Alur Penelitian Pemetaan Guru Berdasarkan Rasio Guru

18

3.4 Alur Penelitian

Tidak iya Gambar 3.1 Alur Penelititan Membuat matriks X Transformasikan matriks X menjadi matriks X Lakukan Singular Value Decomposition untuk mendapatkan matriks U, L, dan A Membuat Biplot Interpretasi Kesimpulan Apakah Kesesuaian nilai biplot ≥ 70 DATA selesai Mulai Aplikasikan Principal Component Analysis Nilai-nilai singular dan vektor 19 BAB IV HASIL DAN PEMBAHASAN Setelah dilakukan pengumpulan data, maka pada bab ini dilakukan pengolahan dan analisa terhadap data tersebut. Pengolahan dan analisa dilakukan dengan menghitung rasio ketersediaan dan kebutuhan guru, pembentukan Singular Value Decomposition, dan Analisis biplot. Pengolahan dan analisa dijabarkan sebagai berikut:

4.1. Pemetaan Guru Berdasarkan Rasio Guru

Melakukan perhitungan rasio ketersediaan guru per mata pelajaran. Rasio ini dihitung dengan membagi jumlah guru mata pelajaran dengan total jumlah jam mengajar mata pelajaran tersebut per pekan. Perhitungan total jumlah jam mengajar dapat dilakukan dengan mengalikan total jumlah rombongan belajar dengan jumlah jam mengajar per pekan dapat dilihat pada Persamaan 2.1. Melakukan perhitungan rasio kebutuhan guru permata pelajaran. Rasio ini dihitungan dengan membagi total guru yang dibutuhkan dengan total guru yang tersedia dapat dilihat pada Persamaan 2.2. 4.1.1.Pemetaan Rasio Ketersediaan Guru Untuk Mengetahui rasio ketersediaan guru SMK di suatu kabupaten atau kota maka data yang diperlukan adalah : 20 1. Jumlah jam mengajar mata pelajaran dalam sepekan 2. Jumlah rombongan belajar secara keseluruhan 3. Jumlah guru per mata pelajaran secara keseluruhan. Dibawah ini disajikan data-data yang dimaksud Tabel 4.1. Jumlah jam mengajar mata pelajaran per pekan Sumber : Depdiknas, 2009 No. Mata Pelajaran Jam3 Tahun JamPekan 1 B.Indonesia 192 1,23 2 Penjas 192 1,23 3 Pen.Agama 192 1,23 4 Pks 192 1,23 5 Seni Budaya 128 0,82 6 Bahasa Inggris 440 2,82 7 Matematika 516 3,31 8 Ips 128 0,82 9 Ipa 192 1,23 10 Kewirausahaan 192 1,23 11 Kkpi 202 1,29 12 Fisika 192 1,23 13 Kimia 192 1,23 14 Biologi 192 1,23 Tabel diatas memperlihatkan jumlah jam yang digunakan untuk mengajarkan satu mata pelajaran dalam sepekan. Contohnya mata pelajaran Matematika, satu rombongan belajar harus mendapatkan pengajaran Matematiaka 3 jam 30 menit dalam sepekan. 21 Tabel 4.2. Jumlah Rombongan Belajar per Kabupaten atau Kota Sumber : Depdiknas, 2009 No. kota Kelas 1. Jaksel 1182 2. Jatim 1654 3. Japus 695 4. Jabar 1143 5. Jakut 662 Tabel diatas memperlihatkan jumlah rombongan belajar pada suatu kabupaten atau kota. Rombongan belajar tersebut merupakan total jumlah rombongan belajar di kabupaten atau kota tersebut mulai kelas 1 sampai dengan kelas 3 dari sekolah negeri dan swasta. Sebagai contoh kota Jakarta Selatan memiliki jumlah rombongan belajar sebanyak 1182. Di SMK jumlah jam mata pelajaran untuk kelas 1,2 dan 3 untuk masing-masing mata pelajaran sama, maka jumlah 1182 mencakup jumlah banyaknya kelas 1,2 dan 3 di kota Jakarta Selatan. Jumlah rombongan belajar terbanyak adalah kota Jakarta Timur dan yang paling sedikit adalah kota Jakarta Utara. Tabel 4.3. Jumlah Guru Mata Pelajaran Sumber : Depdiknas, 2009 Kotamata pelajaran Jaksel Jatim Japus Jabar Jakut B.Indonesia 187 270 111 190 108 Penjas 169 262 90 161 99 Pen.Agama 233 354 127 240 143 Pks 183 267 105 181 96 Seni Budaya 102 171 54 118 56 Bahasa Inggris 285 402 162 264 155 Matematika 280 390 163 263 149 Ips 119 170 56 107 60 Ipa 128 179 59 109 66 Kewirausahaan 160 232 87 152 90 22 Kkpi 184 272 105 183 111 Fisika 30 92 27 22 31 Kimia 20 92 24 21 28 Biologi 1 14 6 2 1 Dari tabel diatas terlihat bahwa kota Jakarta Timur adalah kota yang paling banyak memiliki guru untuk semua mata pelajaran seperti B.Indonesia 270, Penjas 262, Pen.Agama 354, Pks 267, Seni Budaya 171, Bahasa Inggris 402, Matematika 390, Ips 170, Ipa 179, Kewirausahaan 232, Kkpi 272, Fisika 92, Kimia 92, Biologi 14, dan untuk kota yang paling sedikit memiliki guru mata pelajaran B.Indonesia 108, Penjas 99, Pks 96, Seni Budaya 56, Bahasa Inggris 155 adalah kota Jakarta Utara. Sedangkan untuk mata pelajaran Pen. Agama 111, Ips 56. Ipa 59, Kewirausahaan 87, dan Kkpi 105 adalah kota Jakarta Pusat. Untuk mata pelajaran Fisika 22 adalah kota Jakarta Barat. Sedangkan kota Jakarta Selatan mata pelajaran yang paling sedikit adalah Kimia 20, dan Biologi 1. Dari ketiga tabel diatas akan dibentuk data baru yang berisikan rasio guru mata pelajaran per kabupaten atau kota yang akan dianalisis lebih lanjut. Data rasio ini diperoleh dengan menggunakan Persamaan 2.1 yang hasilnya akan dapat dilihat pada Lampiran [1] dari hasil yang diperoleh kita dapat mendeskriptifkan data tersebut sebagai berikut: RGX 1 tertinggi di kota Jakarta Barat dan terendah adalah di kota Jakarta Selatan. RGX 2 tertinggi adalah di kota Jakarta Timur dan terendah adalah adalah di kota Jakarta Pusat. RGX 3 tertinggi adalah di kota Jakarta Utara dan terendah adalah di kota Jakarta Pusat. RGX 4 tertinggi adalah di kota Jakarta Timur dan terendah 23 adalah di kota Jakarta Utara. RGX 5 tertinggi adalah di kota Jakarta Timur dan terendah adalah di kota Jakarta Pusat. RGX 6 tertinggi adalah di kota Jakarta Timur dan terendah adalah di kota Jakarta Barat. RGX 7 tertinggi adalah di kota Jakarta Selatan dan terendah adalah di kota Jakarta Utara. RGX 8 tertinggi adalah di kota Jakarta Timur dan terendah adalah di kota Jakarta Pusat. RGX 9 tertinggi adalah di kota Jakarta Selatan dan terendah adalah di kota Jakarta Pusat. RGX 10 tertinggi adalah di kota Jakarta Timur dan terendah adalah di kota Jakarta Pusat. RGX 11 tertinggi adalah di kota Jakarta Utara dan terendah adalah di kota Jakarta Pusat. RGX 12 tertinggi adalah di kota Jakarta Timur dan terendah adalah di kota Jakarta Barat. RGX 13 tertinggi adalah di kota Jakarta Timur dan terendah adalah di kota Jakarta Selatan. RGX 14 tertinggi adalah di kota Jakarta Pusat dan terendah adalah di kota Jakarta Selatan. Pengertian memiliki rasio tertinggi adalah jumlah kelebihan guru paling banyak, sedangkan rasio terendah adalah jumlah kelebihan guru paling sedikit atau boleh dikatakan kekurangan guru jika rasionya berada dibawah 1:24. Pada lampiran terlihat nilai rata-rata yang diperoleh adalah 0.0924214 lampiran [1] dengan rata-rata ini akan diperoleh data X yang terlebih dahulu ditransformasi dan dikurangi rata- ratanya pada lampiran [3], dengan data X kita dapat membuat SVD. 4.1.2.Pemetaan Rasio Kebutuhan Guru Untuk Mengetahui rasio kebutuhan guru SMK di suatu kabupaten atau kota maka data yang diperlukan adalah : 24 1. Total ketersediaan guru DKI Jakarta 2. Total kekurangan guru DKI Jakarta Dibawah ini disajikan data yang dimaksud: Tabel 4.4. Total ketersediaan guru DKI Jakarta Sumber : Depdiknas, 2009 Kota Jaksel Jatim Japus B.Indonesia 149 237 102 Penjas 139 218 85 Pen.Agama 180 283 123 Pks 148 224 100 Seni Budaya 96 146 61 Bahasa Inggris 224 340 160 Matematika 232 343 151 Ips 104 144 57 Ipa 107 156 65 Kewirausahaan 138 194 83 Kkpi 155 247 103 Fisika 28 82 28 Kimia 18 81 25 Biologi 2 12 6 Dari tabel diatas terlihat bahwa kota Jakarta Selatan adalah kota yang paling banyak memiliki ketersediaan guru Matematika dengan total 232, Sedangkan kota Jakarta Timur dan Jakarta Pusat adalah kota yang paling banyak memiliki ketersediaan guru Bahasa Inggris dengan total 340 dan 160. Namun diantara ketiga kota tersebut kota Jakarta Timur adalah kota yang banyak memiliki ketersediaan guru. 25 Tabel 4.5. Total kekurangan guru DKI Jakarta Sumber : Depdiknas, 2009 Kota Jaksel Jatim Japus B.Indonesia -23 -36 -1 Penjas -18 -44 -2 Pen.Agama -41 -64 -3 Pks -15 -39 -1 Seni Budaya 4 -22 8 Bahasa Inggris -40 -46 -5 Matematika -26 -46 -5 Ips -9 -17 1 Ipa -10 -15 9 Kewirausahaan -12 -35 -4 Kkpi -18 -18 Fisika -1 -8 1 Kimia -2 -8 1 Biologi 1 -3 Dari tabel diatas terlihat bahwa kota Jakarta Selatan dan Jakarta Timur adalah kota yang paling kekurangan guru Pendidikan Agama dengan total -41 dan -64, Sedangkan kota Jakarta Pusat adalah kota yang paling kekurangan guru Bahasa Inggris dan Matematika dengan total -5. Namun diantara ketiga kota tersebut kota Jakarta Timur adalah kota yang terbanyak kekurangan guru. Dari kedua tabel diatas akan dibentuk data baru yang berisikan rasio total guru yang dibutuhkan dengan total guru yang tersedia yang akan dianalisis lebih lanjut. Data rasio ini diperoleh dengan menggunakan Persamaan 2.2 yang hasilnya akan dapat dilihat pada Lampiran [8] dari hasil yang diperoleh kita dapat mendeskriptifkan data tersebut sebagai berikut: 26 Jakarta Selatan dan Jakarta Timur memiliki nilai tertinggi untuk kekurangan RGX 3 dengan jumlah -0.2278 dan -0.2261. Sedangkan untuk kota Jakarta Pusat memiliki nilai tertinggi untuk kekurangan RGX 10 dengan jumlah -0.0482. Pada lampiran terlihat nilai rata-rata yang diperoleh adalah -0.066614 dengan rata-rata ini akan diperoleh data X yang terlebih dahulu ditransformasi dan dikurangi rata-ratanya pada lampiran [10], dengan data X kita dapat membuat SVD. Karena data yang baru dibentuk akan direduksi menjadi dua komponen utama, maka perlu diketahui seberapa besar keragaman data secara keseluruhan dapat dijelaskan oleh kedua komponen tersebut. Tabel. 4.6. Nilai 2 Komponen Utama Dua komponen utama pada tabel 4.6 merupakan kombinasi linear dari variabel- variabel asal. Component Matrix a ,407 -,680 ,984 -,020 ,862 -,504 ,439 ,516 ,723 -,055 ,607 ,745 -,067 ,979 ,849 ,350 ,830 ,305 ,980 ,039 ,808 -,543 ,434 ,081 ,483 ,025 -,088 ,455 RGX1 RGX2 RGX3 RGX4 RGX5 RGX6 RGX7 RGX8 RGX9 RGX10 RGX11 RGX12 RGX13 RGX14 1 2 Component Extraction Method: Principal Component Analysis. 2 components extracted. a. 27 Persamaan komponen utama pertama : � 1 =0,407 RGX 1 +0,984 RGX 2 +0,862 RGX 3 +0,439 RGX 4 0,723 RGX 5 +0,607 RGX 6 -0,067 RGX 7 +0,849 RGX 8 +0,830 RGX 9 +0,980 RGX 10 +0,808 RGX 11 +0,434 RGX 12 +0,483 RGX 13 -0,088 RGX 14 Persamaan komponen utama kedua : � 2 = -0,680 RGX 1 -0,020 RGX 2 -0,504 RGX 3 +0,516 RGX 4 -0,055 RGX 5 +0,745 RGX 6 +0,979 RGX 7 +0,350 RGX 8 +0,305 RGX 9 +0,039 RGX 10 -0,543 RGX 11 +0,081 RGX 12 +0,025 RGX 13 +0,455 RGX 14 Komponen utama pertama adalah komponen yang mempunyai keragaman terbesar pertama terhadap data var � 1 = � 1 , sedangkan komponen utama kedua adalah komponen yang mempunyai keragaman terbesar kedua terhadap data var � 2 = � 2 . Setelah mendapatkan komponen utama selanjutnya analisa akan diteruskan dengan metode Biplot yang terlebih dahulu diuraikan dengan Singular Value Decomposition SVD.