TINJAUAN PUSTAKA

Nama Sekolah Jurusan

TINJAUAN PUSTAKA

Pengertian Minat

Arti minat menurut kamus umum Bahasa Indonesia berarti kesukaan (kecenderungan hati) kepada sesuatu atau keinginan. Menurut Slameto (1991) Minat adalah suatu rasa lebih suka dan rasa keterikatan pada suatu hal atau

aktivitas, tanpa ada yang menyuruh. Minat pada dasarnya adalah penerimaan akan suatu hubungan antara diri sendiri dengan sesuatu diluar diri. Semakin kuat atau dekat hubungan tersebut semakin besar. Sedangkan menurut Kasijan (1988) mengatakan bahwa “Minat adalah kemampuan untuk memberi stimuli yang mendorong kita untuk memperhatikan seseorang, sesuatu barang atau kegiatan yang dapat memberi pengaruh terhadap pengalaman yang distimuli oleh kegiatan itu sendiri”.

Berdasarkan dua definisi di atas tentang minat maka disimpulkan minat merupakan suatu keinginan yang cenderung menetap pada diri seseorang untuk mengarahkan pada suatu pilihan tertentu sebagai kebutuhannya, kemudian dilanjutkan untuk diwujudkan dalam tindakan yang nyata dengan adanya perhatian pada obyek yang diinginkannya itu untuk mencari informasi sebagai wawasan bagi dirinya.

Menurut Kartono (1985) faktor-faktor yang berhubungan dengan minat dibedakan menjadi beberapa faktor sebagai berikut :

1. Faktor-faktor yang dapat menimbulkan minat a). Faktor motif sosial

Minat dapat timbul dengan adanya motifasi dan keinginan tertentu dari lingkungan sosialnya. Seseorang akan melakukuan sesuatu dengan maksud agar mendapat respon.

b). Faktor Emosi

Minat berhubungan dengan perasaan dan emosi. Suksesnya pelaksanaan sesuatu kegiatan membuat perasaan senang dan semangat untuk melakukan kegiatan yang serupa, Sebaliknya kegagalan akan menurunkan minat atau malah sebaliknya menambah minat.

c). Faktor lingkungan

Adalah faktor yang dapat memunculkan minat yang berasal dari keadaan sekitar seperti lingkungan keluarga, lingkungan sekolah.

2. Faktor-faktor yang dapat menurunkan minat antara lain:

Secara alami faktor-faktor yang dapat menurunkan minat sebagai berikut : a. Faktor ketidakcocokan

Minat seseorang terhadap sesuatu hal akan berkembang jika hal tersebut menarik dan sesuai dengan dirinya dan minat tersebut akan turun apabila tidak sesuai dengan dirinya.

b. Faktor kebosanan

Melakukan suatu aktifitas secara terus menerus secara monoton akan membosankan, hal ini dapat menyebabkan menurunnya minat. c. Faktor kelelahan

Orang yang karena minatnya terhadap sesuatu aktivitas, akan melakukan aktivitas tersebut dengan tidak memperhatikan batas waktu kerja. Hal ini dapat mengakibatkan kelelahan. Orang yang lelah akan malas melakukan pekerjaan.

Analisis Regresi Logistik

Regresi logistik adalah prosedur pemodelan yang diterapkan untuk memodelkan variable respon (Y) yang bersifat kategori berdasarkan satu atau lebih variabel prediktor (X), baik itu yang bersifat kategori maupun kontinu. Apabila variabel responnya terdiri dari 2 kategori yaitu Y=1 (sukses) dan Y=0 (gagal), maka metode regresi logistik yang dapat diterapkan adalah regresi logistik biner (Agresti, 1990). Seandainya memiliki p peubah bebas X’= (X1, X2, X3,…Xp)

yang berpasangan dengan peubah tak bebas Y yang bernilai 0 dan 1. Peluang

Y=1 dinotasikan dengan π(X). Fungssi regresi logistik antara π(X) dan X adalah :

π ( x) = exp

[

g ( x)

]

1 + exp

[

g ( x)

]

Model regresi diatas merupakan fungsi regresi yang berbentuk curvalinier sehingga dengan transformasi logit maka fungsi tersebut akan menjadi fungsi linier (Agresti, 1990).

log it [π ( x ) ]= ln   = g ( x )

=

∏

g( yi ) =

∏

π (xi ) yi (1 − π ( xi )1− yi L (β ) = ln [฀ ( β )] = ln 

∏

π ( x i ) y i (1 − π ( xi ) )1 − y i 

Model logit mentransformasi masalah pendugaan peluang dengan kemungkinan (0,1) menjadi masalah pendugaan log odds. Transformas logit dinyatakan dalam persamaan sebagai berikut :

 π ( x ) 

 1 − π ( x ) 

dengan g ( X ) = β 0 + β 1 X 1 + β 2 X 2 + ... + β p X p ( Hosmer & Lemeshow 1999).

Jika n pengamatan (xi,yi) diasumsikan bebas, maka untuk menduga

parameter (β0,β1,β2,…βp) dilakukan dengan metode kemungkinan maksimum

sebagai berikut : n ฀ (Y ) = g (Y1 , Y 2 , ...., Y n ) =฀ g (Y i ) i =1 n n i=1 i=1  n   i = 1 

Dengan melihat hasil fungsi L(β), yang selanjutnya akan dilakukan

penurunan terhadap β0, β1, β2, …, βp. yang nantinya solusi dari persamaan

diferensial ini bisa diperoleh dengan cara iterasi (Ryan,1997). Setelah

diperoleh nilai dugaan β0, β1, β2, …, βp, maka dapat diperoleh penduga dari

π(x) dengan persamaan :

πˆ ( x ) = exp( gˆ ( x )) 1 + exp( gˆ ( x ))

Dimana gˆ(x) = βˆ0 + βˆ1 x1 + ... + βˆ p x p , adalah penduga logit yang merupakan

fungsi linier dari peubah penjelas (Hosmer & Lemeshow, 1999)

Pengujian Kesesuaian Model

Pengujian kesesuaian model dilakukan untuk memeriksa pengaruh peubah- peubah penjelas dalam model. Pengujian dilakukan untuk masing-masing

parameter model β. Pengujian secara simultan dilakukan dengan menggunakan uji

G yaitu uji nisbah kemungkinan(likelihood ratio test).

Uji-G untuk pengujian parameter βi dengan hipotesis :

H0

H1

: β1= β2=…. = βp = 0

G = − 2 log  0  = −2[log( L0 ) − log( L1 )] = −2(L0 − L1 )

ˆ ˆ

Statistik uji yang digunakan adalah statistik uji G :

 L

 L1  

Dimana : L0 = likelihood tanpa peubah bebas

L1 = likelihood dengan peubah bebas

P = banyaknya parameter dari peubah bebas

Jika Ho benar, statistik G ini mengikuti sebaran χ 2 dengan derajat bebas p,

Kriteria keputusan yang diambil adalah menolak Ho jika Ghitung≥ χ 2α ( p ) ( Hosmer

& lemeshow 1999). Seandainya Ho ditolak, maka selanjutnya dilakukan uji Wald

untuk menguji parameter βi secara parsial. Hipotesis yang diujikan adalah :

H0

H1

: βi = 0

: βi≠ 0, dimana i =1,2,…p

Sedangkan statistik uji Wald sebagai berikut : W = βˆ i

S E ( β i )

Statistik uji Wald mengikuti sebaran normal baku, dengan _β

i

sebagai penduga dan _{Sˆ E ( βˆ i )} sebagai penduga galat baku _β

i . Dengan kriteria keputusan adalah

menolak Ho jika |W| ≥ atau nilai p ≤ α.

Pereduksian Peubah

Dalam penelitian mengenai minat siswa melanjutkan pendidikan ke perguruan tinggi peneliti menggunakan analisis backward elimination. Menurut Weisberg (dalam Sartika, 2009) bahwa metode backword eleminanation

merupakan salah satu metode pereduksian peubah penjelas yang digunakan dalam analisis regresi baik linier maupun logistik. Analisis ini dimulai dengan model penuh yaitu memasukkan seluruh peubah penjelas ke dalam model, kemudian peubah-peubah penjelas yang tidak nyata mulai dikeluarkan dari model melalui proses iterasi. Pada tiap proses iterasi peubah yang memiliki nilai-p yang terbesar akan berakhir ketika peubah penjelas yang berada dalam model memiliki nilai-p kurang dari 0.05. Setiap eliminasi selesai maka akan dilakukan uji kebaikan model untuk menguji bahwa model dapat menggambarkan data dengan baik. Analisis akan selesai jika tidak ada lagi peubah yang dapat dieliminasi dari model.

[π (1) / {1 − π (1) }] =

 βˆ S E

(

βˆ i

)



Interpretasi Koefisien Logistik

Ukuran untuk melihat seberapa besar kecenderungan pengaruh peubah penjelas terhadap respon digunakan rasio odds (Hosmer & Lemeshow, 1999). Sedangkan interpretasi koefisien pada model regresi logistik biner dapat dilakukan dengan melihat nilai rasio odds dan selang kepercayaan rasio oddsnya. Odds sendiri diartikan sebagai peluang kejadian sukses dengan tidak sukses dari peubah respon. Rasio odds mengindikasikan seberapa lebih mungkin munculnya kejadian sukses pada suatu kelompok dibandingkan dengan kelompok lainnya. Tanda positif koefisien menunjukan bahwa nilai rasio odds lebih dari satu. Begitupun sebaliknya, untuk tanda koefisien negatif maka nilai rasio odds-nya kurang dari satu. Nilai odds ( rasio antara Y=1 dengan Y=0 untuk X=1) adalah

[

π (1) /

{

1 − π (1)

}]

, sedangkan untuk X=0 adalah

[

π (0) /

{

1 − π (0)

}]

. Log dari kedua

odds tersebut didefinisikan sebagai g(1) dan g(0). Rasio odds (ψ ) didefinisikan sebagai rasio dari odds untuk X=1 dengan X=0, sehingga odds rasio dengan mudah dapat ditulis sebagai berikut :

(ψ ) = _[

π ( 0 ) / {1 − π ( 0 ) }] exp ( β 1 )

Dengan demikian, pada model logistik dengan satu peubah bebas dikotom

koefisien β1adalah beda logit, sedangkan exp(α+ β(X)) adalah nilai dari rasio

odds (Agresti, 1990). Rasio odds (ψ ) =1 berarti bahwa individu dengan nilai X=1 mempunyai resiko yang sama dengan individu dengan nilai X=0 dalam kaitannya dengan Y=1. Jika 1<ψ < ∞, maka individu dengan X=1 mempunyai resiko yang lebih besar dibanding dengan X=0. Sebaliknya jika 0<ψ < 1 individu dengan X=1 mempunyai risiko yang lebih kecil dibanding X=0 dalam kaitannya dengan Y=1 (Hosmer dan Lemeshow, 1999).

Dimana Odds rasio memiliki selang kepercayaan (1-α) 100 % sebagai berikut :

exp

 i ± Z α