Analisis Disparitas Pendidikan Di Indonesia Menggunakan Clustering Dan Classification Berbasis Data Geospasial

Abstract

Pemerataan akses pendidikan di Indonesia masih menghadapi persoalan spasial, demografis, dan kelembagaan yang tidak dapat dijelaskan hanya melalui jumlah sekolah secara agregat. Penelitian ini bertujuan menganalisis pola disparitas pendidikan Indonesia menggunakan pendekatan data mining berbasis data geospasial. Metode penelitian mengikuti tahapan CRISP-DM, mulai dari pemahaman masalah, eksplorasi data, pembersihan data, rekayasa fitur, pemodelan, evaluasi, hingga penyusunan rekomendasi. Dataset yang digunakan adalah Indonesia School Dataset with Province Data yang memuat atribut lokasi sekolah, jenjang pendidikan, status kepemilikan, luas provinsi, jumlah penduduk, dan penduduk usia sekolah. Proses analisis menerapkan K-Means Clustering untuk segmentasi wilayah serta Random Forest Classifier untuk memprediksi status sekolah negeri atau swasta. Hasil penelitian menunjukkan bahwa jumlah cluster optimal adalah empat cluster dengan Silhouette Score sebesar 0,414. Model Random Forest memperoleh akurasi 0,83 dengan precision kelas negeri 0,88, recall 0,91, dan F1-score 0,89. Feature importance menunjukkan longitude, latitude, dan school level sebagai faktor paling dominan. Temuan ini menegaskan bahwa disparitas pendidikan Indonesia memiliki pola geospasial yang kuat dan memerlukan kebijakan pemerataan berbasis data.