Jangka Waktu Pengerjaan
Peran Saya
Apps yang Digunakan
Executive Summary
Konteks Masalah
Root Cause Analysis - Fishbone
Setelah mewawancarai Kepala Sekolah, 4 guru, dan 2 wali kelas, permasalahan yang dihadapi SMK Nusantara Jaya mengerucut pada:
1. Sisi Presensi: Keterlambatan Respons
Data absensi dicatat manual. Wali kelas baru menyadari siswa bermasalah setelah absensi menumpuk >14 hari (sudah melewati batas kritis). Secara regulasi, intervensi seharusnya dilakukan sejak 3 hari pertama.
2. Sisi Akademik: Kurangnya Visibilitas pada Tren Nilai
Guru mata pelajaran mencatat nilai di Excel/kertas pribadi. Karena tidak ada sistem yang membandingkan tren nilai secara otomatis, penurunan performa siswa baru terdeteksi di akhir semester (minggu ke-8 ke atas). Saat wali kelas menerima laporan, nilai siswa sudah di bawah KKM.
3. Data Terfragmentasi: Tidak Ada Single Source of Truth
Data absensi dipegang TU, data nilai dipegang guru mapel, data konseling dipegang BK. Tidak ada satu tempat yang menyatukan semua informasi. Wali kelas harus mencocokkan data dari 3 sumber berbeda yang menghabiskan 4-6 jam per minggu hanya untuk administrasi.
Melalui wawancara dengan wali kelas dan guru mata pelajaran, saya mengidentifikasi hambatan utama guru dalam melakukan intervensi bukan karena tidak adanya kepedulian guru, melainkan karena data yang ada bersifat statis dan beban administrasi guru yang tinggi.
Saya kemudian memetakan akar masalah diatas ke dalam 5 kategori:
Kategori
Akar Masalah
Proses
Pencatatan data manual dan bersifat batch (bulanan)
Data
Absensi dan performa akademik tidak terintegrasi
SDM
Beban kerja guru tinggi (multiple classes)
Sistem
Tidak ada mekanisme risk scoring otomatis
Monitoring
Tidak ada sistem alert/notifikasi
Kelima faktor ini secara kolektif menyebabkan identifikasi siswa berisiko bergantung pada lagging indicators (kondisi sudah kritis), bukan leading indicators (sinyal awal).
Pareto Prioritization
Dari akar masalah diatas, saya memprioritaskan dua yang paling berdampak:
Keterlambatan deteksi (prioritas tertinggi), karena hilangnya kesempatan intervensi tidak bisa diperbaiki setelah siswa dropout.
Tidak ada mekanisme risk scoring (prioritas kedua), karena tanpa alat bantu yang baku, penilaian risiko tetap subjektif.
Dua masalah ini berkontribusi paling besar terhadap kegagalan sistem saat ini. Dan masalah lainnya (data tidak terintegrasi, monitoring manual, dan beban kerja guru) akan ikut terselesaikan saat sistem EWS terimplementasi.
Untuk memastikan prioritas saya tepat, saya memvalidasi dengan data historis:
Keterlambatan deteksi
Siswa dropout rata-rata terdeteksi setelah >30 hari absensi, ini melebihi batas kritis 14 hari
Tidak ada Risk Scoring
Berdasarkan data sekolah, dari 31 siswa dropout, hanya 6 siswa (19,4%) yang mendapat intervensi sebelum keputusan dropout
Data tidak terintegrasi
Wali kelas menghabiskan 4-6 jam per minggu mencocokkan data dari 3 sumber berbeda
Data ini mengkonfirmasi bahwa keterlambatan deteksi dan ketiadaan risk scoring adalah prioritas utama.
BPMN AS-IS: Pemetaan Proses Saat Ini
Saya memetakan proses berjalan menggunakan BPMN untuk mengidentifikasi titik kegagalan spesifik.
BPMN AS IS Process Map
BPMN To-Be: Pemetaan Proses Setelah Sistem
BPMN TO BE Process Map
Berdasarkan analisis AS-IS, saya merancang proses baru dengan 5 perubahan utama:
Perubahan 1: Penambahan mesin risk scoring otomatis
Dijalankan setiap hari pukul 17.00 WIB
Menghitung skor berdasarkan 3 kriteria (AHP): Absensi (50%), Akademik (40%), Riwayat (10%)
Perubahan 2: Klasifikasi risiko tiga tingkat
Skor < 40 = Risiko Tinggi
Skor 40-65 = Risiko Sedang
Skor > 65 = Risiko Rendah
Perubahan 3: Alert otomatis sesuai tingkat risiko
Risiko Tinggi → Notifikasi ke Wali Kelas + Guru BK (prioritas segera)
Risiko Sedang → Notifikasi ke Wali Kelas saja (prioritas normal)
Risiko Rendah → Tidak ada alert
Perubahan 4: Pencatatan intervensi wajib
Wali Kelas wajib mencatat tindakan dan hasil intervensi
Alert hanya hilang jika ada catatan aksi
Perubahan 5: Laporan berkala ke Kepala Sekolah
Rekap mingguan dikirim setiap Senin pagi (sesuai permintaan Kepala Sekolah dalam wawancara)
Logika Keputusan & Parameter Risiko
Dual Path Risk Detection
Early Warning System (EWS) menggunakan pendekatan dual-path risk detection untuk mengidentifikasi siswa yang berisiko lebih awal. Sistem memisahkan analisis menjadi dua jalur utama:
Risiko Absensi untuk mendeteksi pola ketidakhadiran siswa
Risiko Performa Akademik untuk memantau penurunan performa akademik
Kedua jalur ini dianalisis secara paralel sebelum dihitung dalam risk scoring system berbasis AHP. Pendekatan ini membantu sekolah memahami apakah risiko berasal dari kehadiran, performa belajar, atau kombinasi keduanya.
Dengan pemisahan ini, sistem dapat memberikan sinyal intervensi yang lebih akurat dan terarah.
Risk Scoring (AHP-Based)
Setiap indikator risiko dihitung menggunakan Analytical Hierarchy Process (AHP) untuk menghasilkan skor risiko siswa. Sistem memberikan bobot pada setiap indikator:
Absensi (50%) sebagai sinyal disengagement paling awal
Performa Akademik (40%) sebagai indikator kesulitan belajar
Riwayat Tinggal Kelas (10%) sebagai faktor historis
Hasil perhitungan AHP menghasilkan risk score yang digunakan untuk menentukan level peringatan dan prioritas intervensi. Skor ini ditampilkan langsung pada dashboard wali kelas untuk memudahkan pengambilan keputusan.
Pemulihan Bertahap
Landasan Etis
Filosofi Sistem: Kepedulian Berbasis Data
Sistem ini dirancang bukan sebagai alat pengawasan, melainkan sebagai instrumen kesejahteraan (welfare-first tool). Mengingat banyak siswa menghadapi kerentanan seperti tinggal jauh dari orang tua atau kesulitan ekonomi, kami melihat ketidakhadiran bukan sebagai pembangkangan, melainkan sebagai sinyal kerentanan yang membutuhkan dukungan.
Untuk mewujudkan visi tersebut, arsitektur sistem kami berpijak pada empat prinsip utama:
Intervensi yang Humanis: Data dikumpulkan untuk memicu dialog dan dukungan dini, bukan sanksi. Setiap peringatan (alert) dibingkai sebagai sinyal kepedulian untuk memahami konteks masalah siswa, bukan untuk mencari kesalahan.
Keputusan Berbasis Bukti: Sistem EWS tidak dapat mengambil keputusan otomatis terkait nasib akademik siswa. Sistem hanya menyajikan bukti terstruktur yang membantu pengambil keputusan (manusia) tetap objektif dan adil.
Penghormatan pada Otoritas: Teknologi ini memperkuat hierarki pendidikan yang ada. Guru mata pelajaran tetap memegang otoritas akademik, Wali Kelas mengoordinasikan dukungan, dan Kepala Sekolah memegang kendali keputusan akhir.
Data sebagai Pelindung: Privasi dan data siswa digunakan secara eksklusif untuk melindungi hak-hak mereka. Skor risiko yang muncul berfungsi sebagai navigasi untuk memberikan perlindungan, bukan sebagai mekanisme kontrol atau pemantauan yang represif.
Sistem ini hadir untuk memastikan tidak ada siswa yang "terlupakan" oleh keadaan, dengan mengubah data mentah menjadi tindakan nyata yang penuh empati.
Arsitektur Sistem
Diagram Konteks Sistem
Diagram ini mengilustrasikan bagaimana Early Warning System terintegrasi dengan catatan sekolah dan berinteraksi dengan entitas eksternal dalam fungsinya untuk memantau kondisi siswa serta menginisiasi dukungan tepat waktu.
Layered Architecture
Diagram ini menggambarkan arsitektur berlapis Early Warning System (EWS) yang memisahkan antarmuka pengguna dan logika pemrosesan data, sehingga wali kelas dapat memantau kondisi siswa dengan mudah sementara sistem secara otomatis memproses data presensi dan akademik menjadi risk score dan sinyal intervensi.
