah widyaiswara yang mempunyai sub kompetensi sangat mampu. Sedangkan klaster 1 relatif berada pada titik (3,3) yang menyatakan bahwa widyaiswara tersebut mempunyai sub kompetensi mampu. C-5-4

5 Uji (5) : Klaster Sub Kompetensi GBPP dan Sub Kompetensi Mengevaluasi Grafik 6 Klaster Sub Kompetensi GBPP dan Sub Kompetensi Mengevaluasi Widyaiswara LPMP Jawa Timur Mengevaluasi lebih baik daripada klaster 1. Hal ini dikarenakan anggota klaster 0 lebih banyak berada pada titik (4,4) yakni widyaiswara yang mempunyai sub kompetensi sangat mampu. Sedangkan klaster 1 relatif berada pada titik (3,3) yang menyatakan bahwa widyaiswara tersebut mempunyai sub kompetensi mampu. Klasterisasi Kompetensi Kepribadian Uji (1) : Klaster Sub Kompetensi Pribadi Teladan dan Sub Kompetensi Etos Kerja Grafik 7 Sub Kompetensi Pribadi Teladan dan Sub Kompetensi Etos Kerja Widyaiswara LPMP Jawa Timur Anggota klaster 0 relatif mempunyai sub kompetensi pribadi teladan dan sub kompetensi etos kerja lebih baik daripada klaster 1. Hal ini dikarenakan pada kedua sub kompetensi tersebut, anggota klaster 0 lebih banyak berada pada titik (4,4) adalah widyaiswara yang mempunyai sub kompetensi sangat mampu. Sedangkan anggota klaster 1 relatif berada pada titik (3.5,3.5) yang menyatakan bahwa widyaiswara tersebut hampir mendekati pada sub kompetensi sangat mampu. Sehingga hal ini dapat diambil kesimpulan bahwa pada kompetensi kepribadian rata2 widyaiswara mempunyai kompetensi sangat mampu. C-5-5

6 Klasterisasi Kompetensi Sosial Uji (1) : Klaster Sub Kompetensi Kerjasama dan Sub Kompetensi Hubungan Penyelenggara. Grafik 8 Sub Kompetensi Kerjasama dan Sub Kompetensi Hubungan Penyelenggara Widyaiswara LPMP Jawa Timur Anggota klaster 0 relatif mempunyai sub kompetensi kerjasama dan sub kompetensi hubungan penyelenggara lebih baik daripada klaster 1. Hal ini dikarenakan pada kedua sub kompetensi tersebut, anggota klaster 0 lebih banyak berada pada titik (4,4) adalah widyaiswara yang mempunyai sub kompetensi sangat mampu. Sedangkan anggota klaster 1 relatif berada pada titik (3.5,3.5) yang menyatakan bahwa widyaiswara tersebut hampir mendekati pada sub kompetensi sangat mampu. Sehingga hal ini dapat diambil kesimpulan bahwa pada kompetensi sosial rata2 widyaiswara mempunyai kompetensi sangat mampu. Klasterisasi Kompetensi Substantif Uji (1) : Klaster Sub Kompetensi Keilmuan dan Sub Kompetensi Penulisan KTI. Grafik 9 Sub Kompetensi Keilmuan dan Sub Kompetensi Penulisan KTI Widyaiswara LPMP Jawa Timur Anggota klaster 0 relatif mempunyai sub kompetensi keilmuan dan sub kompetensi penulisan KTI lebih baik daripada klaster 1. Hal ini dikarenakan pada kedua sub kompetensi tersebut, anggota klaster 1 relatif berada di bawah titik (3,3) yang menyatakan bahwa widyaiswara mempunyai sub kompetensi dibawah mampu, atau dengan kata lain kurang mampu, sehingga perlu perhatian khusus dalam peningkatan kompetensinya. C-5-6

7 KESIMPULAN DAN SARAN Berdasarkan penelitian yang dilakukan dapat disimpulkan beberapa hal sebagai berikut: 1. Metode clustering dengan algoritma K-Means Clustering bisa digunakan untuk melakukan pengelompokan kompetensi widyaiswara. 2. Hasil klasterisasi pada kompetensi pengelolaan pembelajaran menyatakan bahwa Anggota klaster 0 mempunyai kompetensi lebih baik daripada klaster 1. Hal ini dikarenakan Anggota klaster 0 sebanyak 35% berada pada titik (4,4) adalah widyaiswara yang mempunyai kompetensi sangat mampu. Sedangkan klaster 1 sebanyak 65% berada pada titik (3,3) yang menyatakan bahwa widyaiswara tersebut mempunyai kompetensi mampu. Sehingga diharapkan peningkatan kompetensi pada klaster Hasil klasterisasi pada kompetensi kepribadian menyatakan bahwa Anggota klaster 0 mempunyai kompetensi lebih baik daripada klaster 1. Hal ini dikarenakan Anggota klaster 0 sebanyak 35% berada pada titik (4,4) adalah widyaiswara yang mempunyai kompetensi sangat mampu. Sedangkan klaster 1 sebanyak 65% berada pada titik (3.5,3.5) yang menyatakan bahwa widyaiswara tersebut hampir mendekati pada kompetensi sangat mampu. Sehingga kompetensi kepribadian yang dimiliki widyaiswara rata- rata sangat mampu. 4. Hasil klasterisasi pada kompetensi sosial menyatakan bahwa Anggota klaster 0 mempunyai kompetensi lebih baik daripada klaster 1. Hal ini dikarenakan Anggota klaster 0 sebanyak 35% berada pada titik (4,4) adalah widyaiswara yang mempunyai kompetensi sangat mampu. Sedangkan klaster 1 sebanyak 65% berada pada titik (3.5,3.5) yang menyatakan bahwa widyaiswara tersebut hampir mendekati pada kompetensi sangat mampu. Sehingga kompetensi sosial yang dimiliki widyaiswara rata- rata sangat mampu. 5. Hasil klasterisasi pada kompetensi substantif menyatakan bahwa Anggota klaster 0 mempunyai kompetensi lebih baik daripada klaster 1. Hal ini dikarenakan Anggota klaster 0 sebanyak 35% berada pada titik (3,3) adalah widyaiswara yang mempunyai kompetensi mampu. Sedangkan klaster 1 sebanyak 65% berada di bawah titik (3,3) yang berarti widyaiswara tersebut mempunyai kompetensi dibawah mampu, atau dengan kata lain kurang mampu, sehingga perlu perhatian khusus dalam peningkatan kompetensinya. 6. Hasil dari penelitian ini bisa dijadikan sebagai acuan dalam proses pengembangan dan peningkatan kompetensi widyaiswara oleh pihak- pihak terkait. DAFTAR PUSTAKA Agusta, Yudi. Pebruari. (2007), K-Means- Penerapan, Permasalahan dan Metode Terkait. Jurnal Sistem dan Informatika Vol. 3: Hillier, F.S. & Lieberman G. J. (2005), Introduction To Operations Research, Andi, Yogyakarta. Kantardzic, M. (2003), Data Mining: Concept, Model, Method, and Algoritme: New York: John Wiley & Sons. Lee, F.S. & Santana. J. (2010), Data Mining: Meramalkan Bisnis Perusahaan, Elex Media Komputindo, Jakarta. Permenpan No. 14 Tahun (2007), Jabatan Fungsional dan Angka Kreditnya, Perkalan No. 5 Tahun 2008, Standar Kompetensi Widyaiswara, C-5-7

8 Pusat Pengembangan Tenaga Kependidikan. (2010), Peraturan Kepala Lembaga Administrasi Negara Nomor 3 Tahun 2010 Tentang Petunjuk Teknis Jabatan Fungsional Widyaiswara dan Angka Kreditnya, Jakarta. Rismawan, Tedy, Sri Kusumadewi. (2008), Aplikasi K-Means untuk Pengelompokan Mahasiswa Berdasarkan Nilai Body Mass index (BMI) & Ukuran Kerangka. Yogyakarta. Santosa, B. (2007), Data Mining Teknik Pemanfaatan Data untuk Keperluan Bisnis. Graha Ilmu.Yogyakarta. Sulianta, F. & Juju, D. (2010), Data Mining: Meramalkan Bisnis Perusahaan, Elex Media Komputindo, Jakarta. Witten, Ian H. dan Frank, Eibe. ( 2005). Data Mining Practical Machine Learning Tools and Techniques, Second Edition. Morgan Kaufmann, San Fransisco. Wu, Xindong, Vipin Kumar.( 2009), The Top Ten Algorithm in Data Mining. New York: CRC. C-5-8