Data Mining Terhadap Data Mahasiswa USMI Angkatan 42 dan 43 IPB.

RINGKASAN

FISCA MISWARI AULIA. Data Mining Terhadap Data Mahasiswa USMI Angkatan 42 dan 43 IPB. Dibimbing oleh BUDI SUSETYO dan IBNUL QAYIM.

Data Mining (penambangan data) adalah suatu metode yang digunakan untuk menggali informasi dari sekumpulan data yang besar. Pada penelitian ini, beberapa metode pada data mining digunakan untuk menggali informasi dari data mahasiswa USMI angkatan 42 dan 43. Beberapa metode yang digunakan dalam penelitian ini antara lain analisis korelasiPearson, uji kebebasan chi-square, analisis korespondensi, analisis gerombol, dan analisis korelasi kanonik.

Analisis korelasi Pearson digunakan untuk mengetahui hubungan linear antara nilai rapor mahasiswa saat SMU dan IPK TPB. Uji kebebasan chi-square digunakan untuk mengetahui keterkaitan antara latar belakang mahasiswa dengan IPK TPB yang diperoleh. Analisis korespondensi digunakan sebagai analisis lanjutan dari tabulasi silang antara latar belakang mahasiswa dengan klasifikasi IPK TPB yang diuji berdasarkan uji kebebasan chi-square. Analisis gerombol digunakan untuk mengelompokkan asal daerah mahasiswa menurut karakteristik IPK TPB yang diperoleh mahasiswa. Analisis korelasi kanonik digunakan untuk mengetahui keterkaitan antara nilai mata kuliah TPB dengan prestasi mahasiswa setelah masuk departemen.

Sebesar lebih dari 60% mahasiswa Institut Pertanian Bogor (IPB) berasal dari jalur Undangan Seleksi Masuk IPB (USMI), sehingga prestasi akademik IPB banyak dipengaruhi mahasiswa USMI. Pada penelitian ini diketahui potret mahasiswa USMI angkatan 42 dan 43 dari latar belakang pendidikan ayah yang mayoritas SLTA, pekerjaan pegawai negeri, penghasilan antara RP. 1.000.001-Rp. 2.500.000,-, memiliki daya listrik sebesar 450 Watt, dan mayoritas berasal dari Jawa Barat. Latar belakang mahasiswa saat masuk IPB dan hubungannya dengan prestasi setelah menjadi seorang mahasiswa di Tingkat Persiapan Bersama (TPB) dapat dijadikan informasi bagi IPB untuk melihat kecenderungan latar belakang mahasiswa yang memiliki prestasi yang baik di IPB untuk pertimbangan penerimaan calon mahasiswa berikutnya. Pada penelitian ini diketahui bahwa ternyata mahasiswa yang cenderung memiliki latar belakang pendidikan orang tua kurang dari Rp. 1.000.000,- adalah mahasiswa yang banyak memperoleh Indeks Prestasi TPB ≥ 3.00.

DATA MINING

TERHADAP DATA MAHASISWA USMI

ANGKATAN 42 DAN 43 IPB

FISCA MISWARI AULIA

DEPARTEMEN STATISTIKA

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM

INSTITUT PERTANIAN BOGOR

RINGKASAN

FISCA MISWARI AULIA. Data Mining Terhadap Data Mahasiswa USMI Angkatan 42 dan 43 IPB. Dibimbing oleh BUDI SUSETYO dan IBNUL QAYIM.

Data Mining (penambangan data) adalah suatu metode yang digunakan untuk menggali informasi dari sekumpulan data yang besar. Pada penelitian ini, beberapa metode pada data mining digunakan untuk menggali informasi dari data mahasiswa USMI angkatan 42 dan 43. Beberapa metode yang digunakan dalam penelitian ini antara lain analisis korelasiPearson, uji kebebasan chi-square, analisis korespondensi, analisis gerombol, dan analisis korelasi kanonik.

Analisis korelasi Pearson digunakan untuk mengetahui hubungan linear antara nilai rapor mahasiswa saat SMU dan IPK TPB. Uji kebebasan chi-square digunakan untuk mengetahui keterkaitan antara latar belakang mahasiswa dengan IPK TPB yang diperoleh. Analisis korespondensi digunakan sebagai analisis lanjutan dari tabulasi silang antara latar belakang mahasiswa dengan klasifikasi IPK TPB yang diuji berdasarkan uji kebebasan chi-square. Analisis gerombol digunakan untuk mengelompokkan asal daerah mahasiswa menurut karakteristik IPK TPB yang diperoleh mahasiswa. Analisis korelasi kanonik digunakan untuk mengetahui keterkaitan antara nilai mata kuliah TPB dengan prestasi mahasiswa setelah masuk departemen.

Sebesar lebih dari 60% mahasiswa Institut Pertanian Bogor (IPB) berasal dari jalur Undangan Seleksi Masuk IPB (USMI), sehingga prestasi akademik IPB banyak dipengaruhi mahasiswa USMI. Pada penelitian ini diketahui potret mahasiswa USMI angkatan 42 dan 43 dari latar belakang pendidikan ayah yang mayoritas SLTA, pekerjaan pegawai negeri, penghasilan antara RP. 1.000.001-Rp. 2.500.000,-, memiliki daya listrik sebesar 450 Watt, dan mayoritas berasal dari Jawa Barat. Latar belakang mahasiswa saat masuk IPB dan hubungannya dengan prestasi setelah menjadi seorang mahasiswa di Tingkat Persiapan Bersama (TPB) dapat dijadikan informasi bagi IPB untuk melihat kecenderungan latar belakang mahasiswa yang memiliki prestasi yang baik di IPB untuk pertimbangan penerimaan calon mahasiswa berikutnya. Pada penelitian ini diketahui bahwa ternyata mahasiswa yang cenderung memiliki latar belakang pendidikan orang tua kurang dari Rp. 1.000.000,- adalah mahasiswa yang banyak memperoleh Indeks Prestasi TPB ≥ 3.00.

DATA MINING

TERHADAP DATA MAHASISWA USMI

ANGKATAN 42 DAN 43 IPB

FISCA MISWARI AULIA

Skripsi

sebagai salah satu syarat untuk memperoleh gelar

Sarjana Sains pada

Departemen Statistika

DEPARTEMEN STATISTIKA

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM

INSTITUT PERTANIAN BOGOR

Judul Skripsi :

DATA MINING

TERHADAP DATA MAHASISWA USMI

ANGKATAN 42 DAN 43 IPB

Nama

: Fisca Miswari Aulia

NRP

: G14104034

Menyetujui :

Pembimbing I, Pembimbing II,

Dr. Ir. Budi Susetyo, MS Dr. Ir. Ibnul Qayim

NIP. 131 624 193 NIP. 131 878 948

Mengetahui :

Dekan Fakultas Matematika dan Ilmu Pengetahuan Alam

Institut Pertanian Bogor

Dr.drh. Hasim, DEA

NIP. 131 578 806

RIWAYAT HIDUP

Fisca Miswari Aulia dilahirkan di Jakarta pada tanggal 15 April 1986 sebagai putri pertama dari tiga bersaudara dari ayah Zulhilman Effendi dan ibu Sri Yulianingsih.

Pendidikan formal penulis dimulai pada tahun 1992 di SD Swasta Pelita hingga tahun 1998, kemudian dilanjutkan di SLTP Negeri 49 Jakarta dan lulus pada tahun 2001, pada tahun yang sama penulis diterima di SMU Negeri 67 Jakarta dan lulus pada tahun 2004. Setelah lulus SMU, penulis melanjutkan pendidikan di Institut Pertanian Bogor Fakultas Matematika dan Ilmu Pengetahuan Alam Departemen Statistika melalui jalur USMI (Undangan Seleksi Masuk IPB).

KATA PENGANTAR

Puji syukur ke hadirat Allah SWT atas segala bimbinganNya sehingga penulisan karya ilmiah ini dapat diselesaikan. Terima kasih penulis ucapkan kepada :

Bapak Dr. Ir. Budi Susetyo, MS dan Bapak Dr. Ir. Ibnul Qayim atas segala bantuan, bimbingan, dan saran-saran yang diberikan; Ibu Dra. Itasia Dina, M.Si, selaku dosen penguji yang telah banyak memberikan masukan perbaikan; Bapak Asep di TPB; Ibu Susi di PPMB; Mama, Papa, dan seluruh keluarga tersayang atas doa dan semangat yang diberikan kepada penulis selama ini; Indah angkatan 42, terima kasih atas waktu dan bantuannya; Wiwik, Baina, Lilis, Leisha, Zaenal, Nikhen, Agustina, Renita, Andhika, Yusri, Irene, Lia, dan Fina, teman-teman yang sering memberi semangat dan tempat diskusi; serta seluruh pihak yang telah membantu dalam penyelesaian karya ilmiah ini yang tidak bisa penulis sebutkan satu persatu.

Penulis menyadari bahwa penulisan karya ilmiah ini masih jauh dari sempurna, tetapi harapan penulis karya ilmiah ini dapat bermanfaat bagi yang memerlukannya terlepas dari segala kekurangannya.

Bogor, Januari 2009

DAFTAR ISI

Halaman

DAFTAR TABEL ... vii

DAFTAR GAMBAR ... vii

DAFTAR LAMPIRAN ... vii

PENDAHULUAN Latar Belakang ... 1

Tujuan ... 1

TINJAUAN PUSTAKA Program Kurikulum Mayor Minor ... 1

Indeks Prestasi (IP) ... 1

Hubungan Data Mining dan Knowledge Data Discovery... 1

Analisis Korespondensi ... 2

Analisis Gerombol ... 2

Analisis Korelasi Kanonik ... 3

BAHAN DAN METODE Bahan ... 4

Metode ... 4

HASIL DAN PEMBAHASAN Deskripsi Mahasiswa Berdasrkan Latar Belakang ... 4

Hubungan Nilai Rapor SMU dan IPK TPB ... 6

Hubungan IPK TPB dan Latar Belakang Mahasiswa ... 6

Pengelompokan Asal Daerah Mahasiswa Menurut IPK TPB ... 6

Pola Pergerakan Rataan Indeks Prestasi (IP) per Departemen ... 10

Pola Sebaran Nilai Akhir Mata Kuliah TPB per Departemen ... 10

Analisis Korelasi Kanonik Antara Mata Kuliah TPB dan Prestasi di Departemen ... 11

Data yang Perlu Verifikasi ... 12

KESIMPULAN DAN SARAN Kesimpulan ... 12

Saran ... 13

DAFTAR PUSTAKA ... 13

DAFTAR TABEL

Halaman

1. Persentase data latar belakang mahasiswa angkatan 42 dan 43 ... 4

2. Persentase data asal daerah mahasiswa angkatan 42 dan 43 ... 5

3. Korelasi Pearson antara nilai rapor SMU dan IPK TPB ... 6

4. Pengelompokan asal daerah pada angkatan 42 ... 7

5. Pengelompokan asal daerah pada angkatan 43 ... 7

6. Lima mata kuliah TPB yang berpengaruh di setiap departemen ... 11

DAFTAR GAMBAR

Halaman 1. Dendrogram analisis gerombol asal daerah pada angkatan 42 ... 8

2. Dendrogram analisis gerombol asal daerah pada angkatan 43 ... 9

DAFTAR LAMPIRAN

Halaman 1. Boxplot nilai rapor SMU... 14

2. Hasil Uji Chi-Square antara latar belakang dan kategori IPK TPB ... 14

3. Analisis Korespondensi pada kategori IPK TPB dan penghasilan ayah ... 15

4. Analisis Korespondensi pada kategori IPK TPB dan asal daerah ... 15

5. Plot korespondensi angkatan 42 kategori penghasilan ayah dan IPK TPB ... 16

6. Plot korespondensi angkatan 43 kategori penghasilan ayah dan IPK TPB ... 16

7. Plot korespondensi angkatan 42 kategori asal daerah dan IPK TPB... 17

8. Plot korespondensi angkatan 43 kategori asal daerah dan IPK TPB... 17

9. Tabulasi silang antara IPK TPB dan asal daerah pada angkatan 42 ... 18

10. Tabulasi silang antara IPK TPB dan asal daerah pada angkatan 43 ... 19

11. Radar Pergerakan Indeks Prestasi (IP) per Departemen angkatan 42 ... 20

12. Radar Pergerakan Indeks Prestasi (IP) per Departemen angkatan 43 ... 20

14. Sebaran Persentase Nilai Akhir Mata Kuliah TPB Angkatan 42 ... 22

15. Sebaran Persentase Nilai Akhir Mata Kuliah TPB Angkatan 43 ... 27

16. Analisis Korelasi Kanonik antara mata kuliah dan prestasi di departemen...34

17. Nilai loading kanonik antara peubah asal (X) dan peubah kanoniknya ... 35

18. Nilai loading kanonik antara peubah asal (Y) dan peubah kanoniknya ... 37

19. Tabulasi antara penghasilan ayah dan pendidikan ayah (angkatan 42) ... 38

20. Tabulasi antara penghasilan ayah dan pekerjaan ayah (angkatan 42) ... 38

21. Tabulasi antara penghasilan ayah dan daya listrik (angkatan 42) ... 39

22. Tabulasi antara pendidikan ayah dan pekerjaan ayah (angkatan 42)... 39

23. Tabulasi silang antara daya listrik dan pekerjaan ayah (angkatan 42) ... 40

24. Tabulasi antara penghasilan ayah dan pendidikan ayah (angkatan 43) ... 41

25. Tabulasi antara penghasilan ayah dan pekerjaan ayah (angkatan 43) ... 41

26. Tabulasi antara penghasilan ayah dan daya listrik (angkatan 43) ... 42

27. Tabulasi antara pendidikan ayah dan pekerjaan ayah (angkatan 43)... 42

PENDAHULUAN

Latar Belakang

Institut Pertanian Bogor (IPB) adalah perguruan tinggi negeri pertama yang mempelopori jalur masuk melalui PMDK (Penelusuran Minat dan Kemampuan) atau yang dikenal dengan jalur USMI (Undangan Seleksi Masuk IPB). Persentase mahasiswa USMI yang lebih besar dibandingkan mahasiswa dari jalur lain, berdampak pada besarnya pengaruh mahasiswa USMI terhadap prestasi akademik IPB secara keseluruhan. Sehingga untuk meningkatkan prestasi IPB, panitia penerimaan mahasiswa baru IPB haruslah selektif memilih calon mahasiswa yang memiliki potensi akademik yang baik.

Penelitian ini secara garis besar ingin mengetahui apa yang menjadi penciri keberhasilan mahasiswa jika dilihat dari nilai SMU dikaitkan dengan prestasinya satu tahun pertama di Tingkat Persiapan Bersama (TPB), kemudian pengaruh prestasi setelah lulus TPB dikaitkan prestasi setelah masuk departemen pilihan. Dalam penelitian ini akan digunakan suatu metode yang dapat menggali informasi dari sekumpulan data yang besar, atau sering disebut Data Mining. Data mining (penambangan data), sesuai dengan namanya, berkonotasi sebagai pencarian informasi yang

berharga dari basis data yang sangat besar. Menurut Kantardzic (2003), Data Mining

adalah suatu proses dalam menemukan berbagai model, ringkasan data, dan nilai-nilai yang berharga dari sekumpulan data. Pada dasarnya data mining bukanlah suatu hal yang baru, yang membuatnya baru adalah pendekatannya dari berbagai disiplin ilmu dan teknologi yang digunakan.

Pada penelitian kali ini, beberapa metode data mining digunakan untuk proses pencarian informasi dari data USMI (Undangan Seleksi Masuk IPB) program mayor minor angkatan 42 dan 43 (tahun masuk 2005 dan 2006). Mahasiswa IPB angkatan 42 dan 43 adalah mahasiswa yang mengikuti sistem dimana ketika diterima di IPB, mahasiswa yang bersangkutan belum memilih departemen. Mahasiswa baru memilih departemen setelah lulus dari TPB dengan nilai IPK minimum 2.00. Data USMI dalam penelitian ini terdiri dari 3281 record data mahasiswa dengan 28 peubah.

Tujuan

Penelitian ini bertujuan untuk :

1. Memberikan informasi berharga yang dapat dijadikan masukan IPB dalam meningkatkan kualitas mahasiswa USMI

2. Mengeksplorasi data USMI program mayor minor angkatan 42 dan 43. 3. Melihat hubungan antara latar belakang

mahasiswa dengan nilai akademik selama di TPB.

4. Mengetahui hubungan antara nilai akademik mata kuliah di TPB dan prestasinya setelah masuk departemen.

TINJAUAN PUSTAKA

Program Kurikulum Mayor Minor

Pengertian kurikulum mayor minor adalah kurikulum berbasis kompetensi dimana setiap mahasiswa mengikuti pendidikan dalam salah satu mayor sebagai bidang keahlian (kompetensi) utama dan dapat mengikuti pendidikan dalam salah satu bidang minor sebagai bidang keahlian (kompetensi) pelengkap. Dasar penerimaan mahasiswa pada program mayor pilihannya adalah :

1. Prestasi akademik yang memenuhi persyaratan yang telah ditetapkan IPB. 2. Kemampuan memenuhi syarat khusus

yang ditentukan oleh mayor yang menjadi pilihan mahasiswa tersebut.

3. Daya tampung mayor yang

bersangkutan.

(Panduan Program Sarjana 2006).

Indeks Prestasi (IP)

Penilaian keberhasilan studi semester dilakukan pada tiap akhir semester. Penilaian ini meliputi semua mata kuliah yang direncanakan oleh mahasiswa dalam KRS. Rumus perhitungan Indeks Prestasi (IP) adalah sebagai berikut :





 



n i

i n i

i i

k k N IP

1 1

dengan IP = Indeks Prestasi n = banyaknya mata kuliah Ni = Nilai mutu mata kuliah i ki = bobot sks mata kuliah i (Panduan Program Sarjana 2004)

Hubungan Data Mining dan Knowledge

Data Discovery (KDD)

digunakan dalam data mining adalah analisis klasifikasi (Classification), analisis regresi (Regression), analisis gerombol (Clustering), analisis deskriptif (Summarization), pemodelan kebergantungan (Dependency Modeling), dan pendeteksian perubahan dan deviasi (Change and Deviation Detection).

Pada aplikasinya data mining adalah bagian dari knowledge data discovery (KDD), namun istilah data mining biasanya lebih dikenal para pelaku bisnis. Sebagai komponen dalam KDD, data mining terutama berkaitan dengan ekstraksi dan penghitungan pola-pola dari data yang ditelaah. Secara garis besar, langkah-langkah utama dalam proses KDD adalah:

1. Pemahaman terhadap domain dari aplikasi dan relevansinya terhadap pengetahuan yang ada.

2. Pemilihan himpunan data target atau memfokuskan pada subset variabel atau sampel data dimana penemuan (discovery) akan dilakukan.

3. Pemrosesan pendahuluan (data preparation) dan pembersihan data (data cleaning), operasi dasar seperti penghapusan noise dilakukan.

4. Proyeksi dan pengurangan data (data reduction), pencarian fitur-fitur yang berguna untuk mempresentasikan data bergantung kepada tujuan yang ingin dicapai.

5. Pemilihan tugas data mining dari proses KDD misalnya klasifikasi, regresi, pengelompokkan, dll.

6. Proses data mining, yaitu pencarian pola-pola dari data.

7. Penterjemahan pola-pola yang dihasilkan dari data mining.

(Moertini 2002)

Beberapa teknik statistika yang digunakan dalam penelitian ini antara lain : analisis korelasi Pearson, uji kebebasan chi-square, analisis korespondensi, analisis gerombol, dan analisis korelasi kanonik.

Analisis Korespondensi

Analisis korespondensi merupakan analisis yang menyajikan prosedur grafik untuk merepresentasikan hubungan dari tabel kontingensi atau tabel frekuensi. (Johnson dan Wichern 1982).

Analisis korespondensi diterapkan untuk melihat kedekatan profil dalam suatu peubah kategorik. Plot baris yang berdekatan menunjukkan kategori baris yang memiliki profil yang sama dan plot kolom yang berdekatan menunjukkan kategori kolom yang

memiliki profil yang sama. Matriks korespondensi didefinisikan sebagai berikut :

axb

P

=

 



,













n

x

P

_ij ij i= 1,2,...,I; j=1,2,...,J

dimana :

axb

P

= matriks P berukuran a x b

ij

P

= elemen matriks P baris ke-i kolom ke-j

ij

x

= frekuensi sel tabel kontingensi baris ke-i kolom ke-j

n

= total frekuensi pada tabel kontingensi Vektor yang unsur-unsurnya merupakan jumlah unsur dari vektor-vektor baris matriks Padalah r = P1;ri> 0, i = 1, 2, .., I

sedangkan vektor yang unsur-unsurnya merupakan jumlah unsur dari vektor-vektor kolom matriks P adalah c = P’1;ci> 0, i = 1,

2, .., J. Matriks profil baris didefinisikan sebagai R = Dr-1 P dan matriks profil kolom didefinisikan sebagai C = Dc-1 P’. Untuk mereduksi dimensi data berdasarkan keragaman data (inersia) dengan mempertahankan informasi optimum, diperlukan Penguraian Nilai Singular (PNS). Pada PNS didapat bahwa :

P-rc’ = ADμB’

dengan syarat A’ Dr-1A = B’ Dc -1

B = I

dimana : A =Dr

1/2

U dan B = Dc 1/2

V

U = Matriks yang elemennya adalah vektor eigen dari matriks TT’

V = Matriks yang elemennya adalah vektor eigen dari matriks T’T

Dμ= Matriks diagonal μ dengan μ2 nilai eigen tak nol

Dr = diag (r) dan Dc = diag (c)





1/2 2

/ 1

'









D

r

P

rc

D

c

T

Maka profil baris matriks R yang posisi relatifnya sama dengan profil baris matriks

R – 1c’ diberikan oleh F = Dr-1ADμ. Sedangkan profil kolom matriks C yang posisi relatifnya sama dengan profil kolom matriks C – 1r’ diberikan oleh G = Dc-1BDμ.

Analisis Gerombol

Proses yang digunakan pada analisis gerombol pertama kali adalah mengukur kesamaan (similarity) antar peubah melalui korelasi dan jarak antar objek. Jika peubah tidak memiliki korelasi yang tinggi, maka digunakan jarak Euclid, yang didefinisikan Johnson dan Wichern (1982) sebagai berikut :





2 1 1 2        



 p k jk ik

ij x x

d

dimana :

ij

d

= jarak antar objek ke-i dan objek ke-j

ik

x

= nilai objek ke-i pada peubah ke-k

jk

x

= nilai objek ke-j pada peubah ke-k p = banyaknya peubah yang diamati

Secara umum terdapat dua metode penggerombolan, yaitu metode berhirarki dan metode tak berhirarki. Metode berhirarki dimulai dengan mengelompokkan dua atau lebih objek yang mempunyai kesamaan paling dekat, kemudian proses berlanjut ke objek berikutnya yang memiliki kedekatan kedua. Demikian seterusnya hingga gerombol terlihat membentuk hirarki (tingkatan) yang jelas antar objek. Dendogram biasanya digunakan untuk membantu memperjelas hirarki tersebut. Ada beberapa metode untuk proses penggerombolan secara hirarki, yaitu Single Linkage, Complete Linkage, Average Linkage, Ward’s Method, dan Centroid Method. Sedangkan pada metode tak berhirarki proses dimulai dengan menentukan terlebih dahulu jumlah k, dimana k adalah banyaknya gerombol yang dibentuk. Metode ini biasa disebut dengan K-Means Cluster.

Analisis Korelasi Kanonik

Analisis korelasi kanonik digunakan untuk mengukur tingkat keeratan hubungan antara dua gugus peubah. Pemikiran dasar tentang korelasi kanonik adalah menggunakan kombinasi linear dari dua gugus peubah. Kombinasi linear yang dibentuk oleh X1, X2,..., Xm dan Y1, Y2,...,Yp masing-masing dinyatakan sebagai berikut :

X* = a1X1+ a2X2+ ... + am Xm

Y* = b1Y1 + b2Y2 + ... + bp Yp

Dalam bentuk vektor kombinasi linear peubah X dan peubah Y dituliskan Johnson dan Wichern (1982) sebagai berikut :

U = a'X

V = b'Y

Pasangan U dan V disebut peubah kanonik. Jika q minimum di antara m dan p, ditulis q = min (m,p), yang berarti sebanyak q

buah pasangan kombinasi linear yang dibentuk oleh peubah penduga dan peubah respon. Kombinasi linear Uq dan Vq digunakan untuk mencari korelasi kanonik, yakni dengan menentukan pasangan kombinasi linear yang memiliki sifat U1 dan V1 terbesar korelasinya, korelasi U2 dan V2 terbesar kedua dan tidak berkorelasi dengan pasangan kanonik pertama, korelasi U3 dan V3 terbesar ketiga dan tidak berkorelasi dengan pasangan kanonik pertama dan kedua, Demikian seterusnya untuk semua pasangan yang mungkin yang banyaknya adalah q = min (m, p).

Korelasi antara U dan V yang dinyatakan sebagai fungsi a' dan b'

dirumuskan sebagai berikut :











 b b a a b a V U Corr YY XX XY ' ' ' , dimana :

a

= vektor koefisien pembobot peubah kanonik X

'

a

= transpose vektor koefisien pembobot peubah kanonik X

b

= vektor koefisien pembobot peubah kanonik Y

'

b

= transpose vektor koefisien pembobot peubah kanonik Y



XY= matriks koragam gugus peubah X

dan gugus peubah Y



XX = matriks ragam dari peubah X



YY= matriks ragam dari peubah Y

Dengan menggunakan ketaksamaan

Cauchy Schwarz diperoleh

2 2 2 2

1  ... p

   yang merupakan akar ciri (eigenvalues) dari matriks











1/2 1 1/2 XX YX YY XY

XX yang

berpadanan dengan vektor ciri e1, e2, ..., ep,

selain itu 2 2

2 2

1  ... p

   juga merupakan

akar ciri dari matriks











1/2 1 1/2

YY XY XX YX

YY yang

berpadanan dengan vektor f1, f2, ..., fp. Vektor

a

'dan

b

'diperoleh dari persamaan berikut :





1/2 XX i i e

a





1/2 YY i i f

b

Akar positif dari eigen value



i 2

BAHAN DAN METODE

Bahan

Data yang digunakan dalam penelitian ini adalah data mahasiswa USMI angkatan 42 dan 43 sebanyak 3281 data mahasiswa dengan 28 peubah, yaitu 4 peubah nilai rapor SMU, 6 peubah latar belakang mahasiswa, 14 peubah nilai mata kuliah TPB, dan 4 peubah nilai Indeks Prestasi. Data nilai akademik mahasiswa yang tidak lengkap tidak diikutsertakan dalam penelitian ini. Berikut adalah peubah-peubah yang diamati dalam penelitian ini.

a. Nilai rapor SMU terdiri dari : 1. Matematika

2. Fisika 3. Kimia 4. Biologi

b. Latar belakang mahasiswa terdiri dari : 1. Jenis Kelamin

2. Pendidikan Ayah 3. Pekerjaan Ayah 4. Daya Listrik 5. Penghasilan Ayah 6. Asal Daerah

c. Nilai mata kuliah TPB terdiri dari : 1. Agama

2. Biologi

3. Ekonomi Umum 4. Fisika

5. Bahasa Indonesia 6. Bahasa Inggris 7. Kalkulus 8. Kimia

9. Kewirausahaan 10. Matematika 11. Olahraga & Seni 12. PIP

13. PKN

14. Sosiologi Umum

d. Nilai Indeks Prestasi mahasiswa terdiri dari : 1. IPK TPB

2. IP Semester 3 3. IP Semester 4 4. IP Semester 5

Metode

Langkah-langkah yang akan dilakukan dalam penelitian ini adalah sebagai berikut :

1. Melakukan eksplorasi data berupa persiapan data (data preparation) dan pengurangan data (data reduction). 2. Melakukan uji korelasi terhadap nilai

rapor SMU dan IPK TPB.

3. Melakukan analisis chi-square kemudian analisis korespondensi untuk melihat hubungan antara latar

belakang mahasiswa dengan prestasi akademik saat TPB . 4. Melakukan analisis gerombol untuk

mengelompokkan asal daerah mahasiswa berdasarkan nilai indeks prestasi TPB.

5. Melakukan analisis korelasi kanonik untuk melihat keterkaitan antara nilai akademik mata kuliah di TPB dengan prestasi mahasiswa setelah masuk departemen dilihat dari Indeks Prestasinya.

6. Interpretasi dan kesimpulan hasil analisis.

Software yang digunakan dalam penelitian ini adalah MS. Excel 2003, SPSS 13.0, Minitab 14 dan SAS 9.1.

HASIL DAN PEMBAHASAN

Deskripsi Mahasiswa Berdasarkan Latar

Belakang

Jumlah data yang digunakan dalam penelitian ini adalah sebanyak 3281 data mahasiswa USMI dengan rincian data mahasiswa angkatan 42 sebanyak 1532 record dan data mahasiswa angkatan 43 sebanyak 1749 record. Data persentase dari peubah latar belakang mahasiswa yang digunakan untuk menjelaskan karakteristik mahasiswa disajikan pada Tabel 1 di bawah ini :

Tabel 1 Persentase data latar belakang mahasiswa angkatan 42 & 43

No Peubah Angkt.

42

Angk. 43

1 Jenis Kelamin

Laki-Laki 41.7 39.9

Perempuan 58.3 60.1

2 Pendidikan Ayah

SD kebawah 11.2 9.9

SLTP 7.5 7.3

SLTA 37.2 36.1

Diploma 13.2 12.8

Sarjana (S1/S2/S3) 29.3 32.8

Tidak Mengisi 1.7 1.1

3 Pekerjaan Ayah

Pegawai Negeri 35.3 35.1

TNI/POLRI 2.8 2.5

Pensiunan Pegawai

Negeri 2.1 3.8

Wiraswasta 0.7 19.7

Purnawirawan 12.7 1.1

No Peubah Angkt. 42

Angk. 43

Pekerjaan Ayah

Profesional 0.5 0.9

Karyawan Swasta 21.7 12.5

Rohaniawan 0.4 0.3

Petani/Nelayan 4.5 4.5

Buruh 0.1 3.9

BUMN 3.3 5.7

Lainnya 4.1 3.7

Tidak Mengisi 6.3 6.2

4 Daya Listrik

< 450 Watt 29.8 26.0

450 Watt 45.8 46.0

900 Watt 15.7 18.2

1300 Watt 5.3 6.6

2200 Watt 0.9 1.1

> 2200 Watt 1.8 2.1

Tidak Mengisi 0.6 0.1

5 Penghasilan Ayah

< 500.000 7.3 7.1

500.001 - 1.000.000 15.9 14.3

1.000.001 – 2.500.000 51.2 45.3

2.500.001 – 5.000.000 19.5 26.5

> 5.000.000 4.8 6.7

Tidak Mengisi 1.2 0.1

Pada data mahasiswa angkatan 42 yang memulai sistem mayor minor, terjadi penurunan pada jumlah mahasiswa dibandingkan mahasiswa phasing out yang berjumlah lebih dari 1700 mahasiswa. Berdasarkan Tabel 1 untuk angkatan 42, dari 1532 mahasiswa, mayoritas memiliki latar belakang pendidikan orang tua SLTA yaitu sebesar 570 (37.2%), diikuti pendidikan sarjana (S1/S2/S3) sebanyak 448 (29.3%), sedangkan latar belakang pekerjaan orang tua yang terbesar adalah pegawai negeri yaitu sebanyak 541 (35.3%) diikuti karyawan swasta sebanyak 333 (21.7%) dan purnawirawan sebanyak 194 (12.7%). Mahasiswa yang mengisi memiliki daya listrik sebesar 450 Watt tercatat sebanyak 701 (45.8%) dan sebanyak 785 (51.2%) mengisi penghasilan orang tua antara Rp. 1.000.001 - 2.500.000,-. Sedangkan mahasiswa angkatan 43 tercatat 1749 jumlah mahasiswa, sebanyak 632 (36.1%) memiliki latar pendidikan orang tua SLTA diikuti pendidikan sarjana (S1/S2/S3) sebanyak 574 (32.8%). Latar belakang pekerjaan orang tua terbesar adalah pegawai negeri yaitu sebanyak 614 (35.1%), diikuti wiraswasta

sebanyak 344 (19.7%) dan karyawan swasta sebanyak 219 (12.5%). Mahasiswa yang mengisi memiliki daya listrik sebesar 450 Watt tercatat sebanyak 804 (46%) dan sebanyak 793 (45.3%) mengisi penghasilan orang tua antara Rp. 1.000.001 - 2.500.000,-. Pada kedua angkatan dapat dilihat bahwa persentase mahasiswa perempuan lebih tinggi dibandingkan mahasiswa laki-laki. Pada angkatan 42 dan 43 secara berturut-turut jumlah mahasiswa perempuan adalah sebanyak 893 (58.3%) dan 1052 (60.1%).

Tabel 2 Persentase data asal daerah mahasiswa angkatan 42 & 43 Asal Daerah Angkt. 42 Angkt. 43

NAD 0.7 1.0

Sumatera Utara 4.9 5.5

Sumatera Barat 4.4 3.1

Riau 0.7 0.5

Jambi 1.3 1.2

Sumatera Selatan 1.4 1.1

Bengkulu 1.0 0.9

Lampung 2.0 2.2

Bangka 0.0 0.3

Banten 0.0 5.3

DKI Jakarta 12.8 13.7

Jawa Barat 46.0 40.0

Jawa Tengah 14.5 13.7

DIY 0.4 0.3

Jawa Timur 6.8 7.1

Bali 0.2 0.4

NTB 0.6 0.7

NTT 0.1 0.3

Kalimantan 0.4 0.6

Sulawesi 1.1 1.3

Papua 0.4 0.3

Luar Negeri 0.3 0.2

Hubungan Nilai Raport SMU dan Indeks Prestasi Kumulatif TPB

Hubungan antara rata-rata nilai rapor SMU (semester 1 sampai dengan 5) dan IPK TPB mahasiswa dapat diketahui melalui uji korelasi Pearson. Tabel korelasi rata-rata antara nilai rapor SMU dan IPK TPB disajikan pada Tabel 3 berikut.

Tabel 3 Korelasi Pearson antara nilai rapor SMU dengan IPK TPB

IPK TPB Rapor SMU

Angkatan 42 Angkatan 43

Matematika 0.2136 0.1588

Fisika 0.136 0.1204

Kimia 0.219 0.1958

Biologi 0.1372 0.1524

Dari hasil korelasi Pearson per angkatan yang dilakukan antara nilai rapor SMU yaitu nilai Matematika, Fisika, Biologi, dan Kimia dengan nilai IPK TPB didapatkan koefisien korelasi yang sangat kecil, hanya berkisar 0.1 hingga 0.2 dengan nilai probabilitas lebih kecil dari α = 5%. Korelasi yang kecil bisa disebabkan karena nilai SMU mahasiswa USMI kurang beragam atau cenderung homogen disekitar nilai antara 70 hingga 80. Hal ini dapat pula dilihat pada gambar boxplot nilai rapor SMU (semester 1 sampai dengan 5) untuk mata pelajaran Matematika, Fisika, Kimia, dan Biologi per angkatan pada Lampiran 1.

Hubungan IPK TPB dan Latar Belakang Mahasiswa

Pada penelitian ini, Indeks Prestasi

Kumulatif (IPK) TPB mahasiswa

diklasifikasikan secara subjektif menjadi lima kategori, yaitu : IPK< 2.00, 2.00≤IPK<2.50, 2.50≤IPK<3.00, 3.00≤IPK<3.50, dan IPK ≥ 3.50. Jika ditinjau dari latar belakang mahasiswa, terdapat dua peubah yang sama di setiap angkatan yang memiliki keterkaitan dengan IPK TPB seorang mahasiswa, peubah tersebut adalah asal daerah dan penghasilan ayah. Hal ini dapat dilihat pada Lampiran 2. Berdasarkan uji kebebasan chi-square yang dilakukan, nilai probabilitas untuk kedua peubah tadi lebih kecil dari taraf α= 5% pada tiap angkatan. Sehingga hal ini dapat diartikan bahwa IPK TPB seorang mahasiswa terkait dengan asal daerah mahasiswa tersebut dan penghasilan orang tua, dalam hal ini ayah.

Untuk mengetahui letak dominasinya maka dilakukan analisis korespondensi sebagai tampilan visualnya. Analisis korespondensi berdasarkan penghasilan orang tua dapat dilihat

pada Lampiran 3 dan tampilan plotnya pada Lampiran 5 untuk angkatan 42 dan Lampiran 6 untuk angkatan 43. Dari plot korespondensi angkatan 42 dan 43, terlihat dominasi profil kolom (klasifikasi IPK) dengan profil baris (penghasilan orang tua). Pada Lampiran 5 untuk plot angkatan 42 terlihat bahwa mahasiswa dengan penghasilan orang tua < Rp.500.000 dan

Rp.500.001-1.000.000 terlihat mendominasi

mahasiswa dengan IPK ≥ 3.50, sedangkan mahasiswa dengan 2.00 ≤IPK< 2.50 didominasi oleh mahasiswa dengan penghasilan orang tua antara Rp.

2.500.001-5.000.000 dan > Rp. 5.000.000, sedangkan

pada Lampiran 6 untuk plot angkatan 43 juga terlihat bahwa mahasiswa yang memiliki IPK ≥ 3.50 didominasi oleh mahasiswa dengan penghasilan orang tua <

Rp.500.000 dan 3.00 ≤IPK< 3.50 banyak

diperoleh mahasiswa dengan penghasilan orang tua Rp.500.001-1.000.000 sedangkan mahasiswa dengan 2.00 ≤IPK< 2.50 didominasi oleh mahasiswa dengan penghasilan orang tua Rp.

2.500.001-5.000.000. Dari hasil yang didapatkan dapat

disimpulkan bahwa pada mahasiswa angkatan 42 dan 43, mahasiswa yang memiliki IPK TPB ≥ 3.00 cenderung diperoleh mahasiswa dengan latar belakang gaji orang tua < Rp.1.000.000.

Peubah asal daerah terkait dengan prestasi di TPB bisa disebabkan kualitas pendidikan SMU di daerah asal mahasiswa tersebut. Secara visual dominasi profil kolom (klasifikasi IPK) dengan profil baris (asal daerah) dapat dilihat pada Lampiran 7 untuk angkatan 42 dan Lampiran 8 untuk angkatan 43. Daerah asal mahasiswa di kedua angkatan yang cenderung dekat dengan kategori IPK ≥ 3.00 adalah Lampung, Bangka, Kalimantan, Bali, Riau, Sumatera Selatan, Jawa Timur, Jawa Tengah, DKI Jakarta, DIY, dan Jambi, sedangkan daerah asal mahasiswa di kedua angkatan yang dekat dengan kategori IPK < 3.00 adalah Sumatera Barat, Sumatera Utara Jawa Barat, NTB, NTT, Papua, dan Luar Negeri.

Pengelompokkan Asal Daerah Mahasiswa Menurut IPK TPB

digunakan untuk menggerombolkan asal daerah berdasarkan karakteristik nilai IPK TPB adalah persentase sebaran klasifikasi IPK TPB, yaitu 2.00≤IPK<2.50, 2.50 ≤IPK<3.00, 3.00≤IPK<3.50, dan IPK≥3.50. Tabulasi silang antara asal daerah dan IPK TPB dapat dilihat pada Lampiran 9 untuk angkatan 42 dan Lampiran 10 untuk angkatan 43, sedangkan dendogram hasil pengelompokan dapat dilihat pada Gambar 1 untuk angkatan 42 dan Gambar 2 untuk angkatan 43.

Berdasarkan analisis yang dilakukan, asal daerah mahasiswa dibagi menjadi 4 gerombol. Penentuan gerombol ini bersifat subjektif. Pengelompokkan asal daerah pada masing-masing angkatan dapat dilihat pada Tabel 4 untuk angkatan 42 dan Tabel 5 untuk angkatan 43.

Tabel 4 Pengelompokan asal daerah pada angkatan 42

Gerombol Asal Daerah Mahasiswa

1 NAD, Sumatera Utara,

Sumatera Barat, Riau, Jambi, Sumatera Selatan, Bengkulu, Lampung, DKI Jakarta, Jawa Barat, Jawa Tengah, DIY, Jawa Timur, NTB, Kalimantan, dan Luar Negeri

2 Bali

3 NTT

4 Sulawesi dan Papua

Tabel 5 Pengelompokan asal daerah pada angkatan 43

Gerombol Asal Daerah Mahasiswa

1 NAD, Sumatera Utara,

Bengkulu, NTB, Sulawesi, Papua, dan Luar Negeri

2 Sumatera Barat, Riau, Jambi, Sumatera Selatan, Lampung, Banten, DKI Jakarta, Jawa Barat, Jawa Tengah, DIY, Jawa Timur, dan NTT

3 Bangka dan Kalimantan

4 Bali

Pada Tabel 4 dapat dilihat bahwa sebanyak 80% asal daerah mahasiswa angkatan 42 yang masuk gerombol 1, yaitu berjumlah 16. Gerombol 1 ini adalah kelompok daerah yang mahasiswanya banyak memperoleh IPK TPB pada klasifikasi 2.50≤IPK<3.00 dan 3.00≤IPK<3.50, pada gerombol 2 yang hanya terdiri dari Bali, dapat dilihat juga pada tabulasi Lampiran 11 bahwa mahasiswa asal Bali

nilainya menyebar pada klasifikasi 2.50≤IPK<3.00 dan IPK ≥ 3.50, pada gerombol 3 yang juga hanya terdiri dari satu anggota, yaitu NTT adalah gerombol yang dicirikan oleh sangat rendahnya prestasi yang diperoleh mahasiswanya, dimana 100% ada di klasifikasi terendah, yaitu 2.00≤IPK<2.50, sedangkan gerombol 4 yang terdiri dari Sulawesi dan Papua adalah kelompok daerah yang mahasiswanya banyak memperoleh IPK TPB pada 2 klasifikasi pertama yaitu 2.00≤IPK<2.50 dan 2.50≤IPK<3.00.

Pada Tabel 5 untuk angkatan 43 terlihat dua gerombol pertama yang anggotanya lebih banyak dari gerombol lainnya. Pada gerombol 1 yang berjumlah 7 anggota adalah kelompok daerah yang mahasiswanya banyak memperoleh nilai IPK TPB pada klasifikasi 2.00≤IPK<2.50 dan 2.50≤IPK<3.00, pada gerombol 2 yang berjumlah 12 anggota adalah kelompok daerah yang mahasiswanya banyak memperoleh nilai IPK TPB pada klasifikasi 2.50≤IPK<3.00 dan 3.00≤IPK<3.50, pada gerombol 3 yang terdiri dari Bangka dan Kalimantan adalah kelompok daerah yang dicirikan oleh tingginya prestasi yang diperoleh mahasiswanya, yaitu tersebar pada klasifikasi IPK ≥ 3.50, sedangkan gerombol 4 yang hanya terdiri dari Bali, nilai mahasiswanya menyebar pada klasifikasi 2.50≤IPK<3.00 dan IPK≥ 3.50.

Gambar 1 Dendrogram analisis gerombol asal daerah pada angkatan 42

Dendrogram using Average Linkage (Between Groups)

Rescaled Distance Cluster Combine

C A S E 0 5 10 15 20 25 Label Num +---+---+---+---+---+

NAD 1 

DIY 12 

Bengkulu 7  

Riau 4 

Jatim 13  

Sumut 2   

NTB 15   

DKI Jaka 9   

Jabar 10   

Sumbar 3   

Sumsel 6   

Jateng 11   

Jambi 5    

Lampung 8   

Kalimant 17   

Luar Neg 20   

Bali 14  

Sulawesi 18  

Papua 19  

Gambar 2 Dendrogram analisis gerombol asal daerah pada angkatan 43

Dendrogram using Average Linkage (Between Groups)

Rescaled Distance Cluster Combine

C A S E 0 5 10 15 20 25 Label Num +---+---+---+---+---+

JAMBI 5 

JATIM 15 

SUMSEL 6  

LAMPUNG 8  

JATENG 13  

SUMBAR 3   

NTT 18   

BANTEN 10  

DKI JAKA 11    

JABAR 12   

RIAU 4   

DIY 14   

BANGKA 9  

KALIMANT 19  

BENGKULU 7   

NTB 17    

SUMUT 2     

SULAWESI 20    

NAD 1   

PAPUA 21  

LUAR NEG 22  

Pola Pergerakan Rataan Indeks Prestasi (IP) per Departemen

Pola pergerakan Indeks Prestasi (IP) per departemen dapat dilihat pada Lampiran 11 untuk angkatan 42 dan Lampiran 12 untuk angkatan 43. Dari gambar radar, dapat dilihat bahwa untuk nilai IPK TPB, Departemen Teknologi Pangan memiliki rataan paling tinggi pada kedua angkatan kemudian diikuti Departemen Statistika dan Departemen Teknologi Industri Pertanian pada angkatan 42, sedangkan pada angkatan 43 urutan ketiga IPK tertinggi diperoleh Departemen Ilmu Gizi. Pada angkatan 42 Departemen Silvikultur memiliki rataan IPK TPB paling rendah sedangkan pada angkatan 43 IPK TPB terendah diperoleh Departemen Proteksi Tanaman dan Departemen Teknologi Hasil Hutan. Secara umum hampir seluruh departemen memiliki trend menurun pada rataan nilai Indeks Prestasi (IP) semester 3, hal ini bisa disebabkan proses penyesuaian dari mata kuliah di TPB menuju ke mata kuliah di departemen.

Departemen yang terlihat cenderung memiliki pergerakan rataan Indeks Prestasi (IP) konstan adalah Departemen Agronomi dan Hortikultura, Biologi, Agribisnis, dan Ilmu Gizi. Sedangkan pada Fakultas Ekonomi dan Manajemen yaitu Departemen Manajemen, Departemen Ekonomi Sumberdaya dan Lingkungan, Departemen Ekonomi dan Studi Pembangunan serta pada Fakultas Ekologi Manusia yaitu Departemen Ilmu Keluarga dan Konsumen dan Departemen Komunikasi dan Pengembangan Masyarakat terlihat bahwa rataan IPK TPB menuju ke IP Semester berikutnya mengalami peningkatan baik pada angkatan 42 maupun angkatan 43.

Pola Sebaran Nilai Akhir Mata Kuliah TPB per Departemen

Sebaran persentase nilai akhir mata kuliah TPB mahasiswa angkatan 42 dan 43 menurut huruf mutu dapat dilihat pada Lampiran 14 dan Lampiran 15. Dari lampiran dapat terlihat bahwa prestasi yang diperoleh angkatan 42 dan 43 tidak terlalu berbeda. Pada departemen Teknologi Pangan dan Statistika terlihat bahwa untuk mata kuliah Kalkulus dan Matematika, mahasiswa yang mendapat huruf mutu A selalu lebih tinggi persentasenya dibandingkan persentase untuk huruf mutu lainnya, bahkan pada mahasiswa statistika angkatan 42, sebesar 100% mendapat huruf mutu A pada mata kuliah Kalkulus. Sedangkan nilai mutu B untuk mata kuliah Kalkulus dan Matematika banyak diperoleh mahasiswa dari Departemen

Teknologi Hasil Perairan, Ilmu dan Teknologi Kelautan, dan Teknologi Hasil Hutan. Nilai C masih banyak diperoleh mahasiswa dari Fakultas Pertanian. Sedangkan ketidaklulusan pada mata kuliah Kalkulus ini masih besar pada Departemen Teknologi dan Manajemen Perikanan Tangkap, Ilmu dan Teknologi Kelautan, departemen-departemen pada Fakultas Peternakan, Konservasi SD Hutan dan Ekowisata, dan Departemen Komunikasi dan Pengembangan Masyarakat, dimana sekitar > 30% mahasiswa pada departemen tersebut yang memperoleh nilai D dan E.

Mahasiswa Departemen Agronomi dan Hortikultura dan Arsitektur Lanskap pada angkatan 43 cukup banyak yang memperoleh huruf mutu B pada mata kuliah Kalkulus dan Matematika. Sedangkan kegagalan banyak diperoleh mahasiswa pada Departemen Proteksi Tanaman, Manajemen Sumberdaya Lahan, Fakultas Peternakan, Manajemen Hutan, Silvikultur, Meteorologi Terapan, Biologi, dan Departemen Ilmu Keluarga dan Konsumen, dimana sekitar > 40% mahasiswa pada departemen tersebut memperoleh nilai D dan E.

tersebar di huruf mutu C bahkan tidak sedikit persentase yang mendapat D atau E.

Analisis Korelasi Kanonik Antara Mata Kuliah TPB dan Prestasi di Departemen

Analisis korelasi kanonik antara peubah mata kuliah di TPB ditambah dengan IPK TPB (X) dan peubah Indeks Prestasi (IP) setelah di departemen (Y) hanya dilakukan pada angkatan 42. Pada analisis korelasi secara keseluruhan didapatkan korelasi (



i) antara U1 dan V1 adalah sebesar 0.631 dan



i2 sebesar 39.8%, yang berarti 39.8% dari ragam dapat diterangkan oleh model, sedangkan ragam total yang dapat dijelaskan adalah sebesar 93.42%. Dari tiga peubah kanonik yang terbentuk, hanya peubah kanonik pertama yang nyata pada taraf α = 5%. Interpretasi dalam analisis korelasi kanonik dapat dilakukan terhadap koefisien kanonik maupun nilai loading kanonik. Koefisien kanonik

a

'dan

b

'dapat diinterpretasikan sebagai besarnya kontribusi peubah asal terhadap peubah kanonik. Semakin besar nilai koefisien, maka semakin besar kontribusi peubah yang bersangkutan terhadap peubah kanonik. Sedangkan loading kanonik dihitung dari korelasi antara peubah asal dengan masing-masing peubah kanonik. Semakin besar nilai loading mencerminkan semakin dekat hubungan peubah kanonik dengan peubah asal.

Analisis korelasi kanonik dimulai dengan menganalisis angkatan 42 secara keseluruhan. Dari nilai loading kanonik yang diperoleh, IPK TPB terlihat paling berpengaruh pada prestasi setelah di departemen, sedangkan urutan mata kuliah TPB yang paling berpengaruh secara keseluruhan adalah : Ekonomi Umum, Kimia, Biologi, PIP, Kalkulus, Bahasa Indonesia, Fisika, Matematika, Bahasa Inggris, Sosiologi Umum, PKN, Agama, Kewirausahaan, dan Olahraga dan Seni.

Setelah dilakukan analisis korelasi kanonik secara keseluruhan, maka untuk mengetahui mata kuliah TPB yang berpengaruh di tiap-tiap departemen, maka analisis korelasi kanonik juga dilakukan per departemen. Dari analisis korelasi kanonik yang dilakukan terhadap 34 departemen, terdapat 10 departemen memiliki korelasi yang tidak nyata pada taraf α = 5%, dan 3 departemen yang memiliki matriks korelasi yang tidak berpangkat penuh, yaitu Departemen Silvikultur, Departemen Statistika, dan Departemen Meteorologi Terapan. Pada Departemen Statistika, yang menyebabkan matriks tidak berpangkat penuh adalah karena adanya peubah nilai TPB yang 100% homogen,

yaitu pada mata kuliah Kalkulus, sehingga mata kuliah kalkulus dihilangkan dalam analisisnya, sedangkan pada Departemen Silvikultur dan Meteorologi Terapan matriks korelasi tidak berpangkat penuh dikarenakan jumlah unit pengamatannya lebih kecil dari peubah X dan Y. Pada masing-masing departemen hanya peubah kanonik pertama yang nyata. Hasil analisis korelasi kanonik disajikan pada Lampiran 16 sedangkan nilai loading kanonik antara peubah asal dengan peubah kanoniknya disajikan pada Lampiran 17 dan Lampiran 18. Dari nilai loading kanonik yang diperoleh, dapat dilihat mata kuliah TPB yang berpengaruh di setiap departemen. Nilai IPK TPB berpengaruh hampir di setiap departemen di IPB. Lima mata kuliah TPB yang berpengaruh di tiap-tiap departemen diringkas pada Tabel 6 berikut :

Tabel 6. Lima mata kuliah TPB yang berpengaruh di setiap departemen

Departemen Mata Kuliah

Agronomi & Hortikultura

Kalkulus, Biologi, Ekonomi Umum, Fisika, Sosiologi Umum

Proteksi Tanaman Ekonomi Umum, Biologi, Fisika,

Matematika, PKN Manajemen SD

Lahan*

Matematika, Biologi, Ekonomi Umum, Kimia, Kalkulus

Arsitektur Lanskap PIP, Biologi, Ekonomi Umum,

Kimia, Bahasa Inggris

Kedokteran Hewan Biologi, PIP, Ekonomi Umum,

Kimia, Fisika Tek & Manajemen

Perikanan Budidaya

PIP, Ekonomi Umum, Matematika, Biologi, Kalkulus

Manajemen SD Perairan*

PKN, Olahraga&Seni, Kimia, Agama, Biologi

Teknologi Hasil Perairan*

PIP, Biologi, Fisika, Bahasa Inggris, Sosiologi Umum Tek & Manajemen

Perikanan Tangkap*

Olahraga&Seni, Kalkulus, Biologi, PIP, PKN

Ilmu & Teknologi Kelautan

Fisika, Matematika, Biologi, Kimia, Kalkulus

Nutrisi & Teknologi Pakan

Ekonomi Umum, Biologi, Kalkulus, Kimia, PIP Teknologi

Produksi Ternak

Kalkulus, Bahasa Indonesia, Kimia, Biologi, Sosiologi Umum

Manajemen Hutan Kalkulus, Kimia, Matematika,

PKN, Ekonomi Umum Teknologi Hasil

Hutan*

Ekonomi Umum, Matematika, Biologi, Kimia, Bahasa Inggris Konservasi SD

Hutan & Ekowisata

Kalkulus, Kimia, Biologi, Ekonomi Umum, Bahasa Indonesia

Silvikultur

-Teknik Pertanian Biologi, Ekonomi Umum, PIP,

Kimia, Bahasa Inggris Teknologi Industri

Pertanian

Kimia, Biologi, Ekonomi Umum, Bahasa Inggris, Fisika

Teknologi Pangan Matematika, PKN, Bahasa

Departemen Mata Kuliah

Statistika

Kalkulus, Ekonomi Umum, PKN, Matematika, Agama, Bahasa Indonesia Meteorologi

Terapan

-Biologi Kimia, Biologi, Kalkulus, _{Ekonomi Umum, Matematika}

Kimia Ekonomi Umum, Kalkulus,

Fisika, Kimia, Biologi

Matematika Kimia, Biologi, Bahasa Inggris,

Fisika, Matematika

Ilmu komputer Ekonomi Umum, Kimia, Biologi, _{Fisika, Matematika}

Fisika* Ekonomi Umum, Kimia, Bahasa _{Indonesia, Biologi, Fisika}

Biokimia* Kalkulus, Fisika, Ekonomi

Umum, Kimia, Bahasa Inggris Ekonomi & Studi

Pembangunan

Fisika, Olahraga & seni, Kimia, Biologi, Matematika

Manajemen Kimia, Biologi, Kalkulus, Fisika,

Matematika

Agribisnis* Kimia, PIP, Agama,

Olahraga&Seni, Biologi Ekonomi SD &

Lingkungan*

Sosiologi Umum, PIP, Olahraga & Seni, Kimia, Kalkulus Ilmu Keluarga &

Konsumen

Kimia, Biologi, Ekonomi Umum, PIP, Bahasa Indonesia

Komunikasi & Pengembangan Masyarakat*

Biologi, PIP, Kimia, Fisika, Ekonomi Umum

Ilmu Gizi Ekonomi Umum, PKN, PIP, _{Kalkulus, Fisika}

* = Hasil Analisis Korelasi Kanonik tidak nyata pada taraf

α = 5%

Dari Tabel 6 diatas dapat dilihat bahwa mata kuliah Biologi sering muncul sebagai mata kuliah yang berpengaruh di banyak departemen di IPB, kemudian diikuti mata kuliah Kimia, Ekonomi Umum, Kalkulus, Fisika, dan Matematika yang frekuensi kemunculannya juga sering. Mata kuliah Bahasa Inggris dan Bahasa Indonesia juga terlihat berpengaruh pada departemen Arsitektur Lanskap, Teknik Pertanian, Teknologi Industri Pertanian, Teknologi Produksi Ternak, Matematika, dan Ilmu Keluarga & Konsumen. Sedangkan 10 departemen yang hasil analisis korelasi kanoniknya tidak nyata pada taraf α = 5%, bisa disimpulkan bahwa tidak ada hubungan yang signifikan antara nilai akademik TPB dengan Indeks Prestasinya setelah masuk departemen. Namun kesepuluh departemen tadi ditambah Departemen Silvikultur dan Departemen Meteorologi Terapan masih dapat dilihat pola-pola mata kuliah yang berpengaruh di sebaran persentase nilai mata kuliah TPB pada Lampiran 14. Jika masih tidak terlihat pola tertentu, maka departemen-departemen tersebut masih perlu meningkatkan lagi persyaratan khusus bagi mahasiswanya agar mahasiswa

tersebut dapat mengikuti kuliah dengan baik setelah di departemen.

Data yang Perlu Verifikasi

Pada penelitian ini dilakukan pula tabulasi silang beberapa peubah latar belakang mahasiswa untuk melihat hubungan antar peubah. Tabulasi silang tersebut disajikan pada Lampiran 19 hingga Lampiran 28. Dari hasil tabulasi silang yang dilakukan, terlihat adanya outlier, yang dalam kasus ini adalah data yang tidak biasanya. Data tersebut antara lain terdapat pada hubungan antara penghasilan ayah dan daya listrik yang digunakan. Pada Tabel 21 untuk angkatan 42 terlihat bahwa sebanyak 57.5% mahasiswa dengan penghasilan orang tua Rp. 1.000.001-2.500.000 menggunakan daya listrik sebesar 450 Watt, kemudian sebanyak 48.6% menggunakan daya listrik sebesar < 450 Watt, dan sebanyak 19.5% mahasiswa dengan penghasilan ayah sebesar Rp.2.500.001-5.000.000 juga masih menggunakan daya listrik sebesar 450 Watt. Dari data ini, terlihat adanya kejanggalan, mengingat di saat ini sudah jarang masyarakat yang menggunakan daya listrik sebesar 450 Watt atau kurang.

Verifikasi juga perlu dilakukan pada data penghasilan ayah. Pada penelitian ini banyak ditemukan adanya kesalahan pengkodingan data penghasilan ayah dengan nilai aslinya yang bisa berakibat adanya kesalahan informasi.

KESIMPULAN DAN SARAN

Kesimpulan

Pada penelitian kali ini ada beberapa hal yang dapat dijadikan kesimpulan, yaitu dari latar belakang mahasiswa USMI angkatan 42 dan 43 terlihat bahwa asal daerah terbanyak adalah dari Jawa Barat, pendidikan ayah didominasi oleh pendidikan SLTA dan sarjana, pekerjaan ayah pegawai negeri, wiraswasta, dan karyawan swasta. Sedangkan daya listrik sebesar 450 Watt adalah pilihan terbanyak, dan dari kedua angkatan didominasi latar belakang penghasilan ayah sebesar Rp. 1.000.001

-2.500.000,-. Kesimpulan lainnya adalah bahwa

mahasiswa adalah penghasilan ayah dan asal daerah. Hal menarik yang dapat dilihat dari penelitian ini adalah bahwa ternyata mahasiswa dengan IPK TPB ≥ 3.00 lebih banyak didominasi oleh mahasiswa dengan latar belakang penghasilan ayah < Rp. 1.000.000, sedangkan mahasiswa dengan 2.00≤IPK<2.50 lebih banyak didapatkan oleh mahasiswa dengan latar belakang penghasilan orang tua > Rp. 2.500.000, sehingga dapat dikatakan bahwa ternyata penghasilan orang tua yang diharapkan dapat menunjang pendidikan tidak selalu menjamin keberhasilan prestasi. Dalam hal ini besar kemungkinan terdapat faktor-faktor dari dalam diri mahasiswa tersebut seperti ketekunan, kemauan belajar, dan kemandirian. Dari analisis gerombol dapat terlihat bahwa untuk kedua angkatan, mahasiswa USMI yang memiliki IPK TPB < 3.00 banyak diperoleh mahasiswa yang berasal dari Indonesia bagian timur dan Luar Negeri.

Dari hasil analisis korelasi kanonik yang dilakukan dapat dilihat mata kuliah TPB yang berpengaruh terhadap prestasinya setelah di departemen. Urutan mata kuliah TPB yang frekuensi kemunculannya sering dari 34 departemen yang dianalisis adalah Biologi, Kimia, Ekonomi Umum, Kalkulus, Fisika, dan Matematika. Secara keseluruhan, keempat belas mata kuliah TPB berpengaruh pada tiap-tiap departemen, hanya bobot pengaruhnya yang berbeda di setiap departemen. Namun analisis korelasi ini masih mempunyai kekurangan pada saat menganalisis peubah yang nilainya relatif homogen sehingga menghasilkan nilai korelasi yang rendah, sehingga hasil yang diberikan pun tidak sesuai harapan.

Saran.

IPB dapat membagi rata jumlah mahasiswa asal daerah lainnya dan lebih meningkatkan promosi IPB ke SMU di luar Jawa yang siswanya memiliki catatan prestasi yang baik di IPB dan diharapkan IPB dapat memperbaharui lagi data peringkat sekolah yang ada. Sedangkan dari hasil tabulasi antara peubah-peubah latar belakang mahasiswa, masih banyak hasil yang terlihat janggal, sehingga dapat dijadikan masukan bagi IPB untuk melakukan verifikasi pada data mahasiswa baru jalur USMI tahun berikutnya.

Departemen-departemen yang terlihat memiliki rataan indeks prestasi mahasiswa di bawah 2.75, diharapkan dapat lebih meningkatkan lagi syarat khusus bagi mahasiswanya dan lebih meningkatkan promosinya bagi calon mahasiswa baru.

Analisis korelasi kanonik pada penelitian ini dapat bermanfaat pada saat pemilihan departemen selepas TPB, sehingga perolehan nilai mata kuliah TPB yang diperoleh dapat dijadikan pertimbangan untuk bisa masuk ke departemen yang diinginkan dan tidak semata tergantung pada besar kecilnya IPK TPB, walaupun saat ini angkatan 44 dan 45 sudah memiliki departemen saat masuk IPB, namun hasil ini masih bisa digunakan bagi mahasiswa untuk melihat nilai yang diperoleh pada mata kuliah-mata kuliah tersebut, sehingga seorang mahasiswa diharapkan dapat meningkatkan pemahamannya pada mata kuliah tersebut sebagai dasar agar dapat menerima pelajaran lebih baik lagi di departemen yang bersangkutan.

DAFTAR PUSTAKA

Gittins, R. 1985. Canonical analysis, A Review with Applications in Ecology. Springer-Verlag, Berlin Heidelberg New York, Tokyo.

Greenacre, Michael. J. 1984. Theory and Application of Correspondence Analysis. Academic Press Inc, London Ltd.

Institut Pertanian Bogor. 2006. Program Panduan Sarjana. Bogor

Johnson, R. A & D. Wichern. 1982. Applied Multivariate Statistical Analysis. Prentice Hall International Inc, New Jersey.

Kantardzic, Mehmed. 2003. Data Mining: Concepts, Models, Methods, and Algorithms. John Wiley & Sons Moertini, Veronika S. 2002. Data Mining

Sebagai Solusi Bisnis [ulasan]. Integral 2002; vol 7 no 1.

Musa, Sjarkani. 2007. Metodologi Penelitian dengan Statistika. Departemen Statitika FMIPA IPB, Bogor

Primasanti, M.N. 2006. Karakteristik Lulusan S1 Statistika Institut Pertanian Bogor (Studi Kasus pada alumni Angkatan 31-35). Skripsi. Departemen Statistika FMIPA IPB, Bogor

Ratih, A D. 1989. Korelasi Kanonik Antara Prestasi Mahasiswa TPB dengan Mata Kuliah Wajib Semester 3 dan 4. Skripsi. Departemen Statistika FMIPA IPB, Bogor

Lampiran 1 Boxplot nilai raport SMU

D

a

ta

M3_ 1 M2_

2 M2_

1 M1_

2 M1_

1 K3_1 K2_2 K2_1 K1_2 K1_1 F3_1 F2_2 F2_1 F1_2 F1_1 B3_1 B2_2 B2_1 B1_2 B1_1 100

90

80

70

60

50

Boxplot Nilai SMUAngkatan42

D

a

ta

M3_ 1 M2_

2 M2_

1 M1_

2 M1_

1 K3_1 K2_2 K2_1 K1_2 K1_1 F3_1 F2_2 F2_1 F1_2 F1_1 B3_1 B2_2 B2_1 B1_2 B1_1 100

80

60

40

20

0

Boxplot Nilai SMUAngkatan43

Lampiran 2 Hasil Uji Chi-Square antara latar belakang dan kategori IPK TPB

Angkatan Tabulasi Silang N Nilai



hit2 df Nilai Peluang

IPK TPB*Pendidikan Ayah 1532 12.623 18 0.813

IPK TPB*Pekerjaan Ayah 1532 29.669 39 0.859

42 _{IPK TPB*Listrik 1532 9.398 18 0.950}

IPK TPB*Penghasilan Ayah 1532 30.347 15 0.011

IPK TPB*Asal Daerah 1532 198.186 75 0.000

IPK TPB*Jenis Kelamin 1532 7.642 3 0.054

IPK TPB*Pendidikan Ayah 1749 32.821 18 0.018

43 _{IPK TPB*Pekerjaan Ayah 1749 62.178 39 0.011}

IPK TPB*Listrik 1749 15.077 18 0.657

IPK TPB*Penghasilan Ayah 1749 41.380 15 0.000

IPK TPB*Asal Daerah 1749 190.523 81 0.000

Lampiran 3 Analisis Korespondensi pada kategori IPK TPB dan penghasilan ayah

Angkatan Axis Inertia Proportion Cumulative

1 0.0158 0.7957 0.7957

2 0.0030 0.1517 0.9474

3 0.0010 0.0526 1

42

Total 0.0198 1 1

Axis Inertia Proportion Cumulative

1 0.0181 0.7631 0.7631

2 0.0042 0.1783 0.9414

3 0.0014 0.0586 1

43

Total 0.0237 1 1

Lampiran 4 Analisis Korespondensi pada kategori IPK TPB dan asal daerah

Angkatan Axis Inertia Proportion Cumulative

1 0.0738 0.6363 0.6363

2 0.0223 0.1927 0.8289

3 0.0198 0.1711 1

42

Total 0.1160 1 1

Axis Inertia Proportion Cumulative

1 0.0797 0.7671 0.7671

2 0.0156 0.1497 0.9168

3 0.0086 0.0832 1

43

Lampiran 5 Plot analisis korespondensi angkatan 42 antara kategori penghasilan ayah dan IPK TPB

Component 1 ( 79.57% )

C

o

m

p

o

n

e

n

t

2

(1

5

.1

7

%

)

0.4 0.3 0.2 0.1 0.0 - 0.1 - 0.2 -0.3 -0.4 0.4

0.3

0.2

0.1

0.0

- 0.1

- 0.2

- 0.3

- 0.4

I PK> = 3.5 3< = I PK< 3.5

2.5< = I PK< 3 2< = I PK< 2.5

Tidak Meng isi

> Rp 5.000.000

Rp 2.500.001 - Rp 5.000.000 Rp 1.000.001 - Rp 2.500.000 Rp 500.001 - Rp 1.000.000

< Rp 500.000

Angkatan 4 2

Lampiran 6 Plot analisis korespondensi angkatan 43 antara kategori penghasilan ayah dan IPK TPB

Component 1 ( 76.31% )

C

o

m

p

o

n

e

n

t

(1

7

.8

3

%

)

0.75 0.50

0.25 0.00 -0.25 -0.50 0.75

0.50

0.25

0.00

-0.25

-0.50

I PK> = 3.5

3< = I PK< 3.5 2.5< = I PK< 3

2< = I PK< 2.5

Tidak Mengisi > Rp 5.000.000

Rp 2.500.001 - Rp 5.000.000

Rp 1.000.001 - Rp 2.500.000

Rp 500.001 - Rp 1.000.000 < Rp 500.000

Lampiran 7 Plot analisis korespondensi angkatan 42 antara kategori asal daerah dan IPK TPB

Component 1 ( 63.63% )

C

o

m

p

o

n

e

n

t

2

(1

9

.2

7

%

)

2.0 1.5 1.0 0.5 0.0 -0.5 2.0

1.5

1.0

0.5

0.0

-0.5

I PK> = 3 .5

3 < = I P K< 3 .5

2 .5 < = I PK< 3 2 < = I PK< 2 .5 22

21 20

19

18

17 16

15 14 13

12 11 8

7

6 5

4 3

2 1

Symmetric Plot

Lampiran 8 Plot analisis korespondensi angkatan 43 antara kategori asal daerah dan IPK TPB

Component 1 ( 76.71% )

C

o

m

p

o

n

e

n

t

2

(1

4

.9

7

%

)

1.5 1.0 0.5 0.0 -0.5 -1.0 1.5

1.0

0.5

0.0

-0.5

-1.0

I P K> = 3 .5

3 < = I P K< 3 .5 _{2 .5 < = I PK< 3}

2 < = I PK< 2 .5 21 ₂₂ 20

19

18

17

16 15 14

13 12

11 10

9 8

7 6 5

4 3

2

1

Symmetric Plot

No Asal Daerah No Asal Daerah No Asal Daerah

1 NAD 9 Bangka 16 Bali

2 Sumatera Utara 10 Banten 17 NTB

3 Sumatera Barat 11 DKI Jakarta 18 NTT

4 Riau 12 Jawa Barat 19 Kalimantan

5 Jambi 13 Jawa Tengah 20 Sulawesi

6 Sumatera Selatan 14 DIY 21 Papua

7 Bengkulu 15 Jawa Timur 22 Luar Negeri

Lampiran 9 Tabulasi silang antara IPK TPB dan asal daerah pada angkatan 42

Klasifikasi IPK TPB Asal Daerah

2.00≤IPK<2.50 2.50≤IPK<3.00 3.00≤IPK<3.50 IPK≥3.50 Total

NAD 2 18.2% 4 36.4% 5 45.5% 0 0% 11 100%

Sumatera Utara 21

28% 25 33.3% 26 34.7% 3 4% 75 100%

Sumatera Barat 7

10.3% 34 50% 17 25% 10 14.7% 68 100% Riau 0 0% 4 40% 5 50% 1 10% 10 100% Jambi 3 15% 4 20% 7 35% 6 30% 20 100%

Sumatera Selatan 1

4.5% 5 22.7% 8 36.4% 8 36.4% 22 100% Bengkulu 1 6.7% 5 33.3% 9 60% 0 0% 15 100% Lampung 2 6.3% 8 25% 8 25% 14 43.8% 32 100%

DKI Jakarta 18

9.2% 73 37.2% 73 37.2% 32 16.3% 196 100%

Jawa Barat 113

16.1% 252 35.8% 243 34.5% 96 13.6% 704 100%

Jawa Tengah 13

5.9% 63 28.4% 88 39.6% 58 26.1% 222 100% DIY 1 16.7% 2 33.3% 3 50% 0 0% 6 100%

Jawa Timur 10

9.6% 23 22.1% 53 51% 18 17.3% 104 100% Bali 0 0% 2 66.7% 0 0% 1 33.3% 3 100% NTB 3 33.3% 2 22.2% 3 33.3% 1 11.1% 9 100% NTT 2 100% 0 0% 0 0% 0 0% 2 100% Kalimantan 1 16.7% 0 0% 4 66.7% 1 16.7% 6 100% Sulawesi 8 47.1% 7 41.2% 1 5.9% 1 5.9% 17 100% Papua 4 66.7% 2 33.3% 0 0% 0 0% 6 100%

Luar Negeri 2

Lampiran 10 Tabulasi silang antara IPK TPB dan asal daerah pada angkatan 43

Klasifikasi IPK TPB Asal Daerah

2.00≤IPK<2.50 2.50≤IPK<3.00 3.00≤IPK<3.50 IPK≥3.50 Total

NAD 7 41.2% 7 41.2% 1 5.9% 2 11.8% 17 100%

Sumatera Utara 38

39.2% 38 39.2% 15 15.5% 6 6.2% 97 100%

Sumatera Barat 12

21.8% 20 36.4% 21 38.2% 2 3.6% 55 100% Riau 1 11.1% 4 44.4% 2 22.2% 2 22.2% 9 100% Jambi 3 14.3% 6 28.6% 8 38.1% 4 19% 21 100%

Sumatera Selatan 4

20% 5 25% 8 40% 3 15% 20 100% Bengkulu 6 40% 4 26.7% 3 20% 2 13.3% 15 100% Lampung 2 5.3% 12 31.6% 18 47.4% 6 15.8% 38 100% Bangka 0 0% 0 0% 3 60% 2 40% 5 100% Banten 14 15.1% 36 38.7% 32 34.4% 11 11.8% 93 100%

DKI Jakarta 29

12.1% 87 36.3% 96 40% 28 11.7% 240 100%

Jawa Barat 160

22.9% 257 36.7% 204 29.1% 79 11.3% 700 100%

Jawa Tengah 16

6.7% 83 34.7% 92 38.5% 48 20.1% 239 100% DIY 0 0% 2 33.3% 2 33.3% 2 33.3% 6 100%

Jawa Timur 17

13.6% 34 27.2% 48 38.4% 26 20.8% 125 100% Bali 0 0% 4 57.1% 0 0% 3 42.9% 7 100% NTB 6 46.2% 3 23.1% 2 15.4% 2 15.4% 13 100% NTT 1 20% 2 40% 2 40% 0 0% 5 100% Kalimantan 2 18.2% 1 9.1% 4 36.4% 4 36.4% 11 100% Sulawesi 9 39.1% 8 34.8% 5 21.7% 1 4.3% 23 100% Papua 4 66.7% 1 16.7% 1 16.7% 0 0% 6 100%

Luar Negeri 3

Lampiran 11 Radar Pergerakan Indeks Prestasi (IP) per Departemen angkatan 42

Rataan IP per Departemen

2.00 2.50 3.00 3.50 4.00 1

2 3

4 5

6 7

8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28

29 30

31 32

33 34

IPK TPB IP Sem 3 IP Sem 4 IP Sem 5

Lampiran 12 Radar Pergerakan Indeks Prestasi (IP) per Departemen angkatan 43

Rataan IP per Departemen

2.00 2.50 3.00 3.50 4.00 1

2 3

4 5

6 7

8

9

10

11

12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28

29 30

31 32

33 34

Lampiran 13 Departemen-departemen di IPB pada angkatan 42 dan 43

No DEPARTEMEN No DEPARTEMEN

1 Manajemen Sumberdaya Lahan 18 Teknologi Industri Pertanian

2 Arsitektur Lanskap 19 Teknik Pertanian

3 Agronomi dan Hortikultura 20 Ilmu Komputer

4 Proteksi Tanaman 21 Statistika

5 Kedokteran Hewan 22 Matematika

6 Teknologi dan Manajemen Perikanan

Budidaya 23 Meteorologi Terapan

7 Manajemen Sumberdaya Perairan 24 Fisika

8 Ilmu dan Teknologi Kelautan 25 Kimia

9 Teknologi dan Manajemen Perikanan

Tangkap 26 Biokimia

10 Teknologi Hasil Perairan 27 Biologi

11 Nutrisi dan Teknologi Pakan 28 Agribisnis

12 Teknologi Produksi Ternak 29 Manajemen

13 Manajemen Hutan 30 Ekonomi Sumberdaya dan Lingkungan

14 Silvikultur 31 Ekonomi dan Studi Pembangunan

15 Teknologi Hasil Hutan 32 Ilmu Keluarga dan Konsumen

16 Konservasi Sumberdaya Hutan dan

Ekowisata 33

Komunikasi dan Pengembangan Masyarakat

Lampiran 14 Sebaran Persentase Nilai Akhir Mata Kuliah TPB Angkatan 42

Departemen HM AGM BIO EKU FIS IND ING KAL KIM KWR MAT ORS PIP PKN SOU

A 81.8 13.6 44.3 3.4 44.3 25.0 11.4 13.6 73.9 3.4 46.6 44.3 15.9 11.4

B 18.2 55.7 45.5 50.0 45.5 37.5 36.4 61.4 26.1 46.6 53.4 45.5 77.3 76.1

C 30.7 10.2 44.3 10.2 36.4 48.9 25.0 50.0 10.2 5.7 12.5

D 2.3 1.1 3.4 1.1

Agronomi & Hortikultura

E

A 76.3 13.2 23.7 18.4 2.6 68.4 42.1 18.4 7.9 2.6

B 23.7 26.3 55.3 18.4 39.5 39.5 13.2 31.6 31.6 13.2 57.9 47.4 68.4 68.4

C 73.7 31.6 50.0 34.2 39.5 63.2 68.4 84.2 31.6 21.1 28.9

D 31.6 2.6 2.6 21.1 2.6 2.6 2.6

Proteksi Tanaman

E

A 70.3 2.7 27.0 24.3 13.5 2.7 5.4 54.1 40.5 27.0 18.9 5.4

B 29.7 21.6 43.2 29.7 48.6 40.5 27.0 27.0 45.9 21.6 59.5 56.8 67.6 67.6

C 64.9 24.3 64.9 27.0 43.2 51.4 64.9 67.6 13.5 13.5 27.0

D 10.8 5.4 5.4 2.7 16.2 2.7 10.8 2.7

Manajemen Sumberdaya Lahan

E 2.7

A 57.5 10.0 25.0 5.0 40.0 35.0 5.0 5.0 70.0 2.5 60.0 37.5 10.0 7.5

B 42.5 47.5 62.5 55.0 37.5 32.5 27.5 35.0 30.0 47.5 40.0 47.5 70.0 77.5

C 42.5 12.5 40.0 22.5 30.0 52.5 37.5 50.0 12.5 20.0 12.5

D 2.5 15.0 22.5 2.5 2.5

Arsitektur Lanskap

E

A 73.8 8.2 32.8 1.6 32.8 29.5 8.2 8.2 77.0 1.6 50.8 42.6 23.0 4.9

B 26.2 47.5 45.9 42.6 55.7 47.5 31.1 42.6 23.0 41.0 49.2 45.9 62.3 78.7

C 44.3 19.7 41.0 11.5 23.0 47.5 49.2 52.5 9.8 14.8 16.4

D 14.8 11.5 4.9 1.6

Kedokteran Hewan

E 1.6 1.6

A 78.6 23.8 23.8 14.3 4.8 54.8 2.4 71.4 38.1 14.3 7.1

B 21.4 35.