Pengelompokan Lembaga Pendidikan Nonformal di Kabupaten Banyumas Berdasarkan Usia dan Jumlah Siswa Menggunakan Algoritma k-Means

Sahla Yura Firdaus; Lilik Muzdalifah

Sahla Yura Firdaus Matematika, Fakultas Matematika dan Ilmu Pengetahuan Alam, Universitas Jenderal Soedirman, Purwokerto, Indonesia
Lilik Muzdalifah Matematika, Fakultas Matematika dan Ilmu Pengetahuan Alam, Universitas Jenderal Soedirman, Purwokerto, Indonesia

Abstract

Kajian ini bertujuan untuk mengelompokkan lembaga pendidikan nonformal berdasarkan klasterisasi rata-rata usia siswa di tiap jenjang program (Paket A, B, dan C) serta jumlah siswa, guna memperoleh pemetaan profil lembaga yang lebih spesifik. Metode yang digunakan adalah klastering dengan algoritma K-Means, didahului oleh proses standarisasi data menggunakan Z-score untuk menyamakan skala antar variabel. Hasil analisis menghasilkan tiga kelompok lembaga dengan karakteristik yang berbeda-beda. Kelompok pertama (Klaster 1) memiliki jumlah siswa yang relatif besar serta usia siswa Paket A yang lebih tua, yang menunjukkan potensi pelayanan untuk kalangan dewasa di Paket A. Kelompok kedua (Klaster 2) ditandai dengan jumlah siswa lebih sedikit, usia lebih muda pada Paket A dan B, namun lebih tua pada Paket C, menunjukkan fokus layanan bagi peserta dewasa khususnya di Paket C. Sementara itu, kelompok ketiga (Klaster 3) memiliki jumlah siswa yang mendekati rata-rata, dengan usia lebih muda pada Paket A dan C, serta sedikit lebih tua pada Paket B, mencerminkan lembaga dengan profil usia siswa yang lebih merata. Hasil ini dapat menjadi dasar dalam merancang strategi layanan pendidikan nonformal yang lebih terarah serta mendukung kebijakan yang disesuaikan dengan karakteristik lembaga masing-masing.

References

[1] Syufa’ati and N. Nadhifah, Perkembangan Pendidikan Non Formal di Era Merdeka Belajar, Jurnal Pendidikan Tematik, vol. 1, no. 3, pp. 161–165, 2020.

[2] Kemendikdasmen, Program/Layanan Data Kebudayaan. Accessed: Jun. 13, 2025. [Online]. Available: https://referensi.data.kemdikbud.go.id/pustaka/layanan

[3] R. Wijayati and D. R. S. Saputro, Clustering Data Numerik dan Kategorik Menggunakan Algoritme K-Prototype, PRISMA, Prosiding Seminar Nasional Matematika, pp. 702–706, 2023, [Online]. Available: https://journal.unnes.ac.id/sju/index.php/prisma/.

[4] M. Tarigan and D. Frintiana Silaban, Statistika Deskriptif, Jintan: Jurnal Ilmu Keperawatan, vol. 4, no. 2, pp. 187–195, 2024.

[5] R. Silvi, Analisis Cluster dengan Data Outlier Menggunakan Centroid Linkage dan K-Means Clustering untuk Pengelompokkan Indikator HIV/AIDS di Indonesia, Jurnal Matematika MANTIK, vol. 4, no. 1, pp. 22–31, May 2018, doi: 10.15642/MANTIK.2018.4.1.22-31.

[6] Y. Sari, K. Dwidayati, and P. Hendikawati, Estimasi Parameter pada Regresi Spatial Error Model (SEM) yang Memuat Outlier menggunakan Iterative Z Algorithm, PRISMA, Prosiding Seminar Nasional Matematika, 2018, [Online]. Available: https://journal.unnes.ac.id/sju/index.php/prisma/

[7] A. Habibi, Outlier: batas Standar Deviasi dengan Z-Score. Accessed: Jul. 03, 2025. [Online]. Available: https://medium.com/@adillatif845/outlier-mengubah-batas-standar-deviasi-dengan-z-score-b6960d916cf1

[8] G. Gustientiedina, M. H. Adiya, and Y. Desnelita, Penerapan Algoritma K-Means Untuk Clustering Data Obat-Obatan Pada RSUD Pekanbaru, Jurnal Nasional Teknologi dan Sistem Informasi, vol. 5, no. 1, pp. 17–24, Apr. 2019, doi: 10.25077/TEKNOSI.V5I1.2019.17-24.

[9] N. A. Maori, Metode Elbow dalam Optimasi Jumlah Cluster Pada K-Means Clustering, Jurnal SIMETRIS, vol. 14, no. 2, pp. 277–287, 2023.

[10] N. Putu, E. Merliana, and A. J. Santoso, Analisa Penentuan Jumlah Cluster Terbaik Pada Metode K-Means Clustering, Prosiding Seminar Nasional Multi Disiplin Ilmu & Call For Papers UNISBANK, vol. 1, no. 1, pp. 978–979, 2015.