KLASTERISASI KOMPETENSI GURU MENGGUNAKAN HASIL PENILAIAN PORTOFOLIO DENGAN METODE K-MEANS CLUSTERING Ari Kurniawan 2208206015 Dosen Pembimbing : Mochamad Hariadi, S.T., M.Sc., Ph.D. S2 TEKNIK ELEKTRO (TELEMATIKA) FAKULTAS TEKNIK INDUSTRI INSTITUT TEKNOLOGI SEPULUH NOPEMBER SURABAYA 2010
LATAR BELAKANG UU No. 14 tahun 2005 tentang Guru & Dosen : Guru Pendidik Profesional Penilaian Portofolio - Minim S1 / D-IV - Menguasai kompetensi (pedagogik, profesional, sosial dan kepribadian) - Memiliki sertifikat pendidik - Sehat jasmani & rohani - Memiliki kemampuan untuk mewujudkan tujuan pendidikan nasional SERTIFIKASI GURU
LATAR BELAKANG Pemetaan Komponen Portofolio dalam konteks Kompetensi Guru Kel. Komponen Portofolio Kompetensi Guru Ped Kepr Sos Prof Kualifikasi Akademik A Pendidikan dan Pelatihan B C Pengalaman Mengajar Perencanaan dan Pelaksanaan Pembelajaran Penilaian dari Atasan dan Pengawas Prestasi Akademik Karya Pengembangan Profesi Keikutsertaan dalam Forum Ilmiah Pengalaman Menjadi Pengurus Organisasi di Bidang Kependidikan dan Sosial Penghargaan yang Relevan dengan Bidang Pendidikan
LATAR BELAKANG AKTIFITAS INSTITUSI SG 2009
LATAR BELAKANG Tidak Memenuhi Persyaratan ALUR SERTIFIKASI BAGI GURU DALAM JABATAN 2009 GURU S2/S3 +IVB GURU IV C VERIFIKASI DOKUMEN Memenuhi Persyaratan GURU DALAM JABATAN Lulus SERTIFIKAT PENDIDIK S1/D IV Belum S1 /DIV yang memenuhi syarat PENILAIAN PORTOFOLIO ak us Tid Lul MELENGKAPI PORTOFOLIO PLPG PLPG UJIAN Lulus DINAS PENDIDIKAN PROV/KAB/KOTA Tidak Lulus Tidak LulusUJIAN ULANG (2X) Lulus
LATAR BELAKANG
LATAR BELAKANG Tabulasi hasil penilaian portofolio 2009
LATAR BELAKANG Keterbatasan fungsi ASG (Aplikasi Sertifikasi Guru) : g ( p ) sebatas mengolah angka-angka dan memberi keluaran status kelulusan.
MAKSUD TUJUAN 1. Memberikan gambaran dan analisa kelebihan dan kekurangan kompetensi guru dengan pemilihan data yang variatif 2. Bagaimana memanfaatkan data berupa angka-angka hasil penilaian portofolio menjadi sebuah informasi dan tentang kompetensi guru 3. Menerapkan proses data mining untuk pengolahan nilai portofolio guru dengan metode K-Means Clustering untuk mengelompokan kompetensi yang relatif homogen
BATASAN MASALAH 1. Basis data dari ASG di Rayon 14 Universitas Negeri Surabaya dan kemudian diolah berdasarkan proses-proses yang ada dalam data mining. 2. Kemiripan i antar data diterjemahkan sebagai jarak kedekatan antar data dengan titik pusat (centroid), sehingga menghasilkan klaster kompetensi. 3. Algoritma : K-Means Clustering 4. Simulasi : MATLAB
MANFAAT PENELITIAN 1. Bagi pengelola manajemen pendidikan nasional (LPMP, PMPTK, Depdiknas) : a. bermanfaat untuk melihat profil sumber daya dan kompetensi guru secara nasional atau daerah. b. pertimbangan dan acuan untuk menentukan kebijakan pendidikan.
MANFAAT PENELITIAN 2. Bagi Dinas Pendidikan Daerah (propinsi, kabupaten, kota) a. bermanfaat untuk melihat profil sumber daya dan kompetensi guru di daerah. b. secara cepat dan tepat mengambil kebijakan dalam proses pembinaan guru, dengan melihat kelebihan dan kekurangan kompetensi guru secara kolektif.
MANFAAT PENELITIAN 3. Bagi LPTK (Lembaga Pendidik Tenaga Kependidikan) : bermanfaat untuk data pendukung dalam penyusunan kurikulum berdasar kompetensi yang ada. 4. Bagi peserta sertifikasi i (guru) : secara individu, bermanfaat untuk evaluasi dan bahan pengembangan diri sebagai guru profesional.
SISTEMATIKA PENELITIAN Persiapan Database ASG Pemilihan Data Pembersihan Data Transformasi Data Integrasi Data Klasterisasi Kompetensi Informasi & Pengetahuan
DATA MINING Analisa dari observasi data dalam jumlah besar untuk menemukan hubungan yang tidak diketahui sebelumnya dan metode baru untuk meringkas data agar mudah dipahami serta kegunaannya untuk pemilik data (David Hand et al, 2001).
PEMBERSIHAN DATA
TRANSFORMASI DATA Fungsi : mendapatkan hasil analisis yang akurat Percobaan 3 cara transformasi : 1. Menghiraukan Data Outlier 2. Scaling 3. Normalisasi
TRANSFORMASI DATA 1. Menghiraukan Data Outlier Outlier adalah pengamatan yang tidak mengikuti sebagian besar pola dan terletak jauh dari pusat data Identifikasi Outlier : IQR (Interquartile Range) atau boxplot Q = kuartil R = IQR = rentang Batas bawah outlier BBO = Q 1 - (1,5 * R) Batas atas outlier BAO = Q 3 + (1,5 * R)
TRANSFORMASI DATA 2. Scaling Perubahan data dalam rentang tertentu. +[-1 1, 1] + [ 0, 1] Tn = hasil transformasi nilai kompetensi ke-n Kn = nilai kompetensi BA = batas atas kompetensi ke-n BB = batas bawah kompetensi ke-n
TRANSFORMASI DATA 3. Normalisasi Tujuan : merubah data menjadi kumpulan data baru dengan : mean = 0 variansi = 1 Pembagian centering data dengan standard d deviation = hasil transformasi dengan normalisasi = nilai kompetensi = mean kompetensi ke-n = standard deviation dimana...
CLUSTERING Tujuan dari metode clustering adalah untuk mengelompokkan sejumlah data atau objek kedalam klaster sehingga setiap klaster akan terisi data yang semirip mungkin (Budi Santosa, 2007).
KLASTERISASI DATA Algoritma K-Means Clustering
KONSEP JARAK Euclidean Distance Menentukan jarak 2 titik Misalnya jarak antara titik P(x1,x2) dan titik Q(y1,y2) adalah: Kegunaan dalam algoritma K-Means : - Menentukan centroid ketika ada data baru yang diproses - Mengelompokkan data dalam klaster tertentu dengan mencari jarak terpendek dengan centroid yang terbentuk
KONSEP JARAK Jarak Data dan Centroid Jika sudah diketahui centroid masing-masing klaster, bisa diketahui jarak data dengan centroid klaster dengan rumus : D = jarak centroid dengan masing-masing data S = Item data X = atribut Ck = Centroid ke-k
KLASTERISASI DATA M-File MATLAB X = [20 30 10; 10 15 20 ; 30 40 20] [cidx,ctrs] = kmeans(x,2,'dist','sqeuclidean'); [ctrs] [X cidx] s = xlswrite('tempdata.xls', cidx) plot(x(cidx==1,1),x(cidx==1,2),'ro',x(cidx==2,1), 1) 1 ' 2 1)... X(cidx==2,2),'b*',ctrs(:,1),ctrs(:,2),'kx') title('clustering i Pedagogik Kab. Mojokerto')
OUTPUT & ANALISA Data Kompetensi Guru per Kab. / Kota Klasterisasi kualifikasi akademik dan pengalaman mengajar Kab. Gresik (1) (2) (3)
OUTPUT & ANALISA Data Kompetensi Guru per Kab. / Kota Klasterisasi kualifikasi akademik dan rencana pembelajaran Kab. Gresik (1) (2) (3)
OUTPUT & ANALISA Data Kompetensi Guru per Kab. / Kota Klasterisasi kualifikasi akademik dan pendidikan & pelatihan Kab. Gresik (1) (2) (3)
OUTPUT & ANALISA Data Kompetensi Guru per Kab. / Kota Klasterisasi kualifikasi akademik dan penilaian atasan Kab. Gresik (1) (2) (3)
OUTPUT & ANALISA Data Kompetensi Guru per Kab. / Kota Klasterisasi kualifikasi akademik dan prestasi akademik Kab. Gresik (1) (2) (3)
OUTPUT & ANALISA Data Kompetensi Guru per Kab. / Kota Klasterisasi kualifikasi akademik dan prestasi akademik Kab. Gresik Klaster berdasar transformasi No. No Peserta Nama Kab./Kota Non Outlier Scaling Normalisasi (1) (2) (4) (5) (6) (7) 1 09050102010002 LIN SUARNI Kab. Gresik 2 2 1 2 09050102010005 SRI MINARSIH Kab. Gresik 2 2 1 3 09050102010009 SRIRAHAJU Kab. Gresik 2 1 2 4 09050102010010 THOYIMAH KbG Kab. Gresik 2 2 1 5 09050102010016 SUPARMIATI Kab. Gresik 2 2 1 6 09050102010020 BUDI ASTUTI Kab. Gresik 2 2 1 7 09050102010022 HJ. HUSNUL MUZAYANAH Kab. Gresik 2 2 1 8 09050102010025 SAKDIYAH Kab. Gresik 2 2 1 9 09050102010028 ASMAUL KHUSNAH Kab. Gresik 2 2 1 10 09050102010029 MUTHI'AH Kab. Gresik 2 2 1
OUTPUT & ANALISA Data Kompetensi Guru per Kab. / Kota Klasterisasi kualifikasi akademik dan karya pengembangan profesi Kab. Gresik (1) (2) (3)
OUTPUT & ANALISA Data Kompetensi Guru per Kab. / Kota Klasterisasi kualifikasi akademik dan keikutsertaan forum ilmiah Kab. Gresik (1) (2) (3)
OUTPUT & ANALISA Data Kompetensi Guru per Kab. / Kota Klasterisasi kualifikasi akademik dan pengalaman berorganisasi Kab. Gresik (1) (2) (3)
OUTPUT & ANALISA Data Kompetensi Guru per Kab. / Kota Klasterisasi kualifikasi akademik dan pengalaman mengajar Kab. Gresik (1) (2) (3)
SIMPULAN SARAN 1. Klasterisasi i dengan algoritma K-Means clustering bisa digunakan untuk melakukan pengelompokan kompetensi guru. 2. Hasil dari penelitian ini bisa dijadikan sebagai acuan dalam proses pengembangan & peningkatan kompetensi guru oleh pihak-pihak terkait Untuk memaksimalkan hasil, perlu diadakan penelitian lebih mendalam dengan membandingkan dengan metode clustering lainnya.
Terima kasih...