Optimalisasi Analisis Data Peserta Olimpiade Sains Nasional Indonesia Menggunakan Algoritma K-Means Clustering

Agustina Purwatiningsih; Muhammad  Habibi

doi:10.37859/jf.v14i3.8356

Agustina Purwatiningsih Universitas Duta Bangsa Surakarta
Muhammad Habibi Universitas Jendral Achmad Yani Yogyakarta

https://doi.org/10.37859/jf.v14i3.8356

Keywords: K-Means, Olimpiade Sains Nasional, data ming, klaster

Abstract

Penguasaan ilmu pengetahuan dan teknologi dengan nilai integritas tinggi merupakan salah satu syarat utama kemajuan sebuah bangsa. Salah satu program utama untuk pengembangan bakat dan minat peserta didik yang diselenggarakan oleh Kementerian Pendidikan, Kebudayaan, Riset, dan Teknologi (Kemendikbudristek) melalui Pusat Prestasi Nasional (Puspresnas) adalah Olimpiade Sains Nasional (OSN). Tujuan dari OSN mendapatkan calon peserta untuk mewakili Indonesia pada kompetisi sains tingkat internasional dan membangun basis data nasional peserta didik yang bertalenta dalam bidang sains. Prinsip OSN adalah inclusive, growth, participative dan sustain, yaitu pemerataan kesempatan bagi seluruh peserta didik Indonesia tanpa membedakan suku, agama, rupa, dan ras. Serta intensifikasi pembinaan di daerah dalam rangka mengupayakan pemerataan prestasi melalui kegiatan pencarian dan pemanduan bakat (talent scouting). Algoritma K-Means clustering cocok untuk menemukan pola dalam data pendidikan seperti performa siswa, efektivitas pembinaan, atau wilayah dengan tingkat pencapaian
tertentu. Tujuan dari penelitian ini adalah untuk menemukan pola hasil OSN berdasarkan perolehan medali tiap wilayah di Indonesia, sehingga menghasilkan informasi strategis untuk pemeratan pembinaan. Hasil dari penelitian ini, terdapat 3 klaster untuk provinsi perolehan medali OSN dan 6 klaster kota dan kabupaten menurut perolehan hasil medali. Klaster 1 data provinsi dan klaster 1 data kabupaten atau kota merupakan daerah prioritas untuk pembinaan OSN dari Pusat Prestasi Nasional (Puspresnas). Terdapat 33 provinsi dan 167 kabupaten atau kota yang termasuk dalam klaster 1, yang memerlukan perhatian khusus. Hasil dari penelitian ini dapat menjadi acuan untuk Puspernas dalam menegakkan prinsip OSN yaitu pemerataan kesempatan bagi seluruh peserta didik Indonesia tanpa membedakan suku, agama, rupa, dan ras.

Downloads

Download data is not yet available.

References

Kementerian Pendidikan dan Kebudayaan. (2024). Olimpiade Sains Nasional. Diakses dari https://osn-onmipa-bpti.kemdikbud.go.id/osn.html

Detik.com. (2023). Olimpiade Sains Nasional (OSN): Tujuan, Bidang Lomba, dan Jadwalnya. Diakses dari https://www.detik.com/edu/sekolah/d-7428572/olimpiade-sains-nasional-osn-tujuan-bidang-lomba-dan-jadwalnya.

Pusat Prestasi Nasional. (2024). Olimpiade Sains Nasional 2024. Diakses dari https://pusatprestasinasional.kemdikbud.go.id/event/riset-dan-inovasi/smp/olimpiade-sains-nasional-2024-2024-smp.

Pusat Prestasi Nasional. (2024). Olimpiade Sains Nasional 2024. Diakses dari https:// pusatprestasinasional.kemdikbud.go.id/uploads/lampiran/Pdoman%20OSN%20SMA_MA%202024%20fix.pdf

Liu, R. (2022). "Data Analysis of Educational Evaluation Using K-Means Clustering Method.". Computational Intelligence and Neuroscience. https://doi.org/10.1155/2022/3762431.

Hasanah, M., Defit, S., & Nurcahyo, G. W. (2021). Implementasi Algoritma K-Means untuk Klasterisasi Peserta Olimpiade Sains Nasional Tingkat SMA. Diakses dari http://www.jsisfotek.org/index.php/JSisfotek/article/view/6/6.

Khamidah, N. (2023). "Penerapan Multi-Clustering dalam Pengelompokan Kabupaten/Kota di Provinsi Jawa Barat Berdasarkan Indeks Desa Membangun."

Jain, A.K. (2010). "Data Clustering: 50 Years Beyond K-Means.". Pattern Recognition Letters, 31, 651–666. https://doi.org/10.1016/J.PATREC.2009.09.011.

M. R. Maarif, A. R. Saleh, M. Habibi, N. L. Fitriyani, and M. Syafrudin, “Energy Usage Forecasting Model Based on Long Short-Term Memory (LSTM) and eXplainable Artificial Intelligence (XAI),” MPDI, vol. 14, no. 265, 2023.

S. Wang and H. Li, “Adaptive K-valued K-means clustering algorithm,” in Proceedings - 2020 5th International Conference on Mechanical, Control and Computer Engineering ICMCCE 2020, Institute of Electrical and Electronics Engineers Inc., Dec. 2020, pp. 1442–1445. doi: 10.1109/ICMCCE51767.2020.00316.

D. A. Jethva, S. M. Khamkar, A. A. Pachchhapur, and S. Kulkarni, “Customer Segmentation Analysis using K-means Algorithm with Elbow method and Dendrogram,” in 2023 6th International Conference on Advances in Science and Technology (ICAST), IEEE, Dec. 2023, pp. 296–301. doi: 10.1109/ICAST59062.2023.10454952.

C. Hayat, “Enhanced K-Means Clustering Approach for Diagnosis Types of Acne,” in 2021 2nd International Conference on Innovative and Creative Information Technology, ICITech 2021, Institute of Electrical and Electronics Engineers Inc., Sep. 2021, pp. 39–43. doi: 10.1109/ICITech50181.2021.9590124.

Cetinkaya, A., Peker, S. and Kuvvetli, Ü. (2024), "Analysis of countries' performances in individual Olympic Games using cluster analysis and decision trees: the case of Tokyo 2020".", Sport, Business and Management, Vol. 14 No. 5/6, pp. 648-666. https://doi.org/10.1108/SBM-12-2023-0151

G. Zeng, Y. Fang and X. Huang, "Research on Olympic Games Hosting Strategy Based on Machine Learning Algorithm," 2023 International Conference on Electronics and Devices, Computational Science (ICEDCS), Marseille, France, 2023, pp. 452-458, doi: 10.1109/ICEDCS60513.2023.00087.

Prastyabudi, W.A, Alifah, A.N, Nurdin, A. "Segmenting the Higher Education Market: An Analysis of Admissions Data Using K-Means Clustering," Procedia Computer Science, volume 234, 2024, Pages 96-105, https://doi.org/10.1016/j.procs.2024.02.15