Diterjemahkan dari bahasa Inggris ke bahasa Indonesia - www.onlinedoctranslator.

com

https://doi.org/10.21009/JISAE

JISAE (Jurnal Penilaian dan Evaluasi Pelajar Indonesia)

ISSN : P-ISSN: 2442-4919│E-ISSN: 2597-8934
Jilid 8 No 1 (2022)
Situs web : http://journal.unj.ac.id/unj/index.php/jisae

ANALISIS PROGRAM INTERNATIONAL STUDENT ASSESSMENT (PISA) NEGARA

ASIA MENGGUNAKAN ALGORITMA K-MEAN CLUSTERING

ABSTRAK
Laporan Organization for Economic Co-operation and Development (OECD)
menunjukkan bahwa masih ada beberapa negara Asia yang berada pada
Dinar Pratama1, level terendah dalam hal pencapaian Program for International Student
Institut Agama Islam Negeri Syaikh Assessment (PISA), seperti Filipina, Lebanon, Indonesia, Kazakhstan,
Abdurrahman Siddik Bangka Belitung, Azerbaijan, dan Arab Saudi. Berdasarkan permasalahan tersebut maka
Indonesia perlu dilakukan pengelompokan negara-negara di Asia berdasarkan
indikator PISA agar dapat diketahui karakteristik masing-masing negara
Ihda Husnayaini2 melalui metode algoritma k-mean clustering. Data dalam penelitian ini
Institut Agama Islam Negeri Syaikh merupakan data sekunder dari hasil PISA 2018 yang meliputi variabel
Abdurrahman Siddik Bangka Belitung, membaca, matematika, dan IPA. Sampel dalam penelitian ini adalah negara-
Indonesia negara Asia peserta PISA tahun 2018 yang berjumlah 17 negara.
Berdasarkan hasil klasterisasi, tiga klaster terbentuk 3 klaster yaitu klaster 1
adalah China dan Singapura, yang merupakan negara dengan kemampuan
PISA di atas rata-rata. Cluster 2 terdiri dari Malaysia, Brunei Darussalam,
Qatar, Arab Saudi, Thailand, Azerbaijan, Kazakhstan, Indonesia, Lebanon,
dan Filipina dengan perolehan PISA di bawah rata-rata. Sedangkan cluster 3
terdiri dari negara-negara dengan kapabilitas sedang dalam akuisisi PISA,
seperti Macau, Hong Kong, Korea, Jepang, dan China-Taipei.
Alamat Korespondensi:
1dinarpratama24@gmail.com
Kata kunci:Analisis Clustering, Program Penilaian Mahasiswa
Internasional.

PENGANTAR
Sumber daya manusia yang berkualitas merupakan salah satu faktor penentu kualitas pendidikan
suatu negara. Beberapa pengalaman negara berkembang menunjukkan bahwa sumber daya manusia
lebih mengutamakan ketersediaan sumber daya alam (Tjalla, 2010). Kalaupun ada negara dengan
ketersediaan sumber daya alam yang melimpah, harus bisa berdampak pada sumber daya manusianya.
Dalam konteks ini, beberapa negara di Asia yang memiliki cadangan sumber daya alam yang melimpah
tidak berdampak pada peningkatan sumber daya manusia. Negara-negara yang tidak memiliki sumber
daya alam, seperti Cina, Singapura, Korea, dan Taiwan, memiliki sumber daya manusia yang jauh lebih baik
(Sholikin, 2019). Salah satu indikator yang mengukur kualitas pendidikan suatu negara adalah Program for
International Student Assessment (PISA). PISA merupakan program kerjasama antar negara yang
tergabung dalam Organization for Economic Co-operation and Development (OECD), yang dilaksanakan
tiga kali dalam setahun untuk menilai kemampuan membaca, matematika, dan sains siswa berusia 15
tahun. (Organisasi untuk Kerjasama Ekonomi dan Pembangunan, 2003).
Penilaian PISA tidak hanya mengukur kemampuan teoritis tetapi lebih kepada kemampuan
memecahkan masalah dalam kehidupan sehari-hari. Soal PISA menekankan pada kemampuan berpikir tingkat
tinggi. Ranah kemampuan ini menuntut siswa untuk menguasai konsep-konsep yang dapat diimplementasikan
untuk memecahkan masalah (Ernawati et al., 2019). Selain itu, hasil PISA telah banyak digunakan oleh beberapa

35 |JISAE (Jurnal Penilaian dan Evaluasi Pelajar Indonesia)|Volume 8 Nomor 1

negara maju dalam merumuskan kebijakan penting untuk meningkatkan kualitas pendidikan mereka
(Schleicher, 2019). Jika melihat hasil PISA, capaian negara-negara perdagangan Asia cukup masuk akal
dibandingkan dengan negara-negara di Eropa dan Amerika. Hasil PISA 2018 yang dilansir OECD (OECD,
2020b) menunjukkan China, Singapura, Makau, Hong Kong, Korea, dan Jepang menduduki peringkat
teratas untuk pencapaian keterampilan membaca, matematika, dan sains. Bahkan negara-negara tersebut
cukup stabil dalam mencapai 3 kali PISA. Namun, keberhasilan negara-negara tersebut belum diikuti oleh
negara-negara Asia lainnya. Tentu saja, beberapa faktor dapat mempengaruhi hal ini, seperti tinggi
rendahnya nilai Produk Domestik Bruto (PDB) suatu negara. Studi (Barclay et al., 2017) membuktikan
bahwa PDB berkontribusi pada peningkatan pendidikan di Cina. Sebagai tambahan, Indeks pembangunan
manusia (IPM) juga dapat mempengaruhi peningkatan kualitas pendidikan dan sumber daya manusia
suatu negara. (Alitasari, 2014)
Berdasarkan data OECD (Schleicher, 2019), beberapa negara masih berada pada level
terendah terkait pencapaian PISA, seperti Filipina, Lebanon, Indonesia, Kazakhstan, Azerbaijan, dan
Arab Saudi. Upaya peningkatan prestasi PISA tidak diragukan lagi penting dilakukan agar dapat terus
bersaing dengan negara-negara Asia lainnya. Dalam hal ini, setiap negara tentunya memiliki
kebijakan yang berbeda untuk meningkatkan prestasi tersebut. Tidaklah cukup merumuskan
kebijakan terkait hasil PISA dengan melihat rata-rata perolehan skor PISA pada masing-masing
bidang kemampuan. Namun perlu dilakukan analisis lebih lanjut dengan mengetahui karakteristik
masing-masing negara melalui algoritma clustering k-mean atau analisis cluster.
Analisis klaster adalah metode pengelompokan objek ke dalam kelompok-kelompok yang disebut klaster. Data
atau objek dengan karakteristik yang sama akan dikelompokkan dalam satu cluster dengan karakteristik tertentu
(Bansal et al., 2017). Dalam hal ini pengelompokan dilakukan pada objek atau negara di kawasan Asia berdasarkan
perolehan skor PISA pada masing-masing bidang kemampuan. Selain itu, analisis klaster ini juga akan
mempertimbangkan faktor GDP dan HDI negara tersebut. Dengan metode ini akan diketahui berapa banyak cluster
yang terbentuk dan karakteristik apa saja yang muncul pada masing-masing cluster tersebut.
Analisis klaster melalui metode algoritma k-mean relatif mudah diterapkan karena tidak
memiliki persamaan yang rumit seperti metode statistik lainnya (Jamesmanoharan et al., 2014).
Algoritma k-mean dalam analisisnya terdiri dari dua fase terpisah: pertama, memilih pusat
cluster secara acak dengan memilih jumlah cluster di awal. Kedua, menentukan setiap objek
data ke pusat cluster terdekat (Na et al., 2010). Proses klasterisasi dimulai dengan
mengidentifikasi data yang terklaster melalui langkah-langkah sebagai berikut: pertama,
menentukan pusat klaster secara acak. Kedua, memilih objek data ke pusat cluster terdekat.
Ketiga, perbarui pusat cluster. Keempat, setelah penempatan untuk semua objek, hitung ulang
posisi pusat cluster (k-centroid) (Shankar et al., 2016). Lanjut, ulangi tahap kedua dan keempat
sampai tidak ada lagi data yang dialihkan ke cluster lain (Nugraha & Hairani, 2018). k-mean
rumus dapat ditulis sebagai berikut (Shankar et al., 2016), =.∑  =1∑=1(  −

  ) 2( ){ ( )− ( )}Studi tentang analisis klaster telah dilakukan karena metode ini
maks { ( ), ( )}
memang cukup mudah diterapkan di berbagai bidang keilmuan. Analisis cluster yang diterapkan pada
bidang statistik dilakukan oleh (Kalra et al., 2018) untuk mengelompokkan tipe data yang heterogen.
Penelitian ini membuktikan bahwa analisis klaster tidak hanya dilakukan pada tipe data yang homogen.
Hasil penelitian lain dalam bisnis (Ahmed et al., 2019) menunjukkan bahwa analisis cluster algoritma k-
mean dapat dilakukan dengan data multidimensi yang diterapkan pada penjualan game. Penerapan
analisis klaster lainnya juga dapat ditemukan di berbagai bidang keilmuan seperti geologi untuk
mengklasifikasikan jenis air tanah (Javadi et al., 2017) dan teknologi informasi (Raval & Jani, 2016).
Penerapan analisis klaster dalam pendidikan sendiri dilakukan oleh (Singh et al., 2016) untuk
mengelompokkan kemampuan siswa sekolah dasar berdasarkan tempat tinggal. Dalam hal pengelompokan
kemampuan siswa, analisis klaster dapat dilakukan untuk mengelompokkan kemampuan kognitif siswa (Chiu et
al., 2009). Penelitian (Mansur & Yusof, 2018) juga menerapkan analisis klaster untuk mengklasifikasikan perilaku
siswa. Di Indonesia, penerapan analisis klaster khususnya di bidang pendidikan sudah banyak dilakukan

36
(Lase & Panggabean, 2019) dalam hal pemilihan jurusan untuk siswa SMK. Untuk mengetahui gaya belajar siswa
juga dapat dilakukan melalui analisis klaster sebagaimana penelitian yang dilakukan (Palupi et al., nd) Hasil
penelitian menunjukkan bahwa gaya belajar siswa dapat dikelompokkan menjadi empat kategori yaitu audio-
visual, visual-audio, visual, dan kinestetik. audio.
Sejauh ini, berdasarkan studi literatur, belum ditemukan penelitian terkait penerapan analisis
klaster untuk menganalisis kemampuan siswa dalam PISA, khususnya di negara-negara Asia. Kajian
ini penting dilakukan karena berdasarkan uraian sebelumnya, nilai PISA siswa di negara-negara Asia
rata-rata relatif rendah. Analisis klaster dalam penelitian ini akan difokuskan pada penerapan analisis
klaster algoritma k-mean untuk mengetahui karakteristik negara-negara di kawasan Asia
berdasarkan penguasaan keterampilan membaca, matematika, dan sains.

METODE
Penelitian ini bersifat kuantitatif. Penelitian ini bertujuan untuk menjelaskan fenomena tersebut
melalui pengumpulan data berupa angka-angka yang dianalisis menggunakan metode statistik
(Sukamolson, 2007). Metode statistik yang digunakan dalam penelitian ini adalah analisis multivariat.
Penggunaan analisis multivariat digunakan untuk memperkirakan sejumlah besar variabel dan sampel.
Salah satu yang diklasifikasikan sebagai analisis multivariat adalah algoritma rata-rata analisis cluster
(Alvin, 2002). Data dalam penelitian ini merupakan data sekunder dari hasil PISA 2018, yang meliputi
variabel membaca, matematika, dan sains (OECD, 2020a). Teknik pengambilan sampel dilakukan secara
sengaja (purposive sampling) berdasarkan tujuan dan kebutuhan penelitian (Guarte & Barrios, 2006).
Sampel dalam penelitian ini adalah negara-negara Asia peserta PISA tahun 2018 yang berjumlah 17
negara. Teknik analisis data menggunakan algoritma cluster analysis-mean dengan bantuan software
SPSS. Struktur data dalam penelitian ini dapat dilihat pada tabel di bawah ini.

Tabel 1.Struktur Data Penelitian

Variabel
Tidak Negara Membaca Matematika Sains
(X1) (X2) (X3)
1 Cina 555 591 590
2 Singapura 549 569 551
3 Makau 525 558 544
4 Hongkong 524 551 517
5 Korea 514 526 519
6 Jepang 504 527 529
7 China-Taipei 503 531 516
8 Malaysia 415 440 438
9 Brunei Darusalam 408 430 431
10 Qatar 407 414 419
11 Arab Saudi 399 373 386
12 Thailand 393 419 426
13 Azerbaijan 389 420 398
14 Kazakstan 387 423 397
15 Indonesia 371 379 396
16 Libanon 353 393 384
17 Filipina 340 353 357
Sumber: data OECD, 2020

37 |JISAE (Jurnal Penilaian dan Evaluasi Pelajar Indonesia)|Volume 8 Nomor 1

 HASIL DAN DISKUSI
Dalam analisis klaster, langkah pertama yang perlu dilakukan adalah mentransformasikan
variabel ke z-score (nilai standar). Data yang ditransformasi berdasarkan analisis deskriptif, seperti terlihat
pada tabel berikut.

Meja 2.Statistik deskriptif

N min Maks Berarti Std. Deviasi
Kemampuan Membaca 17 340 555 443.29 73.787
Kemampuan Matematika 17 353 591 464.53 78.501
Kemampuan Sains 17 357 590 458.71 72,787
Valid N (berdasarkan daftar) 17
Berdasarkan data variabel pada tabel 2, dengan menggunakan software SPSS diperoleh hasil transformasi data
sebagai berikut.

Tabel 3.Transformasi Data

Variabel
Tidak Negara Z-Membaca Z-Matematika (X2) Z-
(X1) Sains (X3)
1 Cina 1.51390 1.61107 1.80380
2 Singapura 1.43258 1.33082 1,26799
3 Makau 1.10732 1.19069 1.17182
4 Hongkong 1.09377 1.10152 0880088
5 Korea 0.95824 0,78305 0.82836
6 Jepang 0.82272 0,79579 0,96574
7 China-Taipei 0.80916 0,84674 0,78714
8 Malaysia - 0.38345 - 0,31247 - 0.28447
9 Brunei Darusalam - 0,47832 - 0,43986 - 0.38064
10 Qatar - 0,49187 - 0,64367 - 0,54550
11 Arab Saudi - 0,60029 - 1.16596 - 0,99888
12 Thailand - 0,68161 - 0,57998 - 0.44933
13 Azerbaijan - 0,73582 - 0,56724 - 0.83401
14 Kazakstan - 0,76293 - 0,52903 - 0.84775
15 Indonesia - 0,97977 - 1,08953 - 0,86149
16 Libanon - 1.22371 - 0.91119 - 1.02636
17 Filipina - 1.39990 - 1.42074 - 1.39730

Setelah data variabel ditransformasikan, seperti terlihat pada tabel 3 di atas, dilakukan analisis
klaster. Sebagaimana diatur dalam analisis klaster metode K-Mean, formasi klaster ditentukan
terlebih dahulu. Dalam hal ini cluster ditentukan oleh 3 cluster. Output analisis cluster pertama
menggunakan software SPSS adalah tabel cluster awal di bawah ini.

TABEL 4. Pusat Cluster Awal

Gugus
1 2 3
Zscore: Kemampuan Membaca 1.51390 - 1.39990 . 80917
Zscore: Kemampuan Matematika 1.61107 - 1.42074 . 84675
Zscore: Kemampuan Sains 1.80381 - 1.39731 . 78715

38
Pada tabel klaster awal di atas, dapat dilihat bahwa 4 klaster telah terbentuk. Kemudian dilanjutkan
dengan iterasi untuk menguji dan merelokasi setiap cluster (Rivani, 2010) seperti yang tertera pada tabel
berikut.

Tabel 5.Sejarah Iterasi

Perubahan di Pusat Cluster
Pengulangan
1 2 3
1 . 305 1.106 . 217
2 . 000 . 000 . 000
Jarak minimum antara pusat awal
adalah 1.454.

Dari hasil iterasi pada tabel 5 terlihat bahwa proses iterasi dilakukan sebanyak dua kali.
Iterasi dilakukan untuk mendapatkan cluster yang tepat. Jarak minimum antar pusat cluster
setelah iterasi adalah 1.454. Hasil akhir analisis cluster setelah iterasi dijelaskan pada tabel
Final Cluster Centers di bawah ini.

Tabel 6.Pusat Cluster Akhir

Gugus
1 2 3
Zscore: Kemampuan Membaca 1.47325 - . 77377 . 95825
Zscore: Kemampuan Matematika 1.47095 - . 76597 . 94356
Zscore: Kemampuan Sains 1.53590 - . 76258 . 91079

Memperhatikan tabel Final Cluster Centers di atas pada dasarnya masih mengacu pada proses
transformasi data z-score sebelumnya. Nilai pada cluster positif (+) menunjukkan bahwa data berada di
atas rata-rata total. Pada saat yang sama, nilai cluster yang negatif (-) menunjukkan bahwa data berada di
bawah rata-rata total. Untuk menentukan seberapa besar rata-rata variabel pada setiap cluster dapat
dihitung dengan menggunakan rumus X = + Z ..Penghitungan variabel rata-rata dapat dilihat pada tabel
berikut.

Tabel 7.Rata-rata variabel

Gugus
1 2 3
Zscore: Kemampuan Membaca 552.0 - 353.3 213.4
Zscore: Kemampuan Matematika 580.0 - 365,8 234.9
Zscore: Kemampuan Sains 570.5 - 362,3 240.6

Tabel 7 di atas menunjukkan bahwa keadaan pada klaster 1 unggul dalam penguasaan kemampuan matematika.
Pada cluster 2 sebagian besar unggul dalam penguasaan kemampuan matematika. Sedangkan pada klaster 3
sebagian besar unggul dalam penguasaan kemampuan ilmiah. Selanjutnya untuk mengetahui apakah ketiga
cluster memiliki perbedaan yang signifikan maka perlu dilakukan pengujian yang dapat diidentifikasi melalui
tabel Anova di bawah ini.

39 |JISAE (Jurnal Penilaian dan Evaluasi Pelajar Indonesia)|Volume 8 Nomor 1

 Tabel 8.Uji Signifikansi Perbedaan Cluster
Gugus Kesalahan

Berarti Berarti
Kotak df Kotak df F Tanda tangan.

Zscore: Kemampuan Membaca 7.460 2 . 077 14 96.641 . 000

Zscore: Kemampuan Matematika 7.323 2 . 977 14 75.721 . 000
Zscore: Kemampuan Sains 7.340 2 . 94 14 77.912 . 000

Hasil uji signifikansi perbedaan antar klaster berdasarkan tabel 8 variabel membaca, matematika,
dan IPA menunjukkan nilai signifikansi lebih kecil (<) dari 0,05. Semakin besar nilai F maka semakin
signifikan perbedaan antar cluster pada masing-masing variabel kemampuan. Kemudian, terdapat
perbedaan yang signifikan antara klaster 1, 2, dan 3 berkaitan dengan variabel kemampuan membaca,
matematika, dan IPA. Berdasarkan keterangan pada tabel 8 dapat diketahui bahwa nilai F yang paling
besar pada variabel kemampuan membaca adalah 96.641. Hal ini menunjukkan bahwa kemampuan
membaca siswa di negara-negara cluster 1 sangat berbeda dengan siswa di negara-negara cluster 2.
Kemampuan membaca siswa di negara-negara cluster 1 juga sangat berbeda dibandingkan dengan siswa
di negara-negara cluster 1 3, dan kemampuan membaca siswa di negara-negara cluster 2 sangat berbeda
dibandingkan dengan siswa di negara-negara cluster. Untuk mengetahui negara mana saja yang
dikelompokkan dalam setiap cluster dapat dilihat pada tabel berikut.

Tabel 9.Jumlah Kasus di setiap Cluster

Gugus
1 2 3
Malaysia
Brunei Darussalam
Qatar
Makau
Arab Saudi
Hongkong
Cina Thailand
Korea
Singapura Azerbaijan
Jepang
Kazakstan
China-Taipei
Indonesia
Libanon
Filipina

Berdasarkan hasil analisis data menggunakan analisis klaster, dapat diketahui bahwa klaster
yang terbentuk terdiri dari 3 klaster. Seperti tabel 6, cluster 1 merupakan cluster yang terdiri dari
negara-negara di Asia (China dan Singapura) dengan skor PISA tertinggi atau 11,8 persen. Cluster 2
terdiri dari negara-negara di Asia (Macau, Hong Kong, Korea, Jepang, China-Taipei) dengan skor PISA
sedang 29,4 persen. Pada cluster 3, negara-negara dengan nilai PISA terendah adalah Malaysia,
Brunei Darussalam, Qatar, Arab Saudi, Thailand, Azerbaijan, Kazakhstan, Indonesia, Lebanon, Filipina
atau 58,8 persen.
Masuknya China dan Singapura dalam kelompok dengan pencapaian PISA tertinggi
memang terjadi pada tahun 2018. Namun, hasil PISA 2012 China menduduki peringkat teratas
untuk pencapaian kemampuan matematika dengan skor rata-rata 613. Singapura juga mengisi
peringkat kedua dengan skor rata-rata 573. Perolehan skor kedua negara ini

40
juga melebihi rata-rata negara-negara OECD (OECD, 2013). Pada 2015, China dan Singapura
juga mendominasi skor PISA. Tahun ini, kedua negara menerima skor kemampuan
membaca tertinggi. Bahkan skor Singapura 535 melebihi skor rata-rata 493 negara OECD,
disusul China, Kanada, dan Finlandia (OECD, 2016). Singapura juga meraih skor
kemampuan sains dengan 556, disusul Jepang 538 dan China 532.
Banyak hal yang tentunya mempengaruhi prestasi Singapura dan Hongkong di kompetisi
internasional. Penelitian yang dilakukan oleh Robinson (2008) dalam Harris et al. (2014) membuktikan
bahwa kepemimpinan sekolah berpengaruh signifikan terhadap kemampuan akademik. Aspek
kepemimpinan sekolah ini setidaknya merupakan aspek penting dari sistem pendidikan di Singapura.
Misalnya, guru di Singapura yang memiliki potensi kepemimpinan terdeteksi sejak awal dan terus
dipertahankan potensi kepemimpinannya dengan menduduki jabatan tertentu seperti kepala
sekolah. Bahkan guru yang memiliki bakat kepemimpinan menjalani pelatihan di National Institute of
Education (NIE) di Singapura selama enam bulan (Harris et al., 2014). Selain itu, China mulai tahun
2009, menjadi perhatian global. Partisipasinya dalam PISA 2009 membuat dunia kagum, karena Sellar
& Lingard (2013) menyebutnya sebagai "kejutan PISA". Bahkan saat itu, China juga dijadikan acuan
penting di beberapa negara Asia dan dunia.

Pencapaian PISA di negara-negara di cluster 3 kami adalah negara-negara dengan kategori

sedang atau sedikit lebih rendah dari cluster 1. Pada PISA 2018, Makau, Hong Kong, Korea, Jepang,
dan China-Taipei, masih berada pada kategori level 3 atau di atasnya. rata-rata negara OECD
(Schleicher, 2019). Hal ini menunjukkan bahwa negara-negara di cluster 3 memiliki banyak
karakteristik yang sama. Pencapaian skor PISA dalam tiga kali terakhir juga menunjukkan hasil yang
memuaskan. Data PISA 2012 menunjukkan bahwa Makau, Hong Kong, Korea, Jepang, dan China-
Taipei juga mencetak kemampuan matematika di atas rata-rata negara OECD (OECD, 2013). Faktor
optimal lain pencapaian PISA terutama di negara-negara di Asia Timur yang terdapat pada cluster 1
dan 3 adalah sikap dan keyakinan orang tua terhadap anaknya (Jerrim, 2015). Jika Anda melihat
negara-negara di Asia Timur, memang, kebanyakan orang mematuhi pelestarian tradisi lokal untuk
membentuk mentalitas generasi mereka. Dalam hal ini penguatan mental yang dilakukan oleh orang
tua di rumah berdampak positif bagi perkembangan prestasi anaknya.
Indeks pembangunan manusia negara-negara yang termasuk dalam cluster 1 dan 3 juga relatif
tinggi. Berdasarkan data United Nations Development Programme (UNDP), Hong Kong-China (SAR)
menempati urutan ke-6 dengan indeks 0,939. Singapura peringkat 9thdengan indeks 0,935, Jepang berada
di peringkat 19thdengan indeks 0,915, dan Korea berada di peringkat 22dandengan 0,906 (Pedro Conceição,
2019). Selain itu, negara-negara di cluster 1 dan 3 juga memiliki rata-rata Produk Domestik Bruto (PDB)
yang tinggi (The World Bank, 2019). Hal ini menunjukkan bahwa PDB berkontribusi terhadap indeks
pembangunan manusia. Tingginya indeks pembangunan manusia juga berdampak pada peningkatan
sumber daya manusia yang berkontribusi terhadap pencapaian PISA negara. Sebaliknya, negara-negara di
cluster 2 umumnya memiliki indeks pembangunan manusia dan PDB yang rendah.
Selain faktor tersebut, masih rendahnya pencapaian PISA 2018 di negara-negara cluster 2 terlihat dari
rendahnya kemampuan membaca, seperti terlihat pada tabel 7. Pada tabel 7 diketahui bahwa kemampuan
membaca merupakan kemampuan terendah pada cluster 2 Hal ini sesuai dengan penelitian yang dilakukan
(Akbasli et al., 2016) bahwa kemampuan membaca berkorelasi dengan keterampilan matematika dan sains.
Sebuah penelitian yang dilakukan (oleh Imam, 2016) juga membuktikan bahwa membaca, terutama dalam hal
menemukan gagasan utama dan menarik kesimpulan, berkontribusi pada peningkatan kemampuan matematika
dan ilmiah. Khusus untuk sains, studi Jufrida dkk. (2019) membuktikan bahwa tingkat literasi sains siswa
mempengaruhi prestasi sains.

41 |JISAE (Jurnal Penilaian dan Evaluasi Pelajar Indonesia)|Volume 8 Nomor 1

 KESIMPULAN
Hasil analisis klaster bidang kapabilitas PISA berdasarkan negara-negara di Asia terdiri dari 3
klaster. Cluster 1 terdiri dari China dan Singapura, negara-negara dengan kemampuan PISA di atas
rata-rata. Kedua negara ini umumnya unggul dalam penguasaan matematika. Klaster 2 terdiri dari
Malaysia, Brunei Darussalam, Qatar, Arab Saudi, Thailand, Azerbaijan, Kazakstan, Indonesia,
Lebanon, dan Filipina, dengan perolehan PISA di bawah rata-rata negara lain pada klaster 1 dan 3.
Area paling mampu rendah pada cluster 2 adalah kemampuan membaca. Sedangkan cluster 3
merupakan cluster yang terdiri dari negara-negara dengan kemampuan sedang untuk memperoleh
PISA. Negara-negara di cluster 3 seperti Macau, Hong Kong, Korea, Jepang, dan China-Taipei unggul
dalam kemampuan sains.

REFERENSI

Ahmed, SRA, Al Barazanchi, I., Jaaz, ZA, & Abdulshaheed, HR (2019). Kekelompokan
algoritma dikenakan K-mean dan model campuran gaussian pada set data
multidimensi. Majalah Teknik dan Ilmu Pengetahuan Alam, 7(2), 448–457. http://
dx.doi.org/10.21533/pen.v7i2.484
Akbasli, S., Sahin, M., & Yaykiran, Z. (2016). Pengaruh Pemahaman Membaca pada
Kinerja dalam Sains dan Matematika. Jurnal Pendidikan dan Praktek, 7(16),
108-121. https://eric.ed.gov/?id=EJ1108657
Alitasari, N. (2014). Analisis Faktor-Faktor yang Mempengaruhi Kualitas Sumber Daya Manusia
di Jawa Timur. http://repository.unej.ac.id/handle/123456789/59473
Alvin, CR (2002). Metode Analisis Multivariat (Edi Kedua). John Wiley&Sons, Inc. Bansal, A.,
Sharma, M., & Goel, S. (2017). Peningkatan algoritma pengelompokan k-mean untuk prediksi
analisis menggunakan teknik klasifikasi dalam data mining. Jurnal Internasional Aplikasi
Komputer, 157(6), 975–8887.
Barclay, RT, Weinandt, M., & Barclay, AC (2017). Dampak Ekonomi Belajar di Luar Negeri
tentang Pelajar Cina dan Produk Domestik Bruto Cina. Jurnal Bisnis Terapan dan
Ekonomi, 19(4). http://www.na-businesspress.com/JABE/Barclay_abstract.html Chiu,
C.-Y., Douglas, JA, & Li, X. (2009). Analisis cluster untuk diagnosis kognitif: Teori dan
aplikasi. Psychometrika, 74(4), 633. https://doi.org/10.1007/s11336-009-9125-0 Ernawati,
M., Muhammad, D., Asrial, A., & Muhaimin, M. (2019). Mengidentifikasi Berpikir Kreatif
Keterampilan dalam Subyek Bio-Kimia. Jurnal Internasional Evaluasi dan Penelitian dalam
Pendidikan, 8(4), 581–589. https://eric.ed.gov/?id=EJ1238241
Guarte, JM, & Barrios, EB (2006). Estimasi dengan purposive sampling. Komunikasi
dalam Statistik-Simulasi dan Komputasi, 35(2), 277–284. https://doi.org/
10.1080/03610910600591610
Harris, A., Jones, MS, Adams, D., Perera, CJ, & Sharma, S. (2014). Berperforma tinggi
sistem pendidikan di Asia: Seni kepemimpinan berpadu dengan ilmu implementasi.
Peneliti Pendidikan Asia-Pasifik, 23(4), 861–869. https://doi.org/10.1007/s40299-014-
0209-y
Imam, OA (2016). Pengaruh Keterampilan Membaca pada Kinerja Siswa dalam Sains dan
Matematika di Sekolah Menengah Negeri dan Swasta. Jurnal Pendidikan dan
Pembelajaran, 10(2), 177–186.
Jamesmanoharan, J., Ganesh, SH, Felciah, MLP, & Shafreenbanu, AK (2014). Menemukan
Prestasi Akademik Siswa Berdasarkan IPK Menggunakan Algoritma K-Means Clustering.
Kongres Dunia 2014 tentang Teknologi Komputasi dan Komunikasi, 200–202. doi:
10.1109/wccct.2014.75
Javadi, S., Hashemy, SM, Mohammadi, K., Howard, KWF, & Neshat, A. (2017).

42
 Klasifikasi kerawanan akuifer menggunakan analisis klaster K-means. Jurnal
Hidrologi, 549, 27-37. https://doi.org/10.1016/j.jhydrol.2017.03.060
Jerrim, J. (2015). Mengapa anak-anak Asia Timur tampil sangat baik di PISA? Sebuah investigasi dari
Anak-anak kelahiran Barat keturunan Asia Timur. Oxford Review of Education, 41(3),
310–333. https://doi.org/10.1080/03054985.2015.1028525
Jufrida, J., Basuki, FR, Kurniawan, W., Pangestu, MD, & Fitaloka, O. (2019). Ilmiah
Prestasi Belajar Literasi dan IPA di SMP. Jurnal Internasional Evaluasi dan
Penelitian dalam Pendidikan, 8(4), 630–636. https://eric.ed.gov/?id=EJ1238303

Kalra, M., Lal, N., & Qamar, S. (2018). Pendekatan algoritma pengelompokan K-mean untuk penambangan data
dari data yang heterogen. Dalam Teknologi Informasi dan Komunikasi untuk Pembangunan
Berkelanjutan (hlm. 61–70). Peloncat. https://doi.org/10.1007/978-981-10-3920-1_7 Lase, Y., &
Panggabean, E. (2019). Implementasi Metode K-Means Clustering Dalam Sistem
Pemilihan Jurusan Di SMK Swasta Harapan Baru. Jurnal Teknologi Dan Ilmu Komputer
Prima (JUTIKOMP), 2(2), 43–47. https://doi.org/10.34012/jutikomp.v2i2.723
Mansur, ABF, & Yusof, N. (2018). Laten Analisis Pembelajaran Siswa dengan K-mean
Clustering untuk Klasifikasi Perilaku Siswa. Jurnal Rekayasa Sistem Informasi
dan Intelijen Bisnis, 4 (2), 156-161. http://dx.doi.org/10.20473/
jisebi.4.2.156-161
Na, S., Xumin, L., & Yong, G. (2010). Penelitian tentang algoritma pengelompokan k-means: Peningkatan
k-means algoritma pengelompokan. Simposium Internasional Ketiga tentang Teknologi
Informasi Cerdas dan Informatika Keamanan 2010, 63–67. doi: 10.1109/iitsi.2010.74

Nugraha, GS, & Hairani, H. (2018). Aplikasi Pemetaan Kualitas Pendidikan di Indonesia
Menggunakan Metode K-Means. MATRIK: Jurnal Manajemen, Teknik Informatika Dan
Rekayasa Komputer, 17(2), 13–23. https://doi.org/10.30812/matrik.v17i2.84
OECD. (2013). “Ringkasan Eksekutif”, dalam Hasil PISA 2012: Siap Belajar (Volume III):
Keterlibatan Siswa, Dorongan dan Keyakinan Diri. https://doi.org/https://
doi.org/10.1787/9789264201170-2-en
OECD. (2016). Hasil PISA 2015 (Volume I): Keunggulan dan Kesetaraan dalam Pendidikan, PISA.
https://doi.org/nce and Equity in Education, PISA, OECD Publishing, Paris. http://
dx.doi.org/10.1787/9789264266490-en
OECD. (2020a). PISA. OECD. https://www.oecd.org/
OECD. (2020b). Membaca kinerja Indikator PISA. https://doi.org/OECD (2020), Membaca
kinerja (PISA) (indikator). doi: 10.1787/79913c69-en (Diakses pada 28 April
2020)
Organisasi untuk Kerjasama Ekonomi dan Pembangunan. (2003). Keterampilan Literasi untuk
World of Tomorrow: Hasil Selanjutnya dari PISA 2000. https://www.oecd.org/ Palupi,
S., Andrea, R., & Qomariah, S. (nd). Analisis Cluster Untuk Gaya Belajar Vokasi
Siswa SMA Menggunakan K-means Dan Fuzzy C-means (Fcm)-Analisis Clustergaya
Belajar Siswa Sekolah Menegah Kejuruan dengan Pendekatan Metode K-means dan
Fuzzy C-means (Fcm). Jurnal Penelitian Komunikasi Dan Opini Publik, 21(2).
Pedro Conceição, dkk. (2019). Di luar pendapatan, di luar rata-rata, di luar hari ini: Ketidaksetaraan
dalam pembangunan manusia di abad 21.
Raval, UR, & Jani, C. (2016). Implementasi & improvisasi algoritma clustering K-means.
Jurnal Internasional Ilmu Komputer dan Komputasi Seluler, 5(5), 191–203. Rivani, E.
(2010). aplikasi K-Means cluster untuk pengelompokkan provinsi berdasarkan
produksi padi, jagung, kedelai, dan kacang hijau tahun 2009. Jurnal Mat Stat, 10(2), 122– 134.
http://eprints2.binus.ac.id/id/eprint/13690
Schleicher, A. (2019). PISA 2018, Wawasan dan Penafsiran.
43 |JISAE (Jurnal Penilaian dan Evaluasi Pelajar Indonesia)|Volume 8 Nomor 1
 https://doi.org/10.4324/9780429475993
Sellar, S., & Lingard, B. (2013). Melihat ke Timur: Shanghai, PISA 2009 dan rekonstitusi
masyarakat referensi di bidang kebijakan pendidikan global. Pendidikan Perbandingan, 49(4),
464–485. https://doi.org/10.1080/03050068.2013.770943
Shankar, S., Sarkar, BD, Sabitha, S., & Mehrotra, D. (2016). Analisis kinerja siswa
pembelajaran metrik menggunakan pendekatan K-mean clustering K-mean cluster. 2016 6th
International Conference-Cloud System and Big Data Engineering (Confluence), 341– 345. doi:
10.1109/confluence.2016.7508140
Sholikin, A. (2019). Teori Kutukan Sumber Daya Alam (Resource Curse) dalam Perspektif
Ilmu Politik. Madani Jurnal Politik Dan Sosial Kemasyarakatan, 11(3), 271–287.
https://doi.org/1052166/madani.v12i1.1898
Singh, M., Nagar, H., & Sant, A. (2016). Algoritma K-mean dan EM Clustering menggunakan absensi
peningkatan kinerja Siswa Sekolah Dasar. Jil, 1, 131–133. Sukamolson, S.
(2007). Dasar-dasar penelitian kuantitatif. Institut Bahasa
Universitas Chulalongkorn, 1, 2-3.
Itu liar Bank. (2019). PDB pertumbuhan (tahunan %).
https://data.worldbank.org/indicator/NY.GDP.MKTP.KD.ZG
Tjalla, A. (2010). Potret mutu pendidikan indonesia ditinjau dari hasil-hasil studi internasional.
http://repository.ut.ac.id/2609/

44