Jangka Waktu Pengerjaan
Peran Saya
Apps yang Digunakan
Executive Summary
Konteks Bisnis
Analisis Kesenjangan; Keterbatasan Data Manual
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.
1. Sisi Akademik: Blind Spot pada Tren Performa
Guru mata pelajaran memegang data nilai secara mandiri dalam format fisik. Karena harus membandingkan tren nilai secara manual dari berlembar-lembar kertas, penurunan performa siswa sulit terdeteksi. Akibatnya, konsolidasi data baru terjadi di akhir semester (pasca-UAS). Pada saat wali kelas menerima laporan, ditemukan rata-rata siswa sebenarnya mulai kesulitan sejak minggu ketiga. Wali kelas kehilangan momentum untuk perbaikan karena nilai akhir sudah berada di bawah ambang batas KKM.
2. Sisi Presensi: Keterlambatan Respon akibat Data Statis
Serupa dengan data nilai, data absensi yang dipegang wali kelas bersifat statis (manual). Guru baru menyadari risiko dropout ketika frekuensi ketidakhadiran siswa sudah mencapai tahap kritis. Secara regulasi, intervensi seharusnya dilakukan sejak absensi pertama, namun beban administrasi yang berat membuat pengecekan harian yang proaktif mustahil dilakukan tanpa bantuan sistem.
Kesimpulan Masalah: Sifat data yang statis dan terfragmentasi antara data akademik dan presensi menciptakan kondisi silent dropout. Siswa kehilangan kesempatan untuk perbaikan karena sinyal bahaya terkubur dalam tumpukan catatan manual, yang baru tereskalasi saat kondisi siswa sudah tidak dapat diselamatkan secara administratif.
Kondisi Saat Ini vs Kondisi Mendatang
Masalah Para Pemangku Kepentingan
Pemangku Kepentingan Utama:
Wali Kelas
Bertanggung jawab atas siswa tetapi tidak memiliki data real-time untuk bertindak
Siswa yang berisiko terabaikan
Guru Mata Pelajaran
Memegang data nilai tetapi tidak memiliki mandat untuk bertindak
Kompetensi siswa seringkali hanya didasarkan pada persepsi
Murid
Menghadapi kesulitan pribadi tanpa ada yang menyadari
Kompetensi siswa seringkali hanya didasarkan pada persepsi
Mendapat informasi di akhir
Tidak ada kesempatan untuk melakukan intervensi
Pemangku Kepentingan Sekunder:
Kepala Sekolah: Pemberi otoritas akhir dalam keputusan kenaikan kelas siswa, namun berdasarkan informasi yang tidak lengkap
Yayasan: Pemilik institusi seringkali menghindari risiko dan resisten terhadap perubahan operasional
Dinas Pendidikan: Menetapkan standar tetapi menerima pelaporan yang tidak konsisten
Logika Keputusan & Parameter Risiko
Mesin Deteksi Risiko Berbasis Aturan (Rules-Based Engine)
Untuk merubah penilaian yang sebelumnya terfragmentasi menjadi sinyal sistem yang objektif, saya merancang dual-path risk engine.
Algoritma ini memisahkan analisis antara Risiko Presensi (Kehadiran) dan Risiko Kompetensi (Akademik), sekaligus mengintegrasikan keduanya untuk mendeteksi korelasi antara pola kehadiran dan capaian akademik. Hal ini memastikan setiap indikasi disengagement siswa dapat terdeteksi secara utuh dan sedini mungkin.
Risiko Presensi (Kehadiran)
Kategori
Detail
Pola Pencatatan
Input absensi manual berbasis kertas
Kriteria Deteksi Risiko
Alasan Pemilihan Kriteria
Kehadiran merupakan indikator utama penarikan diri siswa (disengagement). Dengan menandai absensi beruntun, sistem mendeteksi jendela kritis 3 dan 7 hari sebagai peringatan dini, jauh sebelum siswa mencapai ambang batas 14 hari absen yang berisiko pada putus sekolah secara permanen.
Threshold ini ( 3 dan 7 hari) dirancang berdasarkan logika buffer terhadap batas 14 hari dan perlu divalidasi dengan data historis absensi aktual sebelum implementasi.
Risiko Kompetensi (Akademik)
Kategori
Detail
Pola Pencatatan
Input nilai manual berbasis kertas:
- Nilai Kuis Harian
- Nilai Tugas
- Nilai Ujian Tengah dan Akhir Semester
Kriteria Deteksi Risiko
Penurunan nilai >20% dalam 3 minggu memicu Soft Warning
Rerata nilai dibawah KKM (Kriteria Ketuntasan Minimal) akan memicu Soft Warning
Nilai di bawah KKM pada lebih dari dua mata pelajaran utama jurusan memicu Critical Alert
Alasan Pemilihan Kriteria
Risiko kompetensi bukan sekadar tentang 'nilai rendah', melainkan tentang kecepatan penurunan (velocity). Dengan memantau penurunan performa alih-alih data statis, guru dapat menjangkau siswa yang sedang mengalami kesulitan belajar lebih awal untuk memberikan dukungan.
Risiko Gabungan
Kategori
Detail
Kriteria Deteksi Risiko
Absensi ≥ 7 hari berturut-turut DAN tren penurunan nilai > 20% secara simultan memicu Critical Alert
Alasan Pemilihan Kriteria
Aturan ini dirancang untuk mengidentifikasi korelasi langsung antara penurunan kehadiran dan degradasi performa akademik di fase paling awal. Dengan menandai siswa tepat pada 'jendela kritis' 7 hari, sekolah dapat melakukan intervensi segera (immediate attention) sebelum masalah menumpuk dan nilai siswa menurun lebih jauh karena tidak adanya partisipasi di sekolah.
Logika Pemulihan Bertahap (Slow Decay Logic)
Untuk memastikan pendekatan yang lebih humanis, skor risiko tidak langsung hilang seketika, melainkan pulih secara bertahap selama 14 hari saat perilaku positif siswa mulai muncul.
Hal ini bertujuan untuk mencegah volatilitas skor dan memastikan siswa mendapatkan apresiasi atas perbaikan perilaku yang konsisten, alih-alih hanya berdasarkan kehadiran satu hari saja. Sehingga, guru tidak perlu khawatir kehadiran satu hari akan menghapus record siswa, karena sistem EWS akan tetap menjaga momentum intervensi.
Landasan Etis
Filosofi Sistem: Kepedulian Berbasis Data
Sistem ini dirancang bukan sebagai alat pengawasan, melainkan sebagai instrumen kesejahteraan (welfare-first tool). Mengingat banyak siswa di daerah rural 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: Algoritma tidak pernah 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.
Spesifikasi Teknis
Arsitektur Sistem
Refleksi
Keputusan Logika Sistem yang Paling Saya Ragukan
"Threshold (Ambang Batas) Risiko, khususnya penetapan angka "Minggu ke-3" atau "Penurunan 20%"."
Sebagai Analyst, saya sadar bahwa setiap SMK memiliki karakteristik siswa dan standar KKM yang berbeda. Saya menetapkan angka absolut sebagai trigger risiko secara general, angka ini bersifat spekulatif tanpa validasi data historis yang besar (Big Data).
Saya khawatir jika threshold ini terlalu sensitif, akan terjadi alert fatigue (guru mengabaikan peringatan karena terlalu banyak siswa yang ditandai), namun jika terlalu longgar, sekolah akan kembali kehilangan momentum intervensi. Saya sadar, dalam pembangunannya sistem memerlukan proses fine-tuning berdasarkan data spesifik masing-masing sekolah.