KLASTERISASI KOMPETENSI GURU MENGGUNAKAN HASIL PENILAIAN PORTOFOLIO DENGAN METODE K-MEANS CLUSTERING
Ari Kurniawan 2208206015
Dosen Pembimbing g: 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 - Menguasai kompetensi (pedagogik, profesional, sosial dan kepribadian) - Memiliki sertifikat p pendidik - Sehat jasmani & rohani - Memiliki kemampuan p untuk mewujudkan j tujuan j pendidikan nasional
SERTIFIKASI GURU
LATAR
BELAKANG
Pemetaan Komponen Portofolio dalam konteks Kompetensi Guru Kel.
A
B
Komponen Portofolio
Kompetensi Guru Ped
Kepr
Sos
Prof
Kualifikasi Akademik
√
√
Pendidikan dan Pelatihan
√
√
Pengalaman Mengajar
√
Perencanaan dan Pelaksanaan Pembelajaran
√
Penilaian dari Atasan dan Pengawas
√
√ √
√
Prestasi Akademik
√ √
Karya Pengembangan Profesi
√ √
Keikutsertaan dalam Forum Ilmiah
√
√
Pengalaman g Menjadi j Pengurus g Organisasi g di C
Bidang Kependidikan dan Sosial
√
√
√
√
Penghargaan yang Relevan dengan Bidang Pendidikan
√
LATAR
BELAKANG
AKTIFITAS INSTITUSI SG 2009
BELAKANG
ALUR SERTIFIKASI BAGI GURU DALAM JABATAN 2009 Tidak Memenuhi Persyaratan Tidak Memenuhi •GURU S2/S3 +IVB •GURU GURU IV C
VERIFIKASI DOKUMEN
SERTIFIKAT PENDIDIK
Lulus
GURU DALAM JABATAN • S1/D IV • Belum S1 /DIV yyangg memenuhi syarat
Memenuhi Persyaratan
PENILAIAN PORTOFOLIO MELENGKAPI PORTOFOLIO
Tidak Lulus
LATAR
PLPG PLPG
DINAS PENDIDIKAN PROV/KAB/KOTA
Tidak Lulus
UJIAN Tidak LulusUJIAN ULANG (2X)
Lulus
Lulus
LATAR
BELAKANG
LATAR
BELAKANG
Tabulasi hasil penilaian portofolio 2009
LATAR
BELAKANG
Keterbatasan fungsi g ASG ((Aplikasi p Sertifikasi Guru)) : 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 d tentang kkompetensii guru dan
3.
Menerapkan proses data mining untuk pengolahan nilai portofolio guru dengan metode K-Means 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 K 2. Kemiripan ii antar t d data t dit diterjemahkan j hk sebagai b i jjarak k kedekatan antar data dengan titik pusat (centroid), sehingga menghasilkan klaster kompetensi kompetensi. 3. Algoritma : K-Means Clustering 4. Simulasi : MATLAB
MANFAAT
PENELITIAN
1. Bagi g pengelola g manajemen j pendidikan nasional (LPMP, PMPTK, Depdiknas) : a. bermanfaat b f t untuk t k melihat lih t profil fil sumber b d daya dan kompetensi guru secara nasional atau daerah. b pertimbangan dan acuan untuk menentukan b. 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 guru, dengan melihat kelebihan dan kekurangan kompetensi guru secara kolektif.
MANFAAT
PENELITIAN
3. Bagi LPTK (Lembaga Pendidik Tenaga Kependidikan) : b bermanfaat f t untuk t k data d t pendukung d k dalam d l penyusunan kurikulum berdasar kompetensi yang ada. 4 B 4. Bagii peserta t sertifikasi tifik i ((guru)) : secara individu, bermanfaat untuk evaluasi dan bahan pengembangan diri sebagai guru profesional 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 = Q1 - (1,5 * R) Batas atas outlier BAO = Q3 + (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
P b i centering Pembagian t i d data t d dengan standard t d dd deviation i ti = 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 jjarak terpendek p dengan g centroid yyang g terbentuk
KONSEP
JARAK
Jarak Data dan Centroid Jika sudah diketahui centroid masing-masing klaster, bisa diketahui jjarak data dengan g centroid klaster dengan g 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), l t(X( id 1 1) X( id 1 2) ' ' X( id 2 1) ... X(cidx==2,2),'b*',ctrs(:,1),ctrs(:,2),'kx') title('Clustering i i Pedagogik i Kab. Mojokerto') j
OUTPUT &
ANALISA
Data Kompetensi Guru per Kab. / Kota
Klasterisasi kualifikasi akademik dan pengalaman mengajar Kab. Gresik
(2)
(1)
(3)
OUTPUT &
ANALISA
Data Kompetensi Guru per Kab. / Kota
Klasterisasi kualifikasi akademik dan rencana pembelajaran Kab. Gresik
(2)
(1)
(3)
OUTPUT &
ANALISA
Data Kompetensi Guru per Kab. / Kota
Klasterisasi kualifikasi akademik dan pendidikan & pelatihan Kab. Gresik
(2)
(1)
(3)
OUTPUT &
ANALISA
Data Kompetensi Guru per Kab. / Kota
Klasterisasi kualifikasi akademik dan penilaian atasan Kab. Gresik
(2)
(1)
(3)
OUTPUT &
ANALISA
Data Kompetensi Guru per Kab. / Kota
Klasterisasi kualifikasi akademik dan prestasi akademik Kab. Gresik
(2)
(1)
(3)
OUTPUT &
ANALISA
Data Kompetensi Guru per Kab. / Kota
Klasterisasi kualifikasi akademik dan prestasi akademik Kab. Gresik No.
No Peserta
(1)
(2)
Nama
Kab./Kota (4)
Kl t b d Klaster berdasar transformasi t f i Non Outlier Scaling Normalisasi (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
K b G ik 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 ASMAUL KHUSNAH
Kab Gresik 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
(2)
(1)
(3)
OUTPUT &
ANALISA
Data Kompetensi Guru per Kab. / Kota
Klasterisasi kualifikasi akademik dan keikutsertaan forum ilmiah Kab. Gresik
(2)
(1)
(3)
OUTPUT &
ANALISA
Data Kompetensi Guru per Kab. / Kota
Klasterisasi kualifikasi akademik dan pengalaman berorganisasi Kab. Gresik
(2)
(1)
(3)
OUTPUT &
ANALISA
Data Kompetensi Guru per Kab. / Kota
Klasterisasi kualifikasi akademik dan pengalaman mengajar Kab. Gresik
(2)
(1)
(3)
SIMPULAN
SARAN
1 Kl 1. Klasterisasi t i id dengan algoritma l it K K-Means M clustering l t i bi bisa digunakan untuk melakukan pengelompokan kompetensi guru guru. penelitian ini bisa dijadikan j sebagai g acuan 2. Hasil dari p dalam proses pengembangan & peningkatan kompetensi guru oleh pihak-pihak terkait Untuk memaksimalkan hasil, perlu diadakan penelitian liti llebih bih mendalam d l d dengan membandingkan b di k dengan metode clustering lainnya.
T i Terima k ih ... kasih