Implementasi K-Medoids Clustering dalam Pendistribusian Guru SMA Sederajat di Indonesia

Pemerintah Indonesia masih mengalami permasalahan dalam pendistribusian guru. Guru yang ada di beberapa daerah sangatlah kekurangan, sedangkan di beberapa daerah atau kota lainya mengalami kelebihan guru. Sistem pendistribusian dengan menggunakan kebijakan terpusat tidak dapat digunakan karena pendistribusian guru yang sedang terjadi. Clustering dalam data mining dapat bermanfaat sekali dalam mencari pola untuk pendistribusian guru dan terdapat dalam dataset yang bermanfaat dalam proses analisis data yang ada. Dengan Clustering, pola yang terdapat dalam atribut pada dataset dapat dengan mudah dikenali. Tujuan dari penelitan ini untuk mengaplikasikan algoritma K-Medoids Clustering guna menganalisa pendistribusian guru SMA sederajat di Indonesia. Dalam penelitian terkait, solusi yang digunakan adalah dengan menggunakan algoritma K-Means Clustering dengan nilai K = 12 yang mana, akan di klasifikasikan kedalam 3 kelas, yaitu kurang, cukup, dan kelebihan. Dengan menggunakan algoritma tersebut dihasilkan nilai Sum of Squared Error (SSE) sebesar 87,15%. Namun, masih terdapat data yang diidentifikasikan sebagai outlier (data yang menyimpang) di dalam data yang digunakan. Dengan mengaplikasikan algoritma K-Medoids diharapakan dapat mengatasi data outlier tersebut. Penelitianinimenggunakan 4 tahap, yaitu: pemilihan dataset, preproccessing data, implementasidari K-Medoids, dan evaluasi serta membandingkan dengan algoritma K-Means Clustering. Penelitian ini menggunakan 4 buah skenario dengan k = 2, 4, 8, dan 16. Hasil evaluasi dengan SSE, pada skenario 1 dengan k = 2 dan skenario 2 dengan k = 4. Algoritma K-Medoids lebih unggul dibanding algoritma K-Means dengan nilai 62,89 untuk K-Medoids serta 64,43 untuk K-Means pada skenario 1 dan 361,82 untuk K-Medoids serta 659,51 untuk K-Means pada skenario 2. Sedangkan pada skenario 3 dengan k = 8 dan skenario 4 dengan k = 16. Algoritma K-Means lebih unggul dibanding algoritma K-Medoids dengan nilai 2790,92 untuk K-Medoids serta 1870,101 untuk K-Means pada skenario 3 dan 10539,71 untuk K-Medoids serta 8969,58 untuk K-Means pada skenario 4