Anda di halaman 1dari 21

RAPOR MUTU DANANALISIS DATA

Diskusi
Pendahuluan klasikal
Informasi

Tujuan Rapor Mutu


dan Analisis
Menggali Data
pengetahu Refleksi
an awal
ANALISIS DATA DAN INFORMASI
SEKOLAH DAERAH

1. Apakah sekolah saya sudah 1. Apakah sekolah-sekolah di


bermutu (SNP)? daerah saya sudah bermutu
(SNP)?

2. Apakah masalah mutu di 2. Apakah masalah mutu


sekolah saya pendidikan di daerah saya?

3. Apakah upaya-upaya 3. Apakah upaya-upaya


perbaikan yang harus perbaikan yang menjadi
dilakukan untuk prioritas untuk dilakukan
meningkatkan mutu di dalam meningkatkan mutu
sekolah saya? pendidikan di daerah saya?

4
Capaian SNP STRUKTUR ANALISIS

8 SNP
Apakah
KL ISI PROSES PENILAIAN sekolah saya sudah
bermutu (SNP)?
PTK SARPRAS TATA KELOLA BIAYA

Capaian per Indikator


Capaian per Indikator
Capaian per Indikator
Apakah
masalah mutu
di sekolah saya
Capaian per Sub Indikator
Capaian per Sub Indikator
Capaian per Sub Indikator

Luaran
KEBUTUHAN DATA 1. Peta Masalah
2. Upaya Prioritas
SUMBER DATA

Capaian per Sub Indikator


DATA KUANTITATIF DATA KUALITATIF
5
Proses Pengolahan Data Mutu

Instrumen PMP Dapodik

MA MC PTK Siswa Sarpras BIaya

1 5
Agregat per
Penilaian per Jawaban Agregat per Sekolah
pertanyaan per
per responden
responden
2 7
3
Kompilasi seluruh
Agregat per
pertanyaan per 6 Pertanyaan per DB ke LPMP
sekolah
kelompok responden
8
4
Agregat per Sub
Agregat per Indikator
pertanyaan per
Sekolah 9
Agregat per Indikator Rapor Mutu

Agregat per Standar 10


1. Konversi Data Kuesioner
1. Multiple Answer
Tipe data : nominal

Pilihan jawaban dikonversi menjadi angka 0 dan 1.


o Jika jawaban dipilih, data dikonversi ke angka 1.
o Jika jawaban tidak dipilih, data dikonversi ke angka 0.
Data konversi disandingkan dengan nilai jawaban yang ditetapkan berdasarkan teori/konsep yang
dibangun (a.k.a kunci jawaban)
o Jika data jawaban sama dengan nilai jawaban, nilai data adalah 1.
o Jika data jawaban tidak sama dengan nilai jawaban, nilai data angka 0.

data nilai nilai


Contoh: jawaban jawaban data

1 1 1
1 1 1
1 1 1
0 1 0
0 1 0
0 1 0
0 0 0
7
1. Konversi Data Kuesioner
2. Multiple Choice
Tipe data : nominal dan biner

Pilihan jawaban dikonversi menjadi angka 1, 2, 3 dan seterusnya menyesuaikan banyaknya pilihan
jawaban. Data jawaban menyesuaikan pilihan jawaban yang dipilih.
Data konversi disandingkan dengan nilai jawaban yang ditetapkan berdasarkan teori/konsep yang
dibangun (a.k.a kunci jawaban)
o Jika data jawaban sama dengan nilai jawaban, nilai data adalah 1.
o Jika data jawaban tidak sama dengan nilai jawaban, nilai data angka 0.

Contoh: nominal data nilai nilai


jawaban jawaban data

1
2
3 1 5 0
4
5

Contoh: biner 1 2
1 1 1

8
1. Konversi Data Kuesioner
2. Multiple Choice
Tipe data : ordinal

Pilihan jawaban dikonversi menjadi angka 1, 2, 3 dan seterusnya sesuai dengan peringkat/urutan
jawaban. Data jawaban menyesuaikan pilihan jawaban yang dipilih.
Data konversi disandingkan dengan nilai jawaban yang ditetapkan berdasarkan nilai threshold
distribusi data
o Jika data jawaban kurang dari nilai jawaban, nilai data adalah rasio data terhadap nilai.
o Jika data jawaban lebih dari dengan nilai jawaban, nilai data angka 1.

Contoh:


data
jawaban 2

nilai
jawaban 3

nilai
data 9

2. Kompilasi Nilai Data Kuesioner
1. Multiple Answer
Nilai data pada proses konversi masih merupakan nilai data jawaban.
Nilai yang dikompilasi adalah nilai per pertanyaan dengan menghitung nilai data per pertanyaan
Nilai data per pertanyaan merupakan rasio dari jumlah nilai jawaban terhadap jumlah nilai data
jawaban

data nilai nilai


Contoh: jawaban jawaban data

1 1 1
1 1 1
1 1 1
0 1 0
0 1 0
0 1 0
0 0 0

Jumlah 6 3


nilai

10
2. Kompilasi Nilai Data Kuesioner
2. Multiple Choice
Nilai data pada proses konversi sudah merupakan nilai data per pertanyaan.
Nilai yang dikompilasi adalah nilai data hasil proses konversi

Contoh: nominal data nilai nilai


jawaban jawaban data

1
2
3 1 5 0
4
5

Contoh: biner 1 2
1 1 1

Contoh:

nilai
data
data
2
jawaban
nilai 11
jawaban 3
2. Kompilasi Nilai Data Kuesioner
nilai data
per pertanyaan.
jawaban nilai
pertanyaan nilai
jawaban nilai

jawaban nilai
MA
jawaban nilai

jawaban nilai
pertanyaan
jawaban nilai nilai

jawaban nilai

pertanyaan jawaban nilai nilai

MC
pertanyaan jawaban nilai nilai
12
3. Kompilasi Data Responden
Jenis responden dengan jumlah responden lebih dari satu, dikompilasi nilainya menjadi satu nilai
untuk tiap jenis responden dengan cara menghitung nilai rata-rata per pertanyaan

Jenis Responden Sama


Rataan

Z1 x1 x1 x1 x1 x1

Z = pertanyaan ke 1,2,,n
Z2 x2 x2 x2 x2 x2
x = nilai pertanyaan ke 1,2,,n
Z3 x3 x3 x3 x3 x3

Z4 x4 x4 x4 x4 x4 Jenis Responden
Kepala Sekolah
PTK
Z5 x5 x5 x5 x5 x5 Peserta Didik
Pengawas
Komite
. ... ... ... ... ...

Zn xn xn xn xn xn
13
4. Agregat Data Kuesioner
Nilai sekolah merupakan perhitungan komposit berbobot terhadap jenis responden

Kepala
sekolah x1

Bobot
PTK x1

Peserta
Z1 Didik x1 x(1)

Pengaw
as x1
Xsekolah(n) = bobotjenisresponden(n) Xjenisresponden(n)
Komite x1 Bobot yang diberikan berbeda sesuai jenis
responden dan pertanyaan
. . .
Kepala
sekolah xn

Bobot
PTK xn

Zn Peserta
Didik xn x(n)

Pengaw
as xn Z = pertanyaan ke 1,2,,n

Komite xn x = nilai pertanyaan ke 1,2,,n14


5. Scaling Data
Umumnya data yang digunakan merupakan data bertipe interval
Data disandingkan dengan batasan yang telah diatur. Batasan umumnya berupa rentang minimum
dan maksimum
Cara pengukuran data interval adalah sebagai berikut, misalkan data = X

Nilai data adalah jika X > maksimum


Nilai data adalah jika X < minimum

Nilai data adalah 1 jika minimum X maksimum

Contoh 1:
Jumlah rombongan belajar SD A adalah 12 rombongan belajar.
Batasan rombongan belajar untuk SD adalah :
Minimum =6
Maksimum = 24

Karena minimum 12 dan 12 maksimum, maka nilai data adalah 1

Contoh 2:
Daya listrik SMK A adalah 1300 watt.
Batasan daya listrik untuk SMK adalah :
Minimum = 2200 watt
Maksimum = tidak ada

1300
Karena 1300 < minimum, maka nilai data adalah
2200
15
6. Kompilasi Data Mutu

Z1 . Zn W1 . Wm

x(1) x(n) y(1) y(m)


. .

Kuesioner PMP Data Pokok

Data Mutu

Zi = pertanyaan kuesioner ke- i Wj = variabel data pokok ke- j


dimana i {1,2,,n} dimana j {1,2,,m}

x(i) = nilai pada pertanyaan kuesioner ke- i y(j) = nilai variabel data pokok ke- j
dimana i {1,2,,n} dimana j {1,2,,m}

16
Struktur Model indikator

subindikator T1,1
x(1) Z1
*
*
U1,2,1
x(2) Z2 T1,2 standar
*
. S1
.

y(1) W1 T1,l
U.,.,1

y(2) W2 . .
.
T8,1
. .
U8,2,1

T8,2
x(n) Zn .
. . . S8

U8,2,k
y(m) Wm
T8,l 17
Struktur Model
Ut,u,v = capaian sub
indikator ke- v pada indikator ke- u
pada standar ke- t
dimana v {1,2,,k}, u {1,2,,l} dan t {1,2,,8}

Utuv = *Z* + *W*

Tt,u = capaian indikator ke- u pada standar ke- t


dimana u {1,2,,l} dan t {1,2,,8}
Ttu = v tuv Utuv

St = capaian standar ke- t


dimana t {1,2,,8}
St = u tu Ttu
*) re-scaling angka capaian ke skala 0 - 7

18
Kategori Capaian
Menuju SNP 1 Menuju SNP 2 Menuju SNP 3 Menuju SNP 4 SNP

1 - +

0 1 2 3 4 5 6 7

Rentang kategori capaian SNP ditetapkan dengan


menggunakan fungsi standar deviasi*
Batas Batas
Kategori
Bawah Atas
Menuju
0,00 2,04
SNP 1
Menuju
2,05 3,70
SNP 2
Menuju
3,71 5,06
SNP 3 Referensi:
Menuju
5,07 6,66
Slocum, T. et al. 2005. "Chapter 5: Data Classification."
SNP 4 Thematic cartography and geographic visualization, Second
SNP 6,67 7,00 Edition
*hasil simulasi

19
Simulasi Data Mutu
Rataan Capaian Berdasarkan Standar

Kompetensi
Lulusan

Pengelolaan Isi

Pembiayaan Proses

Pendidik dan
Penilaian
Tenaga
% Sekolah Bedasarkan Kategori Capaian
Sarana Prasarana 40%
34.18%
35% 32.88%

30% 28.25%

25%

20%

15%

10%

5% 3.25%
1.44%
0%
Menuju SNP 1 Menuju SNP 2 Menuju SNP 3 Menuju SNP 4 20
SNP