scholarly journals Pengelompokan Provinsi Di Indonesia Berdasarkan Indikator Mutu Pendidikan Sekolah Menengah Pertama Tahun 2016 – 2018 Menggunakan Model Based Clustering

2020 ◽  
Vol 13 (2) ◽  
pp. 25-38
Author(s):  
Uly Aldini ◽  
Wara Pramesti
Keyword(s):  
Maximum Likelihood ◽  
Maximum Likelihood Estimation ◽  
Likelihood Estimation ◽  
Finite Mixture ◽  
Model Based Clustering ◽  
Model Based ◽  
Outlier Data

Peran pendidikan dalam suatu bangsa bertujuan untuk membentuk sumber daya manusia yang terdidik, berkompeten dan berkarakter. Standar Nasional Pendidikan (SNP) ditetapkan sebagai acuan pengukuran mutu pendidikan di Indonesia, dengan melihat delapan aspek  yaitu  Standar Pendidikan dan Tenaga Kependidikan, Standar Sarana dan Prasarana, Standar Pengelolaan, Standar Pembiayaan Pendidikan, Standar Isi, Standar Proses, Standar Penilaian Pendidikan dan Standar Kompetensi Lulusan. Penelitian sebelumnya mengenai faktor dominan yang membentuk mutu pendidikan jenjang sekolah dasar dan menengah, menjelaskan bahwa terdapat lebih dari 50 indikator yang memuat data multivariat. Melalui indikator – indikator tersebut, penulis ingin mengukur mutu pendidikan dengan mengelompokan provinsi di Indonesia menggunakan metode Model Based Clustering. Metode ini sangat sesuai dengan data yang terindikasi kasus outlier, dengan pendekatan menggunakan jarak Mahalanobis dan jarak Robust akan diketahui di titik mana data tersebut mengalami outlier. Data yang terindikasi outlier menyebabkan tidak terpenuhinya asumsi normal multivariat, sehingga distribusi probabilitas yang sesuai adalah distribusi t multivariat. Penaksiran parameter menggunakan Maximum Likelihood Estimation terhadap Model Finite Mixture dengan t multivariat dipandang sebagai metode yang lebih robust terhadap data yang mengandung outlier. Model terbaik dari kelompok yang terbentuk akan dilihat melalui perhitungan ICL tertinggi

Finite Mixture Model: A Comparison of Maximum Likelihood Estimation and Bayesian Analysis

2021 ◽  
Vol 12 (1) ◽  
pp. 63-63
Author(s):  
Seuk Yen Phoong ◽  
Seuk Wai Phoong
Keyword(s):  
Maximum Likelihood ◽  
Maximum Likelihood Estimation ◽  
Mixture Model ◽  
Likelihood Estimation ◽  
Finite Mixture Model ◽  
Finite Mixture ◽  
Skewed Distribution ◽  
Estimation Methods ◽  
Series Data ◽  
Number Of Components

The mixture model is known as model-based clustering that is used to model a mixture of unknown distributions. The clustering of mixture model is based on four important criteria, including the number of components in the mixture model, clustering kernel (such as Gaussian mixture models, Dirichlet, etc.), estimation methods, and dimensionality (Lai et al., 2019). Finite mixture model is a finite dimensional of a hierarchical model. It is useful in modeling the data with outliers, non-normal distributed or heavy tails. Furthermore, finite mixture model is flexible when fitted with the models that have multiple modes or skewed distribution. The flexibility depends on the increasing number of parameters with the existence of a number of components. The finite mixture model is a flexible model family and widely applied for large heterogeneous datasets. In addition, the finite mixture model is a probabilistic model that is used to examine the presence of unobserved situations or groups and to measure the distinct parameters or distribution. The situations, such as trend, seasoning, crisis time, normal situation, etc., might affect the number of components that exist for a probabilistic distribution. Furthermore, the finite mixture model is essential for time series data because these data exhibit nonlinearity properties and may have missing data or a jump-diffusion situation (Gensler, 2017; McLachlan and Lee, 2019). Keywords: Bayesian method; Finite Mixture Model; Maximum Likelihood Estimation; Prior distribution; Likelihood Function.

Sign in / Sign up

Export Citation Format

Share Document