S E Masa Studi Lulusan Mahasiswa Program Magister M Institut...
Transcript of 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)
3Strive for excellence, not perfection. Good luck for better statistician.
Latar Belakang (1)
Pendidikan
Dasar
Menengah
Tinggi
Diploma
Sarjana
Magister
Doktor
Spesialis
IPK
Masa Studi
Pendahuluan (2)
4Strive for excellence, not perfection. Good luck for better statistician.
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)
5Strive for excellence, not perfection. Good luck for better statistician.
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)
6Strive for excellence, not perfection. Good luck for better statistician.
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)
7Strive for excellence, not perfection. Good luck for better statistician.
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)
8Strive for excellence, not perfection. Good luck for better statistician.
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)
9Strive for excellence, not perfection. Good luck for better statistician.
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)
10Strive for excellence, not perfection. Good luck for better statistician.
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).
Tinjauan Pustaka (2)
11Strive for excellence, not perfection. Good luck for better statistician.
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
Tinjauan Pustaka (3)
12Strive for excellence, not perfection. Good luck for better statistician.
Regresi Logistik Ordinal (2)
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.
Tinjauan Pustaka (4)
13Strive for excellence, not perfection. Good luck for better statistician.
Regresi Logistik Ordinal (4)
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
Tinjauan Pustaka (5)
14Strive for excellence, not perfection. Good luck for better statistician.
Regresi Logistik Ordinal (3)
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
Tinjauan Pustaka (6)
15Strive for excellence, not perfection. Good luck for better statistician.
Regresi Logistik Ordinal (5)
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
=
−= − + − −
∑
Tinjauan Pustaka (7)
16Strive for excellence, not perfection. Good luck for better statistician.
Regresi Logistik Ordinal (6)
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.
Tinjauan Pustaka (8)
17Strive for excellence, not perfection. Good luck for better statistician.
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
Tinjauan Pustaka (9)
18Strive for excellence, not perfection. Good luck for better statistician.
Regresi Probit Ordinal (2)
( )
−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
Dikategorikan dengan
Dikategorikan dengan
Dikategorikan dengan
Tinjauan Pustaka (10)
19Strive for excellence, not perfection. Good luck for better statistician.
Regresi Probit Ordinal (3)
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.
Tinjauan Pustaka (11)
20Strive for excellence, not perfection. Good luck for better statistician.
Regresi Logistik Ordinal (4)
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
Tinjauan Pustaka (12)
21Strive for excellence, not perfection. Good luck for better statistician.
Regresi Probit Ordinal (4)
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>
Tinjauan Pustaka (13)
22Strive for excellence, not perfection. Good luck for better statistician.
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−
Tinjauan Pustaka (14)
23Strive for excellence, not perfection. Good luck for better statistician.
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 −=
Tinjauan Pustaka (15)
24Strive for excellence, not perfection. Good luck for better statistician.
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).
Tinjauan Pustaka (16)
25Strive for excellence, not perfection. Good luck for better statistician.
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).
Tinjauan Pustaka (17)
26Strive for excellence, not perfection. Good luck for better statistician.
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)
27Strive for excellence, not perfection. Good luck for better statistician.
Sumber Data
Pascasarjana Institut Teknologi Sepuluh Nopember (ITS) Surabaya
Data lulusan mahasiswa pascasarjana program magister ITS Surabaya
periode Maret 2008 sampai dengan Maret 2011.
Metodologi Penelitian (2)
28Strive for excellence, not perfection. Good luck for better statistician.
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 -
Metodologi Penelitian (3)
29Strive for excellence, not perfection. Good luck for better statistician.
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)
Metodologi Penelitian (4)
30Strive for excellence, not perfection. Good luck for better statistician.
Diagram
Alir
Analisis dan Pembahasan (1)
31Strive for excellence, not perfection. Good luck for better statistician.
Statistika Deskriptif Variabel Respon
> 4 Semester= 4 Semester= 3 Semester
kategori
161, 12.5%
768, 59.8%
355, 27.6%
Analisis dan Pembahasan (2)
32Strive for excellence, not perfection. Good luck for better statistician.
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
Analisis dan Pembahasan (3)
33Strive for excellence, not perfection. Good luck for better statistician.
Statistika Deskriptif Variabel Prediktor Kategori (1)
PerempuanLaki-laki
kategori
801, 62.4%
483, 37.6%
Tidak SesuaiSesuai
Kategori
875, 68.1%
409, 31.9%
Analisis dan Pembahasan (4)
34Strive for excellence, not perfection. Good luck for better statistician.
Statistika Deskriptif Variabel Prediktor Kategori (2)
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%
Analisis dan Pembahasan (5)
35Strive for excellence, not perfection. Good luck for better statistician.
Statistika Deskriptif Variabel Prediktor Kategori (3)
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%
Analisis dan Pembahasan (6)
36Strive for excellence, not perfection. Good luck for better statistician.
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
Analisis dan Pembahasan (7)
37Strive for excellence, not perfection. Good luck for better statistician.
Statistika Deskriptif Cross Tabulation (2)
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
Analisis dan Pembahasan (8)
38Strive for excellence, not perfection. Good luck for better statistician.
Statistika Deskriptif Cross Tabulation (3)
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
Analisis dan Pembahasan (9)
39Strive for excellence, not perfection. Good luck for better statistician.
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
Analisis dan Pembahasan (10)
40Strive for excellence, not perfection. Good luck for better statistician.
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
Analisis dan Pembahasan (11)
41Strive for excellence, not perfection. Good luck for better statistician.
Regresi Logistik Ordinal Uji Serentak
Model P-valueIntercept OnlyFinal 0,000
Analisis dan Pembahasan (12)
42Strive for excellence, not perfection. Good luck for better statistician.
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
Analisis dan Pembahasan (13)
43Strive for excellence, not perfection. Good luck for better statistician.
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
Analisis dan Pembahasan (14)
44Strive for excellence, not perfection. Good luck for better statistician.
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
Analisis dan Pembahasan (15)
45Strive for excellence, not perfection. Good luck for better statistician.
Regresi Logistik Ordinal Uji Kesesuaian Model
Statistik Uji P-valueDeviance 1,000
Analisis dan Pembahasan (16)
46Strive for excellence, not perfection. Good luck for better statistician.
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
Analisis dan Pembahasan (17)
47Strive for excellence, not perfection. Good luck for better statistician.
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
Analisis dan Pembahasan (18)
48Strive for excellence, not perfection. Good luck for better statistician.
Regresi Probit Ordinal Uji Serentak
Model P-valueIntercept OnlyFinal 0,000
Analisis dan Pembahasan (19)
49Strive for excellence, not perfection. Good luck for better statistician.
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 +−−++−=
Analisis dan Pembahasan (20)
50Strive for excellence, not perfection. Good luck for better statistician.
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
Analisis dan Pembahasan (21)
51Strive for excellence, not perfection. Good luck for better statistician.
Regresi Probit Ordinal Uji Kesesuaian Model
Statistik Uji P-valueDeviance 1,000
Analisis dan Pembahasan (22)
52Strive for excellence, not perfection. Good luck for better statistician.
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
Analisis dan Pembahasan (23)
53Strive for excellence, not perfection. Good luck for better statistician.
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
Analisis dan Pembahasan (24)
54Strive for excellence, not perfection. Good luck for better statistician.
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)
55Strive for excellence, not perfection. Good luck for better statistician.
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 dan Saran (2)
56Strive for excellence, not perfection. Good luck for better statistician.
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 dan Saran (3)
57Strive for excellence, not perfection. Good luck for better statistician.
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.
Kesimpulan dan Saran (4)
58Strive for excellence, not perfection. Good luck for better statistician.
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)
59Strive for excellence, not perfection. Good luck for better statistician.
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)
60Strive for excellence, not perfection. Good luck for better statistician.
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)
61Strive for excellence, not perfection. Good luck for better statistician.
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