S E Masa Studi Lulusan Mahasiswa Program Magister M Institut...

Analisis Faktor-faktor yang Mempengaruhi

Masa Studi Lulusan Mahasiswa Program Magister

Institut Teknologi Sepuluh Nopember (ITS) Surabaya

Menggunakan Regresi Logistik Ordinal

dan Regresi Probit Ordinal

Tugas Akhir – Jurusan Statistika – FMIPA – ITS

Pembimbing I :Dra. Madu Ratna, M.Si.Pembimbing II :Dr. Vita Ratnasari, S.Si., M.Si.

Penguji :Dr. Dra. Ismaini Zain, M.Si.Prof. Dr. Drs. I Nyoman Budiantara, M.Si.

12 Juli 2013

SEMINAR

HASIL

IMAM AHMAD AL FATTAH

1309 100 093

Agenda

2Strive for excellence, not perfection. Good luck for better statistician.

Pendahuluan TinjauanPustaka

MetodologiPenelitian

Analisis danPembahasan

Kesimpulandan Saran

DaftarPustaka

Pendahuluan (1)


Latar Belakang (1)

Pendidikan

Dasar

Menengah

Tinggi

Diploma

Sarjana

Magister

Doktor

Spesialis

IPK

Masa Studi

Pendahuluan (2)


Latar Belakang (2)

Masa Studi

3 Semester(Lebih Cepat)

4 Semester(Normal)

> 4 Semester(Lebih Lama)

RegresiLogistikOrdinal

RegresiProbit

Ordinal

KetepatanKlasifikasi

Pseudo R2

McFadden,AIC & SBIC

Pendahuluan (3)


Penelitian Terdahulu

Kelulusan Studi

• Anggraeni, Indarto, & Kusumadewi, 2004

• Starck, Love, & McPherson, 2008

• Noranita & Bahtiar, 2010

• Padmini, Suciptawati, & Susilawati, 2012

Regresi LogistikOrdinal

• Fuks & Salazar, 2008

• Khasanah, 2008• Nurmalinda,

2011

Regresi ProbitOrdinal

• McKelvey & Zavonia, 1975

• O’Donnell & Connor, 1996

• Kockelman & Kweon, 2002

• Purwantono, 2009

• Rachmasita, 2011

Perbandingan

• Jumaidin, 2009• Akbar,

Mukkaromah, & Paramita, 2010

Pendahuluan (4)


Perumusan Masalah

1. Bagaimana karakteristik lulusan mahasiswa pascasarjana programmagister ITS Surabaya?

2. Bagaimana implementasi regresi logistik ordinal dan regresi probitordinal untuk mengetahui faktor-faktor yang mempengaruhi masa studilulusan mahasiswa pascasarjana program magister ITS Surabaya?

3. Bagaimana perbandingan hasil analisis dari regresi logistik ordinal danregresi probit ordinal pada studi kasus faktor-faktor yang mempengaruhimasa studi lulusan mahasiswa pascasarjana program magister ITSSurabaya?

Pendahuluan (5)


Tujuan Penelitian

1. Mendeskripsikan karakteristik lulusan mahasiswa pascasarjana programmagister ITS Surabaya.

2. Menentukan faktor-faktor yang mempengaruhi masa studi lulusanmahasiswa pascasarjana program magister ITS Surabaya menggunakanmodel regresi logistik ordinal dan model regresi probit ordinal.

3. Membandingkan hasil analisis dari regresi logistik ordinal dan regresiprobit ordinal pada studi kasus faktor-faktor yang mempengaruhi masastudi lulusan mahasiswa pascasarjana program magister ITS Surabaya.

Pendahuluan (6)


Manfaat Penelitian

1. Memberikan sumbangan pemikiran untuk perkembangan statistika denganmemperkaya wawasan dan memperdalam pengetahuan tentang metode regresilogistik ordinal dan metode regresi probit ordinal.

2. Memberikan metode terbaik untuk menyelesaikan permasalahan dalam analisisregresi yang melibatkan variabel respon diskrit dengan skala ordinal.

3. Dengan mengetahui karakteristik dan faktor-faktor yang mempengaruhi masastudi lulusan mahasiswa pascasarjana program magister ITS Surabaya,diharapkan hasil dari penelitian ini dapat dijadikan sebagai salah satu masukanbagi pejabat birokrasi di ITS Surabaya dalam rangka pengambilan kebijakan-kebijakan tertentu guna mewujudkan keberhasilan pendidikan tinggi di ITSSurabaya.

Pendahuluan (7)


Batasan Penelitian

1. Penaksiran parameter dilakukan dengan menggunakan metode MLE.2. Penelitian ini terbatas pada faktor-faktor yang mempengaruhi masa studi

lulusan mahasiswa pascasarjana program magister ITS Surabaya padaperiode Maret 2008 sampai dengan Maret 2011.

Tinjauan Pustaka (1)


Statistika Deskriptif

(Wal

pole

, 199

5) Statistika deskriptif merupakan metode-metode yang berkaitan dengan pengumpulan dan penyajian suatu data sehingga memberikan informasi yang berguna

(Bha

ttac

arya

&

John

son,

197

7) Statistika deskriptif merupakan statistika yang digunakan untuk mendeskripsikan atau menggambarkan obyek penelitian yang diambil dari sampel maupun populasi.

Tabel kontingensi atau yang sering disebut tabulasi silang (crosstabulation) adalah tabel yang berisi data jumlah atau frekuensiatas beberapa kategori yang dapat digunakan untukmenggambarkan dua atau lebih variabel secara simultan yangmerefleksikan distribusi bersama dari dua atau lebih variabeldengan jumlah kategori yang terbatas (Agresti, 2002).



Regresi Logistik Ordinal (1)

Regresi logistik ordinal merupakan salah satu metode statistika yang dapat digunakanuntuk menganalisis permasalahan yang melibatkan variabel respon yang berskalaordinal dengan tiga atau lebih kategori dan beberapa variabel prediktor yang dapatberupa data kategori dan/atau kontinu (Hosmer & Lemeshow, 2000).

++

+

=≤

∑

∑

=

=

p

kkikj

p

kkikj

x

xxjYP

10

10

exp1

exp)|(

βθ

βθ

Peluang kumulatif P(Y≤j|x)

∑=

+=

≤−

≤=≤

p

kkikj x

jYPjYPXjYP

10|(1

|(log)|( βθx

x

Berdasarkan definisi cumulative logit models

>≤

=≤xx

|(|(log)|(

jYPjYPXjYP




Pendugaan Parameter

Maximum Likelihood Estimation (MLE) dapat digunakan karena distribusidari respon Y diketahui.

MLE mempunyai beberapa kelebihan apabila dibandingkan denganmetode lain, antara lain dapat digunakan untuk model yang tidak linierseperti regresi logistik dan hasil penaksirannya mendekati parameternya(Hosmer & Lemeshow, 2000).

Menurut Kleinbaum (1994), MLE merupakan metode estimasi yang lebihdisukai untuk regresi logistik.




Uji Parsial

1 :H 0kβ ≠ , k=1,2,…,p

Statistik uji:

Tolak Ho apabila > atau P-Value < α

0 : 0kH β =

2

2ˆ

ˆ( )k

kk

WSEββ

=

2kW ( )

2,1αχ




Uji Serentak

0 1 2: ... 0pH β β β= = = =

1 :H Minimal ada satu 0kβ ≠ , k=1,2,…,p

Statistik uji:

Ω−=

)ˆ()ˆ(ln2

LLG ω

Tolak Ho apabila G > 2( , )wαχ atau P-Value < α




Uji Kesesuaian Model

:0H

1 :H

model sesuai (tidak ada perbedaan antarahasil observasi dengan hasil prediksi)

model tidak sesuai (ada perbedaan antarahasil observasi dengan hasil prediksi)

Statistik uji:

( )1

ˆ ˆ12 ln 1 ln

1

nij ij

ij iji ij ij

D y yy yπ π

=

−= − + − −

∑




Odds Ratio

Menurut Hosmer dan Lemeshow (2000): Odds Ratio merupakan ukuran asosiasi yang menggambarkan seberapa

besar kemungkinan suatu kejadian terjadi. (Perbandingan sukses dangagal dalam dua kelompok)

Odds ratio digunakan untuk interpretasi parameter yang bertujuan untukmenentukan hubungan fungsional antara variabel prediktor denganvariabel respon dan menentukan unit perubahan dalam variabelprediktor.



Regresi Probit Ordinal (1)

Pemodelan regresi probit ordinal dapat diawali denganmemperhatikan model sebagai berikut (Greene, 2000).

ε+= βxTY * Dimana [ ]Tpβββ 10=β [ ]Tpii XX 11=x

( )2,0 σNdan ε diasumsikan




( )

−Φ==

σγ xβT

YP 10

( )

−Φ−

−Φ==

σγ

σγ xβxβ TT

YP 121

( )

−Φ−

−Φ=−= −

σγ

σγ xβxβ T

iT

iiYP 11

( )

−Φ−==

σγ xβT

kkYP 1

1* γ≤Y 0=Y

2*

1 γγ ≤< Y 1=Y

ii Y γγ ≤<−*

1 1−= iY

kY γ>* kY =

Dikategorikan dengan







Pendugaan Parameter

Maximum Likelihood Estimation (MLE) dapat digunakan karena distribusidari respon Y diketahui.

Untuk mendapatkan dugaan parameter dengan MLE diawali denganmembuat fungsi likelihood.

Penduga untuk β dapat diperoleh dengan cara memaksimumkan fungsi ln-likelihood, yaitu dengan cara mendapatkan turunan pertama dari fungsi ln-likelihood.




Uji Parsial

1 :H 0kβ ≠ , k=1,2,…,p

Statistik uji:

Tolak Ho apabila > atau P-Value < α

0 : 0kH β =

2

2ˆ

ˆ( )k

kk

WSEββ

=

2kW ( )

2,1αχ




Uji Serentak

0 1 2: ... 0pH β β β= = = =

1 :H Minimal ada satu 0kβ ≠ , k=1,2,…,p

Statistik uji:

Ω−=

)ˆ()ˆ(ln2

LLG ω

Tolak Ho apabila atau P-Value < α2)( pG χ>



Multikolinieritas

Multikolinieritas merupakan suatu kasus dimana terdapat hubunganyang linear atau korelasi antara variabel bebas yang signifikan padamodel regresi.

Deteksi Multikolinieritas (Hocking, 1996)

Variance Inflation Factors (VIF) = , j=1,2,…,p

VIF > 10 dikatakan terdapat kasus multikolinieritas.

211

jR−



Kriteria Pemilihan Model Terbaik

Akaike’s Information Criterion (AIC)

np

nPLpAIC 2)(ln2)( +−=

Schwardz Bayessian Information Criterion (SBIC)

nnp

nPLpSBIC ln2)(ln2)( +−=

Pseudo R2 McFadden

0

12 log1LogL

LRMF −=



Metode Bootstrap

Metode yang digunakan untuk mengestimasi suatu distribusi populasiyang tidak diketahui dengan distribusi empiris yang diperoleh dariproses resampling atau pengambilan sampel secara berulang disebutmetode bootstrap (Efron & Tibshirani, 1993).

Meskipun jumlah replikasi bootstrap kecil (misal B=25), biasanyasudah cukup informatif. Tetapi dengan B=50 sudah sangat cukupuntuk memberikan estimasi yang akurat (Efron & Tibshirani, 1993).

Jumlah replikasi bootstrap yang besar (missal B=200), biasanyatidak perlu dilakukan dalam hal mengestimasi standar eror. Jumlahreplikasi bootstrap yang besar diperlukan dalam hal intervalkonfidensi bootstrap (Efron & Tibshirani, 1993).



Masa Studi Mahasiswa

Peraturan Akademik Institut Teknologi Sepuluh Nopember Surabaya Tahun 2009 BABVIII tentang Kelulusan Pasal 25 menyebutkan bahwa predikat kelulusan ditetapkanberdasarkan IPK dan masa studi.

IPK adalah angka yang didapat dari hasil bagi jumlah mutu kumulatif dengan jumlah satuankredit semester kumulatif. Sedangkan masa studi adalah masa untuk penyelesaian beban studidalam mengikuti proses pendidikan pada program studinya (Warsa, 2004).



FAKTOR-FAKTOR YANG MEMPENGARUHI MASA STUDI MAHASISWA

Menurut Thoha (2003), masa studi S2 dipengaruhi oleh empat faktor, yaitu jenis kelamin, statusperkawinan, nilai IPK S1, dan jenis pekerjaan.

Wulandari (2004) menyatakan bahwa masa studi paling dipengaruhi oleh kesesuaian programstudi S1 dan S2, status perguruan tinggi asal, dan sumber biaya.

Penghasilan orang tua dan usia berpengaruh signifikan terhadap keberhasilan studi mahasiswa(Syafrudin, 2006).

Skor Test Potensi Akademik (TPA), kesesuaian bidang studi, IPK saat S1, status perkawinan, danasal perguruan tinggi saat S1 mempengaruhi prestasi mahasiswa pascasarjana ITS periode lulusan96-102 dalam hal lama tempuh studi (Hadi & Suhartono, 2012).

Ada lima variabel prediktor yang mempengaruhi keberhasilan studi mahasiswa antara lain, nilaiIPK jenjang sarjana, dana perkuliahan, nilai Test Potensi Akademik (TPA), nilai Test of Englishas a Foreign Language (TOEFL), dan kesesuaian bidang minat (Ratnasari, 2012).

Metodologi Penelitian (1)


Sumber Data

Pascasarjana Institut Teknologi Sepuluh Nopember (ITS) Surabaya

Data lulusan mahasiswa pascasarjana program magister ITS Surabaya

periode Maret 2008 sampai dengan Maret 2011.



Variabel Penelitian (1)

Variabel Keterangan KategoriY Masa studi 0 : > 4 Semester

1 : = 4 Semester2 : = 3 Semester

X1 Nilai Tes Potensi Akademik (TPA) -X2 Nilai TOEFL -X3 Jenis kelamin 0 : Perempuan

1 : Laki-lakiX4 Kesesuaian bidang studi 0 : Tidak Sesuai

1 : SesuaiX5 Nilai IPK S1 -X6 Lama waktu dari lulus S1 ke S2 -



Variabel Keterangan KategoriX7 Sumber dana 0 : Sendiri

1 : BeasiswaX8 Status perkawinan 0 : Menikah

1 : Belum MenikahX9 Jenis pekerjaan 0 : Pegawai negeri/BUMN

1 : Pegawai swasta/wiraswasta2 : Belum bekerja

X10 Usia -X11 Fakultas FMIPA (0), FTI (1), FTSP (2),

FTK (3), FTIF (4)

Variabel Penelitian (2)



Diagram

Alir

Analisis dan Pembahasan (1)


Statistika Deskriptif Variabel Respon

> 4 Semester= 4 Semester= 3 Semester

kategori

161, 12.5%

768, 59.8%

355, 27.6%



Statistika Deskriptif Variabel Prediktor Kontinu

Variabel Minimum Maksimum Rata-rata Standar DeviasiX1 (TPA) 43,21 212,11 131,46 29,16X2 (TOEFL) 183 656 435,16 65,43X5 (IPK S1) 2 4 3,0891 0,3317X6 (Lama Tunggu) 0 32 5,336 4,771X10 (Usia) 18 60 30,095 6,323



Statistika Deskriptif Variabel Prediktor Kategori (1)

PerempuanLaki-laki

kategori

801, 62.4%

483, 37.6%

Tidak SesuaiSesuai

Kategori

875, 68.1%

409, 31.9%




Biaya SendiriBeasiswa BPPSBeasiswa InstansiBeasiswa Lain

Kategori

239, 18.6%

303, 23.6%

395, 30.8%

347, 27.0%

Sudah MenikahBelum Menikah

Kategori

591, 46.0% 693, 54.0%




Pegawai Negeri / BUMNPegawai Swasta / WiraswastaBelum Bekerja

Kategori

250, 19.5%

351, 27.3%683, 53.2%

FMIPAFTIFTSPFTKFTIF

Kategori

96, 7.5%

110, 8.6%

215, 16.7%

440, 34.3%

423, 32.9%



Statistika Deskriptif Cross Tabulation (1)

Masa Studi Jenis Kelamin TotalPerempuan Laki-laki>4 Semester 127 228 355=4 Semester 311 457 768=3 Semester 45 116 161

Total 483 801 1284

Masa Studi Kesesuaian Bidang TotalTidak Sesuai Sesuai>4 Semester 134 221 355=4 Semester 229 539 768=3 Semester 46 115 161

Total 409 875 1284




Masa StudiStatus Pernikahan

TotalMenikah Belum Menikah

>4 Semester 196 159 355=4 Semester 405 363 768=3 Semester 92 69 161

Total 693 591 1284

Masa Studi Sumber Pendanaan TotalBiaya Sendiri Beasiswa BPPS Beasiswa Instansi Beasiswa Lainnya>4 Semester 112 120 83 40 355=4 Semester 192 249 159 168 768=3 Semester 43 26 61 31 161

Total 347 395 303 239 1284




Masa Studi Fakultas TotalFMIPA FTI FTSP FTK FTIF>4 Semester 52 137 105 26 35 355=4 Semester 308 248 95 64 53 768=3 Semester 63 55 15 20 8 161

Total 423 440 215 110 96 1284

Masa Studi Jenis Pekerjaan TotalPegawai Negeri / BUMN Pegawai Swasta / Wiraswasta Belum Bekerja>4 Semester 152 121 82 355=4 Semester 437 191 140 768=3 Semester 94 39 28 161

Total 683 351 250 1284



Uji Multikolinieritas

Variabel Nilai VIF Variabel Nilai VIFX1 1,252 X8;0 1,867X2 1,271 X9;0 4,183

X3;0 1,164 X9;1 2,937X4;0 1,099 X10 5,722X5 1,540 X11;0 4,474X6 4,965 X11;1 4,045

X7;0 74,938 X11;2 5,607X7;1 35,264 X11;3 9,083X7;2 19,819



Regresi Logistik Ordinal Uji Parsial

Variabel Koefisien Std. Error P-Value KeputusanKonstanta(0) 3,4395 1,0207 11,3552 0,0008Konstanta(1) 6,6290 1,0366 40,8927 0,0000

X1 0,0021 0,0022 0,9137 0,3391 Terima H0X2 0,0023 0,0010 5,4571 0,0195 Tolak H0

X3;0 -0,2518 0,1244 4,0985 0,0429 Tolak H0X4;0 -0,2666 0,1266 4,4357 0,0352 Tolak H0X5 1,0575 0,2113 25,0442 0,0000 Tolak H0X6 0,0118 0,0263 0,2003 0,6545 Terima H0

X8;0 -0,0837 0,1504 0,3099 0,5778 Terima H0X9;0 0,2985 0,1839 2,6343 0,1046 Terima H0X9;1 -0,0357 0,1854 0,0370 0,8474 Terima H0X10 0,0011 0,0214 0,0028 0,9577 Terima H0X11;0 0,4835 0,1095 19,5077 0,0000 Tolak H0X11;1 -0,1858 0,1046 3,1529 0,0758 Terima H0X11;2 -0,8221 0,1263 42,3977 0,0000 Tolak H0X11;3 0,3735 0,1639 5,1938 0,0227 Tolak H0

Nilai = 3,841

2kW

05,0;12χ



Regresi Logistik Ordinal Uji Serentak

Model P-valueIntercept OnlyFinal 0,000



Regresi Logistik Ordinal Estimasi Parameter

Variabel B S.E. Wald Sig. Exp(B)Konstanta(0) 2,753 0,603 4,569 0,000 15,689Konstanta(1) 5,922 0,625 9,482 0,000 373,323

X2 0,002 0,001 2,429 0,015 1,002X3;0 -0,293 0,121 -2,417 0,016 0,746X3;1X4;0 -0,273 0,126 -2,167 0,030 0,761X4;1X5 1,001 0,182 5,512 0,000 2,721

X11;0 0,534 0,106 5,037 0,000 1,706X11;1 -0,220 0,103 -2,140 0,032 0,802X11;2 -0,874 0,124 -7,073 0,000 0,417X11;3 0,397 0,162 2,447 0,014 1,487X11;4



Regresi Logistik Ordinal Model Terbaik (1)

11;311;211;111;0

54;00;321

X397,0X874,0X22,0X534,0X001,1X273,0293,0002,0753,2)ˆ(

+−−+

++−−+= XXLogit γ

11;311;211;111;0

54;00;322

X397,0X874,0X22,0X534,0X001,1X273,0293,0002,0922,5)ˆ(

+−−+

++−−+= XXLogit γ



Regresi Logistik Ordinal Model Terbaik (2)

( ) ( )( )AAy

exp1expˆ1 +

=π ( ) ( )( ) ( )yB

By 12 ˆexp1

expˆ ππ −+

= ( ) ( )By

exp11ˆ3 +

=π

11;311;211;111;0

54;00;32

X397,0X874,0X22,0X534,0X001,1X273,0293,0002,0753,2

+−−+

++−−+= XXA

11;311;211;111;0

54;00;32

X397,0X874,0X22,0X534,0X001,1X273,0293,0002,0922,5

+−−+

++−−+= XXB



Regresi Logistik Ordinal Uji Kesesuaian Model

Statistik Uji P-valueDeviance 1,000



Regresi Logistik Ordinal Ukuran Kebaikan Model

Aktual Prediksi Total>4 Semester =4 Semester =3 Semester>4 Semester 66 289 0 355=4 Semester 41 727 0 768=3 Semester 6 155 0 161

Total 113 1171 0 1284

%76,61%1001284

01284727

128466

=

++ x

Kriteria Pemilihan Model NilaiPseudo R2McFadden 0,0601

AIC 1,7510SBIC 1,7912



Regresi Probit Ordinal Uji ParsialVariabel Koefisien Std. Error P-Value Keputusan

Konstanta(0) 1,8870 0,5846 10,4176 0,0012Konstanta(1) 3,7597 0,5903 40,5687 0,0000

X1 0,0013 0,0012 1,1566 0,2822 Terima H0X2 0,0013 0,0006 5,6281 0,0177 Tolak H0

X3;0 -0,1552 0,0714 4,7257 0,0297 Tolak H0X4;0 -0,1413 0,0724 3,8053 0,0511 Terima H0X5 0,5983 0,1202 24,7815 0,0000 Tolak H0X6 0,0083 0,0151 0,3061 0,5801 Terima H0

X8;0 -0,0515 0,0855 0,3635 0,5466 Terima H0X9;0 0,1706 0,1056 2,6069 0,1064 Terima H0X9;1 -0,0045 0,1058 0,0018 0,9661 Terima H0X10 -0,0014 0,0123 0,0137 0,9069 Terima H0X11;0 0,2662 0,0624 18,2126 0,0000 Tolak H0X11;1 -0,0958 0,0591 2,6261 0,1051 Terima H0X11;2 -0,4725 0,0726 42,4027 0,0000 Tolak H0X11;3 0,2124 0,0910 5,4530 0,0195 Tolak H0

Nilai = 3,841

2kW

05,0;12χ



Regresi Probit Ordinal Uji Serentak

Model P-valueIntercept OnlyFinal 0,000



Regresi Probit Ordinal Estimasi Parameter & ModelVariabel B S.E. Wald Sig. Exp(B)

Konstanta(0) 1,635 0,345 4,735 0,000 5,128Konstanta(1) 3,496 0,354 9,878 0,000 32,985

X2 0,001 0,006 2,657 0,008 1,001X3;0 -0,172 0,069 -2,476 0,013 0,842X3;1X5 0,568 0,103 5,495 0,000 1,764

X11;0 0,324 0,059 5,464 0,000 1,382X11;1 -0,106 0,058 -1,834 0,067 0,900X11;2 -0,498 0,071 -7,019 0,000 0,608X11;3 0,184 0,087 2,104 0,035 1,202X11;4

( ) ( )[ ]CYP −Φ== 635,10ˆ

( ) ( )[ ] ( )0ˆ496,31ˆ =−−Φ== YPCYP

( ) ( )[ ]CYP −Φ−== 496,312ˆ

3;112;111;110;1150;32 184,0498,0106,0324,0568,0172,0001,0 XXXXXXXC +−−++−=



Regresi Probit Ordinal Efek Marginal

Efek Marginal Nilai TOEFL

( ) [ ] 00021,0ˆˆ0ˆ12

2

−=−−=∂

=∂ βxT

XYP γφβ

( ) [ ] [ ] 5212

2

10.8,9ˆˆˆ1ˆ−−=−−−=

∂=∂ βxβx TT

XYP γφγφβ

( ) [ ] 000307,0ˆˆ2ˆ22

2

=−=∂

=∂ βxT

XYP γφβ



Regresi Probit Ordinal Uji Kesesuaian Model

Statistik Uji P-valueDeviance 1,000



Regresi Probit Ordinal Ukuran Kebaikan Model

Aktual Prediksi Total

Aktual Prediksi Total>4 Semester =4 Semester =3 Semester>4 Semester 55 300 0 355=4 Semester 34 734 0 768=3 Semester 5 156 0 161

Kriteria Pemilihan Model NilaiPseudo R2McFadden 0,0569

AIC 1,7554SBIC 1,7916

%45,61%1001284

01284734

128455

=

++ x



Perbandingan Data Empiris

Model Ketepatan KlasifikasiRegresi Logistik Ordinal 61,76%Regresi Probit Ordinal 61,45%

Kriteria NilaiLogistik Probit

Pseudo R2McFadden 0,0601 0,0569

AIC 1,7510 1,7554

SBIC 1,7912 1,7916



Perbandingan Data Resampling

50403020100

0.09

0.08

0.07

0.06

0.05

0.04

B

Pseu

do R

-Sq

McFa

dden

LogitProbit

50403020100

1.825

1.800

1.775

1.750

1.725

1.700

1.675

1.650

B

AIC

LogitProbit

50403020100

1.86

1.84

1.82

1.80

1.78

1.76

1.74

1.72

1.70

B

SBIC

LogitProbit

Kesimpulan dan Saran (1)


Kesimpulan (1)

Lulusan mahasiswa program magister ITS mayoritas memiliki masa studi 4semester dimana mayoritas lulusan tersebut berjenis kelamin laki-laki, memilikikesesuaian bidang antara jenjang sarjana dan magister, dan paling banyakberasal dari FMIPA. Adapun rata-rata nilai TOEFL lulusan tersebut pada saatmasuk S2 sebesar 435 dan rata-rata IPK pada saat S1 sebesar 3,09.



Kesimpulan (2)

Berdasarkan analisis regresi logistik ordinal, faktor yang berpengaruh terhadap masastudi lulusan mahasiswa program magister ITS adalah nilai TOEFL, jenis kelamin,kesesuaian bidang studi, nilai IPK S1, dan asal fakultas. Nilai odds ratio menunjukkanbahwa semakin tinggi nilai TOEFL dan nilai IPK S1 maka probabilitas untuk lulus dalamwaktu 3 semester akan cenderung semakin tinggi. Selain itu, lulusan yang berjeniskelamin laki-laki dan memiliki kesesuaian bidang memiliki probabilitas yang lebih besaruntuk lulus lebih cepat daripada lulus perempuan dan tidak memiliki kesesuaian bidangstudi. Dilihat dari asal fakultasnya, probabilitas terbesar untuk lulus lebih cepat berasaldari lulusan FMIPA. Dengan menggunakan análisis regresi probit ordinal, faktor yangberpengaruh terhadap masa studi lulusan mahasiswa program magister ITS adalah nilaiTOEFL, jenis kelamin, nilai IPK S1, dan asal fakultas. Dilihat dari nilai efek marginalnya,nilai TOEFL, nilai IPK S1, dan asal fakultas dari FMIPA dan FTK memberikan pengaruhyang besar terhadap probabilitas untuk lulus lebih cepat. Sedangkan jenis kelaminperempuan dan asal fakultas dari FTSP memberikan pengaruh yang besar terhadapprobabilitas untuk lulus lebih dari 4 semester.



Kesimpulan (3)

Pada studi kasus faktor-faktor yang mempengaruhi masa studi lulusanmahasiswa program magister ITS, análisis regresi logistik ordinal lebih baikdaripada análisis regresi probit ordinal karena menghasilkan ketepatanklasifikasinya dan nilai Pseudo R2 McFadden yang lebih besar, serta nilaiAkaike’s Information Criterion (AIC), dan Schwardz Bayessian InformationCriterion (SBIC) yang lebih kecil. Berdasarkan pola kriteria pemilihan modeldari hasil resampling dapat diketahui bahwa model regresi logistik ordinal tidakselalu lebih baik daripada model regresi probit ordinal, tergantung padapermasalahan yang dianalisis.



Saran

Pada penelitian selanjutnya disarankan untuk dikembangkan dengan menggunakankriteria pemilihan model yang lebih konsisten, yaitu AICc karena software statistikEviews hanya menyediakan fasilitas kriteria pemilihan model berdasarkan PseudoR2McFadden, AIC, dan SBIC.

Berdasarkan metode estimasi yang digunakan, pada penelitian selanjutnya disarankanuntuk menggunakan Almost Unbiased Liu Estimator (AULE) untuk mengatasi kasusmultikolinieritas.

Daftar Pustaka (1)


Agresti, A. (2002). Categorical Data Analysis (2nd Edition). New York: John Wiley & Sons, Inc.Akbar, M.S., Mukarromah, A., & Paramita, L. (2010). Bagging Regresi Logistik Ordinal pada

Status Gizi Balita. Media Statistika, III(2), 103-116.Bhattacharyya, G.K., & Johnson, R.A. (1977). Statistical Concepts and Methods. New York:

John Wiley & Sons, Inc.Efron, B. & Tibshirani, J.R. (1993). An Introduction to the Bootstrap. New York: Champman &

Hall, Inc.Fathurahman, M. (2008). Pemodelan Regresi Probit Ordinal: Studi Kasus Indeks Prestasi

Kumulatif Lulusan Magister Program Pasca Sarjana ITS Surabaya. Surabaya: TesisJurusan Statistika FMIPA ITS.

Finney, D.J. (1971). Probit Analysis (3th Edition). Cambridge: Cambridge University Press.Fuks, M., & Salazar, E. (2008). Applying Models for Ordinal Logistic Regression to the

Analysis of Household Electricity Consumption Classes in Rio de Janeiro, Brazil. EnergyEconomics, XXX(4), 1672-1692.

Greene, W.H. (2000). Econometrics Analysis (4th Edition). New Jersey: Prentice Hall.

Daftar Pustaka (2)


Guillory, C.W. (2008). A Multilevel Discrete Time Hazard Model of Retention Data in HigherEducation. Disertasi Louisiana State University. Louisiana.

Gujarati, D.N. (2003). Basic Econometric (4th Edition). New York: McGraw-Hill Companies.Hadi, W.A., & Suhartono. (2012). Pemodelan Faktor-faktor yang Mempengaruhi Prestasi

Mahasiswa Pascasarjana ITS dengan Regresi Logistik dan Neural Network, Jurnal Sainsdan Seni ITS, I(1), 136-140.

Hocking, R.R. (1996). Methods and Applications of Linear Models: Regression and Analysis ofVariance. New York: John Wiley & Sons, Inc.

Hosmer, D.W., & Lemeshow, S. (2000). Applied Logistic Regression. New York: John Wiley &Sons, Inc.

Jumaidin. (2009). Bias Pada Model Regresi Logistik Ordinal dan Regresi Probit Ordinal untukMengetahui Faktor-faktor yang Mempengaruhi Nilai UNAS. Surabaya: Tesis JurusanStatistika FMIPA ITS.

Kockelman, K.M., & Kweon, Y.J. (2002). Driver Injury Severity: An Application of OrderedProbit Models. Accident Analysis and Prevention, XXXIV, 313-321.

Daftar Pustaka (3)


Kutner, M.H., Nachtsheim, C.J., & Nether, J. (2008). Applied Linier Regression Models. NewYork: McGraw-Hill Companies.

Padmini, I.A.S., Suciptawati, N.L.P., & Susilawati, M. (2012). Analisis Waktu KelulusanMahasiswa Dengan Metode Chaid: Studi Kasus Pada FMIPA Universitas Udayana. e-Jurnal Matematika, I(1), 89-93.

Ratnasari, V. (2012). Estimasi Parameter dan Uji Signifikansi Model Probit Bivariat. Surabaya.Disertasi Jurusan Statistika FMIPA ITS.

Starck, P.L., Love, K., & McPherson, R. (2008). Calculating Graduation Rates. Journal ofProfessional Nursing, XXIV(4), 197-204.

Thoha, I.F. (2003). Studi Tentang Tingkat Keberhasilan Mahasiswa S2 Program PascasarjanaIPB. Bogor: Skripsi Departemen Statistika FMIPA IPB.

Walpole, R.E. (1995). Pengantar Statistika (Edisi Ketiga). Jakarta: PT Gramedia PustakaUtama.

Warsa, U.C. (2004). Keputusan Rektor Universitas Indonesia Nomor 478/SK/R/UI/2004Tentang Evaluasi Keberhasilan Studi Mahasiswa Universitas Indonesia. Jakarta.

Tugas Akhir – Jurusan Statistika – FMIPA – ITS

Pembimbing I :Dra. Madu Ratna, M.Si.Pembimbing II :Dr. Vita Ratnasari, S.Si., M.Si.

Penguji :Dr. Dra. Ismaini Zain, M.Si.Prof. Dr. Drs. I Nyoman Budiantara, M.Si.

IMAM AHMAD AL FATTAH

1309 100 093

Analisis Faktor-faktor yang Mempengaruhi

Masa Studi Lulusan Mahasiswa Program Magister

Institut Teknologi Sepuluh Nopember (ITS) Surabaya

Menggunakan Regresi Logistik Ordinal

dan Regresi Probit Ordinal

12 Juli 2013

SEMINAR

HASIL

S E Masa Studi Lulusan Mahasiswa Program Magister M Institut...

Documents

Transcript of S E Masa Studi Lulusan Mahasiswa Program Magister M Institut...