Spasial data mining menggunakan model SAR-Kriging (Spatial Autoregressive-Kriging) untuk pemetaan mutu pendidikan di Indonesia

ABDULLAH, Atje Setiawan, Promotor Drs. Retantyo Wardoyo, M.Sc., Ph.D

2009 | Disertasi |

Survei Dasar Pendidikan Nasional tahun 2003 (SDPN 2003) merupakan realisasi pendataan peta pendidikan di Indonesia, menghasilkan database pendidikan dengan ukuran 3,89 GB (4.178.499.369 bytes) dan 2.395 files meliputi 203.590 record dan 569 indikator, variabel-variabelnya terukur, memiliki dimensi tinggi dengan ratusan atribut heterogen, melibatkan data spasial dan tersebar secara geografis. Untuk mengestrak pengetahuan dari database berukuran besar dapat digunakan proses data mining. Data mining berkembang menjadi spasial data mining untuk mengekstrak pengetahuan yang diinginkan dari relasi spasial untuk mendapatkan berbagai pola yang secara eksplisit tidak ditemukan dalam database. Mengingat Indonesia memiliki sebaran lokasi yang luas, terdiri dari: provinsi, kabupaten/kota, kecamatan, dan desa dengan beragam aspek sosial budaya, maka spasial data mining dapat diterapkan dalam pemetaan mutu pendidikan di Indonesia. Penelitian ini bertujuan untuk mengkaji dan menerapkan spasial data mining untuk klasifikasi pemetaan mutu pendidikan pada berbagai jenjang persekolahan di Indonesia menggunakan model Spatial Autoregressive-Kriging (SAR-Kriging) merupakan gabungan model ekspansi SAR (Spatial AutoRegressive Expansion) dan metode Kriging. Pengembangan model SAR-Kriging secara teoritis didasarkan kelemahan model ekspansi SAR dan metode Kriging. Model ekspansi SAR merupakan perluasan model SAR untuk memberikan informasi kausal yaitu pengaruh total variabel independen terhadap variabel dependen melalui heterogenitas spasial menggunakan koordinat lokasi. Kelemahan model ekspansi SAR adalah hanya dapat digunakan untuk prediksi pengamatan di lokasi-lokasi tersampel. Metode Kriging adalah suatu metode interpolasi linier yang digunakan untuk menaksir nilai di suatu lokasi yang tidak tersampel, berdasarkan nilai-nilai dari sampel di lokasi sekitarnya. Kelemahan metode kriging tidak dapat menggambarkan model kausal antara variabel dependen dan variabel independen. Gabungan model ekspansi SAR dan metode Kriging dikaji untuk mendapatkan model kausal yang dapat digunakan untuk prediksi di lokasi-lokasi tidak tersampel. Melalui model SAR-Kriging dapat dilakukan prediksi mutu pendidikan pada lokasi yang tidak tersampel berdasarkan model input output pendidikan baik tingkat kabupaten/kota maupun provinsi di Indonesia. Metodologi yang digunakan pada penelitian ini mengikuti proses data mining dan knowledge discovery in database (KDD) melalui tiga tahap. Tahap pertama adalah data preprocessing, meliputi penyiapan database hasil SDPN 2003, pembersihan data, transformasi data, seleksi variabel menggunakan analisis faktor dan untuk melihat model sesuai dengan data input output pendidikan digunakan Structural Equation Model (SEM), serta penggabungan data spasial dan data non spasial. Tahap kedua data mining, meliputi penggunaan indeks Moran, model SAR, model ekspansi SAR serta model SAR-Kriging untuk deskripsi dan prediksi mutu pendidikan. Tahap ketiga, post processing, meliputi interpretasi, evaluasi dan visualisasi untuk mendapatkan knowledge. Hasil pengolahan data SDPN2003 menggunakan model SAR-Kriging, menunjukkan prediksi mutu pendidikan jenjang SD,SMP dan SMA untuk dua belas kabupaten/kota di Jawa Barat mempunyai rata-rata prosentase error absolut (Mean Absolute Percentage Error/MAPE) 8,39; 23,63 dan 40,45. Hal ini menunjukkan bahwa model SAR-Kriging menghasilkan MAPE kurang dari 10% untuk jenjang SD, sehingga model sesuai untuk digunakan sebagai model prediksi mutu pendidikan jenjang SD. Hasil pengolahan model SAR-Kriging untuk provinsi-provinsi di Pulau Jawa menghasilkan MAPE: untuk jenjang SD, SMP dan SMA masing-masing adalah 8,15; 8,10, dan 29,36. Hal ini menunjukkan bahwa model SAR-Kriging untuk jenjang SD dan SMP sesuai digunakan untuk prediksi mutu pendidikan di lokasi provinsi-provinsi yang tidak tersampel di Pulau Jawa. Hasil pengolahan SAR-Kriging di provinsi yang tidak tersampel yaitu provinsi Aceh menghasilkan MAPE untuk jenjang SD, SMP dan SMA masing-masing adalah 8,44; 14,51 dan 42,25. Hal ini menunjukkan bahwa untuk lokasi tidak tersampel provinsi Aceh model SAR-Kriging sesuai digunakan untuk jenjang SD. Hasil pengolahan SAR-Kriging untuk provinsi pemekaran Sulawesi Barat, menunjukkan MAPE untuk jenjang SD, SMP dan SMA masing-masing 1,02; 2,19 dan 81,76. Hal ini menunjukkan bahwa model SAR-Kriging sesuai digunakan untuk jenjang SD dan SMP untuk provinsi pemekaran Sulawesi Barat. Hasil pengolahan SAR-Kriging untuk tiga belas provinsi di Indonesia menunjukkan bahwa MAPE untuk jenjang SD, SMP dan SMA masing-masing adalah 8,07; 7,48 dan 29,21. Hal ini menunjukkan bahwa model SAR-kriging sesuai digunakan untuk jenjang SD dan SMP untuk provinsi-provinsi di Indonesia. Untuk memudahkan pengolahan data, telah dibangun software aplikasi untuk Spasial Data Mining menggunakan model-model, SAR, Ekspansi SAR dan model SAR-Kriging. Software aplikasi tersebut dapat digunakan untuk deskripsi dan prediksi mutu pendidikan di berbagai lokasi, baik di tingkat kabupaten/kota maupun tingkat provinsi di Indonesia. Hasil prediksi mutu pendidikan menggunakan model SAR-Kriging dapat digunakan sebagai rekomendasi bagi manajemen pendidikan di Indonesia.

Survey Base of National Education year 2003 (SDPN 2003) is a data realization of education mapping in Indonesia; it gave a large education database with 3,89 GB (4,178,499.369 bytes) and 2,395 files involved 203,590 records and 569 indicators, also it has a measured variables, high dimension with a hundreds heterogeneous attribute and distributed spatial data geographically. Data mining can be used to extract knowledge from a large database. Data mining develop to be spatial data mining to extract knowledge from spatial relation to get some of explicit pattern which is not found in database. Because of Indonesia has a wide location distribution: provinces, cities, and districts which have many social culture, so data mining can be applied in mapping of quality education in Indonesia. The aims of this research are to study and to apply spatial data mining for classification the quality of education at various rates in Indonesia using: Expansion Spatial AutoRegressive-Kriging (SAR-Kriging) which is combine expansion SAR model and Kriging method. The development of SAR-Kriging model theoretically based on the weaknesses of SAR model, it is only applicable for prediction at sample locations. In the other side Kriging method can be used to predict observations at unsample locations. The expansion SAR model is an extension of model SAR to give information the influence of total independent variables to dependent variable through spatial heterogeneity using locations coordinate. The combination of expansion SAR model and Kriging method is studied to get the causal model which can be used to predict at unsample locations. Using SAR-Kriging model we can predict the quality of education at unsample locations in Indonesia at province or district level. Methodology in this research is a data mining processes and knowledge discovery in database (KDD) using three stages. The first stage is preprocessing data involve database preparation of Survey Base of National Education year 2003 (SDPN 2003). SDPN 2003 is a realization of education mapping in Indonesia. In SDPN 2003 we have a complex and large data, especially for education at elementary, junior and senior schools. We have a large school database 203,590 records and 569 indicators. It can be divided for elementary school (SD) 158,590 records and 122 indicators, junior high school (SMP) 28,949 records and 138 indicators, for senior high school (SMA) 10,810 records and 142 indicators, and SMK 5,156 records and 167 indicators. Furthermore, in the first steps the data is cleaned and transformed, variable is selected by factor analysis and Structural Equation Model (SEM), and the last is combining spatial and non spatial data. The second stage is data mining, using Moran index, SAR, Expansion SAR and SAR-Kriging models to get description and prediction of quality education. The last stage is post processing through interpretation, evaluation and visualization to get knowledge. The result of data processing of SDPN 2003 using SAR-Kriging model shows that the prediction of quality education of elementary school (SD), junior high school (SMP) and senior high school (SMA) at twelve districts at West Java Province has Mean Absolute Percentage Error (MAPE) 8.39; 23.63 and 40.45. It shows that the SAR-Kriging model has MAPE less than 10% for elementary school, so it fit forprediction of education quality at SD. The processing data at provinces in Java Island gives the MAPE of SD, SMP and SMA: 8.15; 8.10 and 29.36. The result shows that the SAR-Kriging model can be used to predict the quality of education for SD and SMP at unsample provinces in Java Island. Using SAR-Kriging we also predict the quality of education at province Aceh which gives MAPE for SD, SMP and SMA. It gives the MAPE 8.44; 14.51 and 42.25. It shows that the SAR-Kriging model can be used to predict quality of education SD at Aceh province. For the extension province as West Sulawesi, we get the MAPE of SAR-Kriging model for SD, SMP and SMA are 1.02; 2.19 and 81.76. So, at West Sulawesi the SAR-Kriging model also fit to the data SD and SMP. The processing data for 13 provinces in Indonesia for SD, SMP and SMA give SAR-Kriging MAPE 8.07; 7.48 and 29.21. We can conclude that the SARKriging model is a good model for prediction of quality of education for SD and SMP. All of the results show that SAR-Kriging model at elementary and junior high schools is a good model for prediction a quality of education at unsample provinces in Indonesia. To get processing data easier we built the application software of Spatial Data Mining using SAR, Expansion SAR and SAR-Kriging models. Using this software we can apply the model to get description and prediction of quality education at various locations, districts or provinces in Indonesia. The result of prediction of quality education using SAR-Kriging can be used as a recommendation for management of education in Indonesia

Kata Kunci : Spasial data mining, SAR, Ekspansi SAR, SAR-Kriging, Spatial Data Mining, SAR, SAR expansion, SAR-Kriging