Pengelompokan Sekolah Menengah Atas di Kota Bandung Berdasarkan Indikator Pendidikan dengan Metode Ensemble ROCK

Abstract. Education is a crucial aspect of national development. This study focuses on two key indicators of senior high school (SMA) education services in Bandung City: availability and quality, highlighting disparities in the distribution of students, teachers, and school facilities. These inequalities may hinder the effectiveness of the student zoning policy (PPDB). Therefore, clustering schools based on these characteristics is essential to support more equitable policy formulation. This research uses the Ensemble ROCK method, which can process both numerical and categorical data simultaneously. Numerical variables include the number of students, teachers, staff, classrooms, laboratories, libraries, and health rooms; while categorical variables include school status, accreditation, and curriculum. The data, obtained from Dapodik, covers 149 senior high schools. PCA was applied to address multicollinearity, producing three principal components. Numerical data were clustered using Ward’s method, forming five optimal clusters. Categorical data were clustered using the ROCK algorithm with a threshold of 0.6. Finally, mixed data were clustered using the CEBMDC approach, resulting in five optimal clusters. The findings show that the clustering method effectively maps the conditions of high schools in Bandung City and can serve as a basis for more equitable and data-driven education policies. Abstrak. Pendidikan adalah aspek penting dalam pembangunan bangsa. Penelitian ini memfokuskan pada dua indikator layanan pendidikan jenjang SMA di Kota Bandung, yaitu ketersediaan dan kualitas, dengan menyoroti ketimpangan distribusi siswa, guru, dan fasilitas sekolah. Ketimpangan ini berpotensi menghambat efektivitas kebijakan zonasi PPDB. Oleh karena itu, dilakukan pengelompokan sekolah untuk mendukung perumusan kebijakan yang lebih adil. Metode yang digunakan adalah Ensemble ROCK, yang mampu mengolah data numerik dan kategori secara bersamaan. Data numerik meliputi jumlah siswa, guru, tendik, ruang kelas, laboratorium, perpustakaan, dan UKS. Data kategori meliputi status, akreditasi, dan kurikulum sekolah. Data diambil dari Dapodik sebanyak 149 SMA. Analisis PCA digunakan untuk mengatasi multikolinearitas, menghasilkan 3 komponen utama. Data numerik dikelompokkan dengan Ward’s Method membentuk 5 klaster optimal. Data kategori dikelompokkan menggunakan algoritma ROCK dengan threshold 0,6. Selanjutnya, data campuran diklasterisasi menggunakan pendekatan CEBMDC, menghasilkan 5 klaster optimal. Hasil penelitian menunjukkan metode klasterisasi efektif dalam memetakan kondisi sekolah dan dapat dijadikan dasar dalam perumusan kebijakan pendidikan yang lebih merata dan berbasis data.