Memetakan Ribuan Madrasah Banten Saat Algoritma Membantu Mengambil Keputusan

Bayangkan Anda diberi tugas ini: ada ribuan madrasah tersebar di seluruh Provinsi Banten dari RA, MI, MTs, sampai MA, ada yang negeri ada yang swasta dan Anda diminta menyusun kebijakan yang adil untuk semuanya. Bantuan dana, prioritas peningkatan mutu, pembangunan fasilitas. Pertanyaannya: bagaimana caranya membagi perhatian secara tepat sasaran kalau setiap madrasah punya kondisi yang berbeda-beda?

Memberi perlakuan yang sama rata ke semua madrasah terdengar adil, tapi sebenarnya tidak. Madrasah di pelosok yang jauh dari fasilitas pendidikan jelas punya kebutuhan berbeda dengan madrasah di pusat kota. Masalahnya, dengan data sebesar ini, mata manusia akan kewalahan menemukan polanya.

Di sinilah saya iseng mencoba sesuatu: membiarkan algoritma yang menemukan polanya untuk saya. Hasilnya cukup memuaskan, dan saya ingin menceritakannya di sini dengan bahasa yang santai.

Ide Dasarnya: Mengelompokkan yang Mirip

Teknik yang saya pakai namanya K-Means clustering. Kalau diibaratkan, bayangkan Anda punya sekeranjang besar kelereng beraneka warna dan ukuran, lalu Anda minta seseorang mengelompokkannya tanpa memberi tahu aturan apa pun. Orang itu akan mengamati sendiri kemiripannya: "Yang ini kelompok kelereng besar-merah, yang itu kelompok kecil-biru," dan seterusnya.

K-Means bekerja persis seperti itu. Ia termasuk keluarga unsupervised learning pembelajaran mesin tanpa label, tanpa kunci jawaban. Saya tidak memberi tahu mesin "ini madrasah kategori A, itu kategori B". Saya cukup memberinya data, lalu ia sendiri yang menemukan kelompok-kelompok alami di dalamnya berdasarkan kemiripan karakteristik.

Tujuan akhirnya jelas: kalau madrasah-madrasah yang serupa bisa dikelompokkan, maka pemangku kebijakan bisa merancang intervensi yang sesuai untuk tiap kelompok bukan satu obat untuk semua penyakit.

Bahan Baku: Data dari EMIS Kemenag

Data yang saya gunakan berasal dari EMIS (Education Management Information System) Kementerian Agama sistem resmi yang menyimpan data lembaga pendidikan keagamaan se-Indonesia. Untuk Banten, datanya mencakup seluruh jenjang madrasah, lengkap dengan 144 atribut per lembaga. Ada profil madrasah, status negeri/swasta, nilai akreditasi, sampai jarak ke berbagai fasilitas pendidikan.

Tapi seperti biasa dalam dunia data, kenyataan tidak seindah teori. Data resmi pun tetap perlu "dimandikan" dulu sebelum bisa diolah. Inilah tahap yang sering bikin para data scientist menghela napas: preprocessing.

Beberapa pekerjaan rumah yang harus saya selesaikan:

• Mengisi nilai yang kosong. Kolom angka saya isi dengan nilai tengah (median), sedangkan kolom kategori saya isi dengan nilai yang paling sering muncul (modus). Cara aman supaya data tidak bolong-bolong.
• Membuang kolom yang tidak relevan seperti kode satker, tanggal pembuatan, dan metadata administratif lain yang tidak berguna untuk pengelompokan.
• Merapikan format angka. Ini jebakan klasik data Indonesia: pemisah desimal kita pakai koma, sementara Python maunya titik. Angka seperti 3,5 harus dikonversi dulu jadi 3.5, kalau tidak mesin akan bingung membacanya.
• Standarisasi skala. Ini penting. Jarak diukur dalam satuan yang berbeda dengan nilai akreditasi, jadi semua fitur perlu disetarakan dulu agar tidak ada yang "mendominasi" hanya karena angkanya kebetulan besar.

Dari semua atribut yang ada, saya memilih lima fitur paling relevan untuk mengelompokkan madrasah: jarak ke RA, jarak ke MI, jarak ke MTs, jarak ke MA, dan nilai akreditasi. Kombinasi karakteristik geografis dan mutu dua hal yang paling sering jadi pertimbangan kebijakan.

Berapa Banyak Kelompok yang Pas? Tanya Siku

Ini pertanyaan paling klasik dalam K-Means: berapa jumlah kelompok yang ideal? Kalau terlalu sedikit, pengelompokannya terlalu kasar. Kalau terlalu banyak, jadi rumit dan kehilangan makna.

Untungnya ada trik cantik bernama Metode Elbow (metode siku). Caranya, kita coba berbagai jumlah kelompok dari 1 sampai 10, lalu kita ukur seberapa "rapat" anggota tiap kelompok. Hasilnya kita gambar dalam grafik. Bentuknya biasanya menyerupai lengan yang menekuk dan titik tekukan paling tajam itulah, si "siku", yang menunjukkan jumlah kelompok paling efisien.

Dari grafik saya, penurunannya melandai tajam di angka 3. Maka diputuskan: tiga kelompok. Tidak terlalu sedikit, tidak terlalu banyak pas.

Tiga Wajah Madrasah Banten

Setelah K-Means dijalankan dengan tiga kelompok, mulai muncul tiga "kepribadian" madrasah yang berbeda. Untuk melihatnya secara utuh, saya pakai teknik PCA yang mampu memadatkan lima dimensi data menjadi gambar dua dimensi yang bisa dipandang mata. Hasilnya: tiga gugusan titik berwarna yang terpisah cukup jelas. Algoritma berhasil menemukan batas-batas alami di antara madrasah.

Inilah ringkasan ketiga kelompok itu:

Kelompok 0 dan 1 Si Dekat dengan Variasi Mutu. Kedua kelompok ini umumnya berada relatif dekat dengan berbagai jenjang madrasah, tapi dengan nilai akreditasi yang beragam. Yang menarik, Kelompok 1 punya kekhasan: jaraknya ke MTs cenderung lebih jauh dibanding yang lain. Ini sinyal kuat bahwa madrasah di kelompok ini mungkin tersebar di lokasi yang lebih terpencil atau kurang terjangkau.

Kelompok 2 Si Besar yang Didominasi Swasta. Inilah kelompok terbesar, dan karakternya paling menonjol: didominasi madrasah swasta, dengan jenjang RA (pendidikan usia dini) yang sangat banyak. Ini gambaran nyata bahwa pendidikan keagamaan tingkat dasar di Banten sebagian besar ditopang oleh swadaya masyarakat.

Berbagai grafik pendukung boxplot jarak, bar chart distribusi jenis dan status, sampai heatmap rata-rata fitur semuanya mengonfirmasi bahwa ketiga kelompok ini memang punya karakteristik yang berbeda secara nyata, bukan sekadar pembagian acak.

Lalu, Apa Gunanya? Dari Angka Menjadi Kebijakan

Bagian ini yang menurut saya paling penting. Analisis data tidak ada artinya kalau berhenti di grafik yang indah. Pertanyaannya selalu: so what? Apa yang bisa dilakukan dengan temuan ini?

Ternyata cukup banyak. Pengelompokan ini membuka beberapa peluang kebijakan yang lebih terfokus:

Alokasi bantuan yang lebih tepat sasaran. Kelompok yang lokasinya jauh dari fasilitas pendidikan utama seperti Kelompok 1 bisa diprioritaskan untuk dukungan transportasi, pembangunan fasilitas baru, atau program pembelajaran jarak jauh. Bantuan tidak lagi dibagi rata buta, tapi sesuai kebutuhan riil.

Fokus peningkatan mutu di tempat yang tepat. Kelompok dengan nilai akreditasi lebih rendah bisa jadi sasaran utama program pelatihan guru, perbaikan kurikulum, dan pendampingan manajemen.

Pendekatan khusus per jenis madrasah. Karena Kelompok 2 didominasi madrasah swasta dan jenjang RA, kebijakan pengembangan pendidikan usia dini dan dukungan untuk madrasah swasta bisa difokuskan di sini lewat insentif dan pelatihan yang relevan.

Perencanaan infrastruktur yang lebih merata. Data jarak antarlembaga bisa jadi dasar untuk merencanakan pembangunan yang mengurangi kesenjangan akses antarwilayah.

Monitoring berbasis kelompok. Dengan madrasah sudah tersegmentasi, evaluasi program jadi lebih mudah dan intervensi bisa lebih tepat sasaran.

Penutup: Algoritma Sederhana, Dampak yang Tidak Sederhana

Yang saya suka dari proyek ini adalah betapa "sederhana"-nya alat yang dipakai. K-Means bukan algoritma yang glamor ia sudah ada sejak lama dan diajarkan di bangku awal pembelajaran mesin. Tapi justru di situ pelajarannya: kita tidak selalu butuh model yang rumit untuk menghasilkan wawasan yang berguna. Yang dibutuhkan adalah pertanyaan yang tepat, data yang bersih, dan kemauan untuk menerjemahkan angka menjadi keputusan.

Tentu analisis ini punya ruang untuk berkembang fitur yang dipakai masih bisa diperkaya, dan jumlah kelompok pun bisa dieksplorasi lebih jauh dengan metrik validasi tambahan. Tapi sebagai langkah awal memetakan lanskap madrasah Banten, hasilnya sudah cukup memberi gambaran yang bermakna.

Pada akhirnya, ini bukan sekadar soal mengelompokkan data. Ini soal memastikan bahwa setiap madrasah di mana pun lokasinya, sebesar atau sekecil apa pun mendapat perhatian yang sesuai dengan kebutuhannya. Dan kalau sebuah algoritma sederhana bisa membantu mewujudkan itu, menurut saya itu sudah lebih dari cukup berharga.

Kalau Anda kebetulan bekerja di bidang pendidikan, tata kelola data publik, atau sekadar penasaran dengan penerapan data science di sektor pemerintahan, saya senang sekali kalau kita bisa bertukar pikiran. Sampai jumpa di tulisan berikutnya!