PENGELOMPOKAN SEBARAN LULUSAN PESERTA DIDIK BERBASIS HYBRID SELF-ORGANIZING MAP UNTUK MENDUKUNG TRACER STUDY

CLUSTERING OF STUDENT GRADUATE DISTRIBUTION BASED ON HYBRID SELF-ORGANIZING MAP TO SUPPORT TRACER STUDY

Pendidikan di Indonesia mencakup berbagai aspek yang mempengaruhi perkembangan sistem pendidikan, dimana letak khusus berada pada jenjang Sekolah Menengah Kejuruan (SMK). Aspek kualitas lulusan dan sejauh mana mereka dapat dengan sukses berintegrasi dalam dunia kerja menjadi fokus penting yaitu mengadakan studi penelusuran (Tracer Study). Oleh karena itu Penelitian ini bertujuan untuk mengidentifikasi dan mengelompokkan data lulusan peserta didik dari SMK Antartika 2 Sidoarjo menggunakan metode Hybrid Self-Organizing Map (SOM). Data yang digunakan mencakup nilai akademis, kompetensi keahlian, dan status lulusan (bekerja, melanjutkan pendidikan, berwirausaha, tidak memiliki tujuan). Proses pengelompokan dilakukan dengan normalisasi data dan analisis korelasi untuk menemukan hubungan antar variabel. Hasil pengelompokan divisualisasikan menggunakan scatter plot, box plot, histogram, dan heatmap untuk memahami distribusi data dan pola yang terbentuk dalam setiap cluster. Hasil penelitian menunjukkan bahwa metode hybrid self-organizing map menghasilkan empat cluster optimal. Visualisasi hasil pengelompokan memberikan gambaran yang jelas tentang karakteristik setiap cluster dan memvalidasi hasil pengelompokan. Penelitian ini menunjukkan bahwa metode hybrid self-organizing map efektif dalam mengelompokkan data lulusan berdasarkan karakteristik dan performa akademis mereka.

Education in Indonesia encompasses various aspects that influence the development of the educational system, with a particular focus on Vocational High Schools (SMK). The quality of graduates and the extent to which they can successfully integrate into the workforce is a critical focus, necessitating the conduct of tracer studies. Therefore, this research aims to identify and classify the data of graduates from SMK Antartika 2 Sidoarjo using the Hybrid Self-Organizing Map (SOM) method. The data used includes academic scores, competency skills, and graduate status (employed, continuing education, entrepreneurship, no direction). The clustering process involves data normalization and correlation analysis to uncover relationships between variables.

The clustering results are visualized using scatter plots, box plots, histograms, and heatmaps to understand data distribution and the patterns formed within each cluster. The research findings indicate that the hybrid self-organizing map method produces four optimal clusters. The visualization of the clustering results provides a clear depiction of the characteristics of each cluster and validates the clustering outcomes. This study demonstrates that the hybrid self-organizing map method is effective in classifying graduate data based on their characteristics and academic performance.