VISUALISASI DATA PUTUS SEKOLAH JENJANG SMA DI JAWA BARAT MENGGUNAKAN POWER BI BERDASARKAN PROFIL SISWA, KARAKTERISTIK SEKOLAH DAN TINGKAT KEMISKINAN

Dina Mutia Azizah; Rini Astuti; Khaerul Anam; Puji Pramudya Marta; Yudhistira Arie Wijaya

Authors

Dina Mutia Azizah STMIK IKMI CIREBON, Indonesia
Rini Astuti STMIK LIKMI, Indonesia
Khaerul Anam STMIK IKMI CIREBON, Indonesia
Puji Pramudya Marta STMIK IKMI CIREBON, Indonesia
Yudhistira Arie Wijaya STMIK IKMI CIREBON, Indonesia

Keywords:

putus sekolah, SMA, visualisasi data, Business Intelligence

Abstract

Fenomena putus sekolah pada jenjang SMA masih menjadi isu pendidikan yang signifikan di Provinsi Jawa Barat dengan variasi distribusi antarwilayah yang dipengaruhi oleh kondisi sosial ekonomi dan karakteristik sekolah. Penelitian ini bertujuan untuk memvisualisasikan dan menganalisis distribusi data putus sekolah SMA di Jawa Barat tahun 2024 menggunakan pendekatan Business Intelligence berbasis Microsoft Power BI. Penelitian menggunakan metode kuantitatif deskriptif dengan desain cross-sectional dan memanfaatkan data sekunder dari portal resmi Kemendikdasmen dan Open Data Jawa Barat. Analisis mengintegrasikan profil siswa (jenis kelamin), karakteristik sekolah (status negeri/swasta dan tingkat kelas), serta tingkat kemiskinan wilayah dalam bentuk dashboard interaktif. Hasil penelitian menunjukkan variasi jumlah putus sekolah antar kabupaten/kota, dengan jumlah relatif lebih tinggi di wilayah seperti Kabupaten Garut, Kabupaten Bogor, dan Kabupaten Cianjur dibandingkan wilayah perkotaan. Siswa laki-laki cenderung memiliki jumlah putus sekolah lebih tinggi dibandingkan perempuan, serta lebih banyak terjadi pada sekolah swasta. Visualisasi scatter plot menunjukkan kecenderungan pola hubungan positif antara tingkat kemiskinan wilayah dan angka putus sekolah, meskipun terdapat variasi antarwilayah. Dashboard Power BI yang dikembangkan mampu menyajikan integrasi data pendidikan dan sosial ekonomi secara visual dan terstruktur sebagai informasi pendukung pemantauan distribusi putus sekolah.

References

Z. W. Taylor, C. Charran, and J. Childs, “Using Big Data for Educational Decisions: Lessons from the Literature for Developing Nations,” Educ. Sci., vol. 13, no. 5, 2023, doi: 10.3390/educsci13050439.

R. Chalmeta and M. Ferrer Estevez, “Developing a business intelligence tool for sustainability management,” Bus. Process Manag. J., vol. 29, no. 8, pp. 188–209, 2023, doi: 10.1108/BPMJ-03-2023-0232.

E. Cruz, F. G. Cozman, W. Souza, and A. Takiuti, “The impact of teenage pregnancy on school dropout in Brazil: a Bayesian network approach,” BMC Public Health, vol. 21, no. 1, pp. 1–8, 2021, doi: 10.1186/s12889-021-11878-3.

J. W. Gitari, A. Odek, and E. Marima, “Social-Economic Factors and Secondary School Dropout among Girls in Mariani Ward, Tharaka-Nithi County, Kenya,” African J. Empir. Res., vol. 5, no. 4, pp. 520–534, 2024, doi: 10.51867/ajernet.5.4.42.

R. Rojas Apaza, R. P. Paredes, R. Arpi, C. N. Quispe Lino, and E. Chura-Zea, “Urban-rural gap in education performance in Peruvian public institutions during 2018: an analysis using the Oaxaca-Blinder decomposition,” Front. Educ., vol. 9, no. August, pp. 1–15, 2024, doi: 10.3389/feduc.2024.1394938.

O. Lorenzo-Quiles, S. Galdón-López, and A. Lendínez-Turón, “Corrigendum: Factors contributing to university dropout: a review,” Front. Educ., vol. 8, 2023, doi: 10.3389/feduc.2023.1191708.

D. M. Córdova-Esparza et al., “Predicting and Preventing School Dropout with Business Intelligence: Insights from a Systematic Review,” Inf., vol. 16, no. 4, pp. 1–30, 2025, doi: 10.3390/info16040326.

Y. N. Mnyawami, H. H. Maziku, and J. C. Mushi, “Enhanced Model for Predicting Student Dropouts in Developing Countries Using Automated Machine Learning Approach: A Case of Tanzanian’s Secondary Schools,” Appl. Artif. Intell., vol. 36, no. 1, 2022, doi: 10.1080/08839514.2022.2071406.

L. Szabó, A. Zsolnai, and A. Fehérvári, “The relationship between student engagement and dropout risk in early adolescence,” Int. J. Educ. Res. Open, vol. 6, no. March 2023, 2024, doi: 10.1016/j.ijedro.2024.100328.

S. R. Putri, A. W. Wijayanto, and A. D. Sakti, “Developing Relative Spatial Poverty Index Using Integrated Remote Sensing and Geospatial Big Data Approach: A Case Study of East Java, Indonesia,” ISPRS Int. J. Geo-Information, vol. 11, no. 5, 2022, doi: 10.3390/ijgi11050275.

S. L. Hernández Zetina, A. B. Anquela Julián, Á. E. Martín Furones, C. Martinez Montes, and S. Fernández Noguerol, “Integration of data sets for modelling gender violence and perception of insecurity,” Data Br., vol. 58, 2025, doi: 10.1016/j.dib.2024.111251.