Analisis faktor-faktor yang berpengaruh terhadap tingkat kepuasan alumni pelatihan program pengembangan profesionalisme staf akademik

ANALISIS FAKTOR-FAKTOR YANG

BERPENGARUH

TERHADAP TINGKAT KEPUASAN ALUMNI PELATlHAN

PROGRAM PENGEMBANGAN PROFESIONALISME

STAF AKADEMIK

OLEH

:

I

MADE SUNASTRA

PROGRAM PASCASARJANA

INSTlTUT PERTANIAN BOGOR

P -,

Hasil d i s i s untuk membandingkan pedormance pelatihan di IPB

dan

di UI menunjukkan bahwa tin kat kepuasan, penerapan, metode, serta sarana dan prasarana di

IPB

Iebih baik dari peyaksanaan pelatihan &

UI.

SURAT

PERNYATAAN

I )engal1 ini s a h a men) atakan bahwa tesis y a n g berjudul :

Analisis Faktor-Faktor vane Bernenearuh terhadap Tinekat Kenuasan Alumni

Pelatihan Program Pengembangan Profesionalisme Staf Akademik

aclalah l~asil lcarya saya sendiri dan belum pernah dipublikasikan. Sumber data dan

inti,^-masi >.ang diy~malian telah dinyatakan dengnn jclas dan dapat diperiltsu kebrnarannya.

ANALISIS FAKTOR-FAKTOR

YANG

BERPENGARUH

TERaADAP TINGKAT KEPUASAN ALUMNI PELATIRAN

PROGRAM PENGEMBANGAN PROFlESIOlYALISME

STAF

AKADEMIK

I MADE SUNASTRA

Tesis

sebagai salah satu syarat untuk memperoleh gelar

Magister Sains pada

Program Studi Statistika

PROGRAM PASCASARJANA

INSTITUT

PERTANIAN

BOGOR

Judul Tesis : Analisis Faktor-Faktor yang Berpengaruh terhadap Tingkat

Kepuasan Alumni Pelatihan Program Pengembangan

Profesionalisme Staf Akademik

Narna : IMade Smastra

N R P : 99155

Program Studi : Statistika

Menyetujui :

Kornisi Pembimbing

Ir. Kusman Sadik, WSi. Anggota

Ketua Program Studi Statistika Direktur Program Pascasarjana

Pendis dilahirkan di Tabanan pada tanggal 2 September 1945 sebagai anak

kedua (4 bersaudara) dari persangan I Wayan Guwer (ayah)

dan

Ni Made Ngepong

(ibu)

Pendidikan b a r dan menengah penulis selesaikan

di

Tabanan yaitu di SD

Negeri 2 Penyalin Tabanan, Sekolah Menengah Pertama (SMP) Negeri Tabanan dan

S A K M A Bogor. Pendidikan sarjana luius pa& tahun 1990 di Program Studi

Statistika Terapan, Fakultas Matematika

dan

_{Ilmu Pengetahuan Alam, Universitas}

Terbuka. Pada

tahun

1998 penulis diterima pada Program Pra-Pascstsajana IPB dan

pa& tahun 1999 mendapat kesempatan melanjutkan ke Program Pascasajana IPB

Jurusan Statistika dengan beasiswa BPPS.

Sejak tahun 1990 penulis diangkat sebgai tenaga pengajar matematika dm

statistika pada Jurusan Fisika, Fakultas Pvlatematika dan Ilmu Pengetahuan Alam (FMIPA) Universitas Udayana Denpasar Bali.

Penulis menikah dengan Ni Kompiyang Nikotin pada tanggal 10 November

1968 dan telah dikaruniai 3 orang anak, yaitu I Wayan Mdyadi, ST. (31 tahun), I

PRAKATA

Sudah selayaknya penulis memanjatkan puji syukur kehadapan Ida Sang

Hyang Widi Wasa, Tuhan Yang Maha Kuasa, yang karena kehendakNya maka tugas

akhir ini dapat terselesaikan dengan baik. Tema yang dipilih dalam penelitian ini

bexjudul Analisis Faktor-Faktor yang Berpengamh terhadap Tingkat Kepuasan

Alumni Pelatihan Program Pengembangan Profesionalisme Staf Akademik.

U c a p n tmima kasih penulis sampaikan kepada:

Yang terhormat Bapak Dr.

Ir.

Bambang Juanda, M.S. sebagai Ketua Komisi

Pembimbing, yang wairtupun beliau sangat disibukhn oleh tugas pemerintah,

tetapi dapat dengan cermat menjadwalkan waktu untuk bimbingan sehingga

tugas akhir ini dapat terselesaikan dengan amat sangat lancar.

Yang terhormat

Bapak

Ir. Kusman Sadik, M.Si. sebagai Anggota Komisi, yang

dengan telaten beliau memberikan bimbingan d m petunjuk demi kelancaran

tugas akhir ini.

Saudari Teja Ofteviza, atas banhamya dalam proses pengolahan data dan

bebempa masukannya tentang prilaku data demi kesempurnaan tugas akhir ini.

-

Kepada warga Punhawacana, khususnya warga asrama Bdi: Puri Canang Sari

dan Bogor Baru atas segala bentuk bantuannya baik jasa konsultasi, moril maupun materiil

dari

sejak persiapan hingga terselesaikannya tugas f i r ini.

Kepada berbagai pihak yang telah memberikan bantuan baik jasa, moril maupun

Yang terkasih, anak-anakku Mulyadi, Wahyudi dan Kumiawan serta istriku

Nikotin, atas pengertian

dan

segala pengorbanamya sehingga tercipta kondisi

dan situasi yang memungkinkan studi ini dapat berhasil dengan

baik.

-

Ungkapan terima kasih juga disampaikan

ke-

ayah, ibu (ah), serta s e l h keluarga atas segala doa dm kasih sayangnya.

Om

A no bhadrah krattavo y a m vlsvatah.

'Ya

Tuhan Yang

rvlaha

_{Kuasa !}

Semoga pikiran

baik

datang dari segala penjuru'.

Bogor, Desember 200 1

DAFTAR

IS1

Halaman

DAFTAR TABEL

...

viii

...

DAFTAR GA MBAR i x

...

DAFTAR LAMPIRAN x

PENDAHULUAN

...

Latar Belakang 1

...

Batasan Masalah 2

...

Tujuan Penelitian 3

...

Manfaat Penelitian 3

TINJAUAN PUSTAKA

...

Pelatihan 4

Pelatihan AA (Applied Aproach)

...

4

...

Petatihan PEKERTI 4

Pelatihan TIW

...

5

Metode Regresi Logistik Berganda

...

5

...

Pengujian Keberartian Model 8

. .

...

UJI Nyata Parouneter 9

...

Interpretasi Koefisien 9

...

Pendugaan Parameter 1 1

...

Metode Kemungkinan Pulaksimum 1 1

...

Metode Newton Rhapson 15

...

Penyeleksian Peubah

...

Regresi Logistik Bertatar

...

Prosedur Regresi Logistik Bertatar

...

BAHAN DAN METODE

Bahan

...

Metodologi Analisis

...

HASU DAN PEMBAKASAN

Deskripsi Data

...

Analisis Regresi Logistik

...

Regresi Logistik Bertatar

...

....

...

Implikasi Kebijakan

...

Program Pelatihan di

IPB

dan di

UI

...

KESIMPULAN DAN SARAN

Kesimpulan

...

Saran

...

DAFTAR PUSTAKA

...

DAFTAR

TABEL

Halaman

...

Nilai-nilai dari Model Lugistik untuk Peubah Bebas Dikotomi 10

Pengkodean Peubah Penjelas dan Peubah Respon

...

25

Asal Universitas Responden Alumni Pelatihan

...

27

Jenis Pelatihan yang Diikuti

...

28

...

Data Amatan Peserta Pelatihan dengan Behagai Peubah Bebas 29

...

Hasil Analisis Regresi Berganda dengan Model Penuh 30

...

Hasil Analisis Regresi Logistik Bertatar untuk Model Pertama 33

...

Iiasil Analisis Regresi Logistik Bertatar untuk Model Kedua 33

...

Hasil Analisis Regresi Logistik Bertatar untuk Model Ketiga 34

Kemampuan Mernprediksi untuk Model Pertama

...

34

...

Ke-puan Memprediksi untuk Model Kedua 34

Kemampuan Memprediksi untuk Model Ketiga

...

35

Pengkodean Peubah Tingkat Kepuasan

dan

Peubah Perlunya

Pelatihan

...

36

Analisis Regresi Logistik Tingkat Kepuasan terhadap Perlunya

Pelatihan

...

36

Deslaipsi

Lama

Pelatihan

...

37 Deskripsi Pelatihan Kurang

dari

1 Bulm

...

38 Analisis Regresi Logistik Tingkat Kepuasan terhadap Keinginan untuk

...

Meningkatkan Kemampuan

...

...

40

...

DAFTAR

GARlBAR

Hataman

...

1

.

Plot antara g(x) dengan x(x) 7

...

2 Diagram Batang

Lama

Pelatihan 38

...

DAFTAR

LAMFIRAN

Halamen

1. Tabel hasil analisis regresi logistik sederhana untuk

masing-masing peubah p j e l a s

...

...

47 2 . Hasil Analisis Regresi Logistik P e M m n c e Pelaksanaan Pelatihan

BAB I

PElVDAHULUAN

1.1. Latar Belakang lMasalah

Paradigma baru

dari

pendidikan tinggi di Indonesia mengharapkan pendidikan tinggi itu &pat merespons terhadap 4 hierarki manajemen pendidikan yang antara

lain adalah: i) pada tingkat nasional yaitu DIKTI; ii) tingkat institusinya yaitu Wniversitas, Fakultas dan Jurusan ; iii) tingkat program studi

dan

_{iv) tingkat individu}

yaitu mahasiswa, dosen clan individu yang terkait dengan pendidikan tinggi. Dalam

ha1 ini, tingkatan ini memegang peranan paling penting &lam dunia pendidikan.

Individu yang dimaksud &lab staf stafdemik

dan

mabasiswa. Keberhasilan dari

sistern pendidikan tinggi di Indonesia dan di manapun &pat dilihat dari kualitas

output (lulusan) pendidikan tinggi tersebut dan kualitas staf akademiknya.

Meningkatkan kualitas staf akademik (dosen) pada dunia pendidikan tinggi,

dimana dari waktu ke wakty ilmu pengetahuan, teknologi dan i n f o m i selalu berkembang, dirasa perlu diadakan semacam pelatihan-pelatihan atau pendidikan-

pendidikan terhadap praktisi akademis tersebut. Pelatihan-pelatihan tersebut tidak

hanya mencakup pehtihan secara fisik tetapi juga secara psikologis. Hal ini unNc

mengantisipasi bahwa setiap peserta did* (mahasiswa) prestasi akademiknya selalu

berkorelasi positif antam kernampuan fisik (intelegensia) dengan psikiloginya.

Berdasarkan uraian di atas maka perlu diadakan semacam peninjauan kembali

kernamp- intelektual staf akadernik mempunyai damp& positip amu ridak terhadap

produk pendidikan tinggi di Indonesia Sehingga nantinya bisa didapatkan lulusan

perguruan tinggi yang berkualitas dan dapat bersaing

di

era globalisasi

dan

pasar bebas.

Beberapa tahun terakhir ini UI

dan

IPB telah memodifikasi pelatihan Program Pengembangan Ketrampilan Dasar Teknik Instruksional (PEKERTI) dan Applied

Aproach (AA) Program Pengembangan Profesionalisme Staf Akademik. LP3 IJ?B

telah menggabungkan PEKERTI dan AA d a l m satu kegiatan pelatihan dalam waktu

tertentu, sedangkan

UI

melakukannya &lam bentuk lokakarya. Seberapa jauh

perbedaan performance pelaksanaan pelatihan di kedua institusi tersebut, ini rnerupdcan suatu pertanyaan yang perlu dicari jawabannya.

1.2. Batasan Mssalah

B e r W k a n uraian di atas maka masaiah yang

alcan

_{diteliti ialah menganalisis}

tingkat kepuasan para

alumni

_pelatihan yang mengikuti pelatihan PEKERTI, AA,

clan Teaching Improvement Workshop (TIW) Program Pengembangan Profesionalisme Staf Akademik Dalam penelitian ini metode analisis yang

1 3 . Tujurn Penelitfan

Tujuan penelitian ini ialah untuk mengetahui faktor-faktor yang berpengaruh

terhadap tingkat kepuasan alumni pelatihan Program Pengembangan Profesionalisme

Staf Akademik, serta untuk dapat menjelaskan tingkat kepuasan dm membandingkan

performunee pelaksanaan pelatihan di

IPB

dan

di

UI,

dengm

metode regresi logistik.

1.4. Manfaat

P

enelitian

Setelah diketahui faktor-faktor yang berpengaruh terhadap tingkat kepuasan

BAB I1

TINJAUAN

PUSTAKA

2.1. Pelatihan

Pelatihan didefinisikan sebagai perolehan sistematik dari keahlian, aturan,

konsep atau sikap yang menghasilkan peningkatan penarnpilan pada situasi kerja

(PPA. comultants, 2001). Pelatihan para staf akademik adalah bagian dari

pengembangan sumber daya manusia.

2.2. Pelatiban

AA

Pelatihan A A adalah program untuk memberikan atau meiengkapi kernampuan iImu pengetahuan, keahlian dan cam berfikir (sikap) kepada staf

aIrademik dalam meren-h proses belajar mengajar. Program ini direncanakan

untuk staf akademik senior yang bertanggung jawab penuh terhadap manajemen pelaksanaan proses belajar mengajar. Tujuan u m u m dari program pelatihan A A ini

addah untuk rneningkatkan efisiensi dan efektifitas dari proses belajar mengajar.

2.3. Pelatihan PEKERTI

PEKERTI atau Program Pengembangan Keterampilan Dasar Teknik

Instruksional adalah pelatihan yang diberikan kepada staf akademik junior dengan

penekanan spesifik pada penguasaan dan keahlian pengajaran

dasrrr.

_Pelatihan

menghasilkan pedoman dari pengajaran yang disebut Garis Besar Program

Pengajaran (GBPP); (2) menghasilkan urutan dari pengajaran yang disebut S a m

Acara Pengajanm (SAP); dan (3) memperoleh keahlian pembelajaran.

2.4, Pelatihan TIW

TIW adalah program untuk pendidikan teknik untuk mernberikan keahlian dalam pengembangan kurikulum, kualitas, merancang silabus. dan pengajaran efektif.

Program ini adalah program tingkat nasiona1 dan dia&kan serta dikeloia oleh Universitas.

2.5. ModeI Regresi Logistik Berganda

Metode regresi merupakan komponen penting &lam analisis data

untuk.

menggambarkan hubungan antara satu peubah respons dengan satu atau lebih peubah bebas. Tujuan dari analisis dengm menggunakan metode ini ialah untuk memperoleh model yang dapat dipakai meramal atau menggambarkan hubungan antara peubah respons dengan sejumlah peuhah bebas

dari

data.

Metode regresi logistik berganda adalah metode regresi berganda dimana

peubah respons Y merupakan peubah biner atau dikotomi. Sedangkan peubah bebas

mempalcan peubah kategorik

dan

atau kontinu. Berikut ini adalah suatu ilustrasi

peubah respons biner :

(Y=O)

-+ bila suatu kejadian "gagal"

Jika peubah respons Y tersebut terdiri dari dua kategori yaitu "sukses" ( Y = l ) atau

"gagaf" (Y=O), rnaka peubah Y tersebut mengikuti sebaran Bernoulli. Fungsi peluang

dari sebaran Bernoulli ialah sebagai berikut (D.Collet ,1991) :

f ( Y = y ) = ~ ~ ( l - ~ ) ' - ~ ;y =0,1

...

(1)

Niiai harapan dari Y untuk nilai x yang diberikan LE(Y/x)] disebut rataan bersyarat Y, dengan

Y

adalah peubah respons dan x nilai dari peubah bebas (Hosmer &

Lemeshow, 1989). Besaran x(x)=E(Ylx) digunakan untuk menyederhanakan notasi

yang merepresentasikan rataan bersyarat dari Y

untuk

suatu nilai x yang diberikan,

bilamana digunakan suatu distribusi logistik. Rumusnya sebagai berikut :

Persamaan (2) disebut h g s i regresi logistik. Persamaan (2) dapat pula dinyatakan

sebagai berikut:

Bila ditetapkan nilai g(x) pada persamaan (3) maka akan didapatkan :

Dari persamaan (4) dapat dilihat bahwa nilai w x ) ]

akan

_{berkisar antara 0 clan 1 atau}

0 I fl.g(x)] 1; 1. berapapun nilai dari g(x). Hal ini menunjukkan bahwa model logistik menggambtirkan peluang suatu kejadian, atau risiko dari suatu tindakan.

peluangnya konvergen ke 0, sedangkan untuk gCx) menuju

+

m, nilai peluangnya

konvergen ke 1. Kurva regresi logistik berbentuk huruf 'S' yang menggambarkan

[image:30.560.109.421.134.309.2]

bahwa hubungan antara peubah bebas dan peluangnya adalah hubungan non- linear.

Gambar 1. Plot antara Pelrang [

x(x)]

dengan g(x)

Teknik analisis yang digunakan untuk memperoleh fungsi yang linear yaitu dengan cam melakukan transformasi model logistik sehingga diperoleh bentuk

sebagai berikut :

Plot antara Pduang dengan g(x)

1.2

1.0

li

Transformasi im dikenai den- nama transformasi logit, sehingga diperoleh fungsi

g(x) yang linear dalarn parameter-parametemya.

Fungsi sebaran peubah responsnya ialah y = Z(X)

+

E dan galat dari fungsi

tersebut ialah :

Jika y = 1, maka E* = 1

-

x(x) den- peluang x(x)

2

...

e

2.

0 0 _-

6 . m 4 m m ~ i m m ~ mrm 2.- - I. a m

-5.- -3mm0 - t . m ~ m m ~ 3 . m 5 a m ~

Jika y = 0, makae = -z(x)denganpeluangl-

Nx)

.

Sebaran galat & mengikuti setman Binomial dengan rataan 0 dan ragam

1F(x ) [1- -n(x ) ] (Hosmer & Lemeshow, 1989).

2.6. Pengujian Keberartian Model

Pengujian keberartian model dengan hipotesis no1 dan alternatifnya ialah sebagai berikut :

H,:

Po

=jj, = -.-= $,

= o

H I : minimaladasatupj;tO;j=O, 1,2.

....

p

Pengujian keberartian model ini ialah untuk melihat signifikansi keterkaitan peubah-

peubab bebas dengan peubah responsnya (Hosmer & Lemeshow, 1989). Rumus yang

digmakan ialah :

dimana: no = x(1- Y i ) ; n, =

x(yi);

n =

rn

+

nl ;

dan

5, = penduga -n(xi)

Jika H, benar maka statistik G akan mengikuti sebaran X 2 dengan derajat bebas p

dim- p ialah banyaknya peubah bebas yang ada di dalarn model (Hosmer &

2.7. Uji Nyata Parameter

Setelah model regresi logistik diperoleh, signifikansi ditunjukkan dengan

pengujian koefisien-kodsien regresi logistik Hipotesis no1 clan hipotesis alternatif

untuk pengujian parameter ialah :

K:

P j = O vs H 1 : B j # O ; j = 1 , 2

,...,

p.

Statistik uji ini disebut uji-Wald (Hosmer & Lemeshow, 1989).

Statistik uji-WaId ialah :

Jika & benar maka statistik uji- Wald akan mengikuti sebaran normal baku (Hosmer

& Lemeshow, 1989). Sehingga pengujian secara individual bisa dilakukan dengan

membandingkan nilai statistik uji tersebut dengan nilai &w.

2.8. Interpretad Koefiien

Interpretasi kofisien dilakdcan pada peubah-peutrah yang berpengaruh nyata.

Dalam r e p s i linear dengan satu peubah bebas, koefisien

P1

merupakan be& antara nilai Y pada X = x+l dengan nilai Y padax = x

Y(x) = Po + P1x

pj

= Y(xt1)- Y(x)

model regresi logistik dengan satu peubah bebas dikotomi dapat diilustrasikan dalarn

Tabel 1 berikut (Hosmer & Lemeshow, 1989)

[image:33.560.88.478.100.225.2]

Nilai & (rasio antara Y=l dengan Y=O untuk X=l) adatah x(l)/[l- x(l)],

Tabel 1. N i i n i l a i dari Model Logistik uatuk Peubah Bebas Dikotomi

sedangkan nilai odds (rasio antara Y=l dengan Y=O untuk X=O) d a b

Peubah

tak

bebas

x(Oy[I

-

x(O)]. Log dari kedua odds tersebut didefinisikan sebagai g(1) dan g(0).

Odds ratio ( y ) didefinisikan sebagai rasio dari odd untuk X=l dengan X=O

Peubah

be%

7

sehingga:

X = l

Pada model logistik dengan satu peubah bebas dikotomi, koefrsien

PI

adalah beda X = O

logit, sedangkan exp(P1) adalah nilai rasio dari odd (Hosmer & Lemeshow. 1989).

Berdasarkan persamaan (8) &pat diinterpretasikan bahwa rasio odds ( y )=l

berarti bahwa individu dengan nilai X=l mempunyai peluang yang sama dengan

model regresi logistik dengan satu peubah bebas dikotomi dapat diilustrasikan &lam Tabel 1 berikut (Hosmer & Lemeshow, 1989)

Nilai odds (rasio an-

Y=l

dengan

Y=O

untuk X=l) adalah x(I)/[l- x(l)],

Tabel 1. Niii-nilai dari Model Logistik untmk Penbrh Bebas Dikotomi

sedangkan nilai od& (rasio antara Y=l dengan Y=O untuk X=O) addah

Peubah

tak

bebas

x(O)/[l - l r ( O ) I . Log

dari

kedua odds tersebut didefinisikan sebagai g(1)

dan

g(0).

Odds ratio

( v )

didefinisikan sebagai rasio

dari

odds

_{untuk X=l dengan X=O} Peubah bebas

Pada model logistik dengan satu peubah bebas dikotomi, koefisien

P1

adalah beda X = l

logit, sedangkan exp(f31) adalah nilai rasio dari o d d (Hosmer & Lemeshow. 1989). X = O

Berdasarkan persamaan (8) &pat diinterpretasikan bahwa rasio odds ( y )=1

berarti bahwa individu dengan nilai X=I mempunyai peluang yang sarna dengan

[image:34.545.89.473.93.220.2]

den- X=l mempunyai peluang yang lebih besar dibanding dengan X=O.

Sebalilcnya jika 0 < ~ < 1 individu dengan X=l mempunyai peiuang yang lebih kecil

dibanding X-O dalam kaitannya den- Y=l.

2.9. Pendugaan Parameter

Mencari penduga parameter dalam regresi linear sederhrura menggunakan metode kuadrat terkecil (MKT). Model regresi dengan peubah respons biner seperti

regresi logistik, MKT tidak &pat digunakan karena penduga yang dihasilkan tidak

memenuhi sifat-sifat sebagai berilcut (Myers, Raymond H., 1991): (1) Best artinya penduga yang dihasilkan mempunyai ragam minimum; (2) Linear artinya penduga

parameter ymg dihasilkan &pat dinyatakan sebagai kombinssi linear dari peubah

respons; (3) Unbiased artinya semua nilai harapan penduga konvergen ke nilai

m e t e m y a (nilai penduga = nilai parameter).

2.9.1. Metode Kemongkinan Maksimmm CMKIM)

MKM digunakan untuk pendugaan parameter model regresi logistik (Hosmer

dan Lemeshow, 1989).

Jika Y dikode sebagai 0 atau 1, maka x(x) seperti yang diberikan pada persamaan (2) adalah P(Y=l Jx). P(Y=l lx) ini addah peluang bersyarat Y = 1 untuk

nilai x yang diberikan. Sedangkan 1

-

x(x) adaM P(Y=Olx). P(Y=Olx) adalah peluang bersyarat Y = 0

untuk

_{nilai x yang diberikan. Pasangan-pasangan (xi, yi),}

pasangan (xi, yi), dimana yi = 0 fungsi kemunglcinan maksimumnya adalah 1

-

*xi), dimana besaran r(& ) adalah nilai dari n(x) yang dihitung pada xi (Hosmer &

Lemeshow, 1989). Secara

umum

_{fimgsi kemungkimn maksimum untuk pasangan}

(xi, yi) ialah sebagai berikut :

<(xi) = ... (10)

Diasumsikan kita mempunyai contoh n observasi (xi, yi), i = 1, 2,

...

, n yang saling bebas Fungsi kemungkinan bersamanya addah perkalian dari fungsi

kemungkinan yang diberikan pada persamaan (lo), dan &pat ditulis sebagai berikut :

~ K M memberikan nilai penduga dari vector

B'

= ($,,PI

,....,Po

dengan

memaksimumkan fungsi kemungkinan bersama pada persamaan (11). Secara

matematis lebih mudah menyelesaikan logaritma dari persamaan (11). Logaritma

dari fungsi kemungkinan bersamanya dapat ditulis sebagai berikut :

.

Untuk mendapatkan nilai penduga dari $' = ($o,$I

...p,

) yang memaksimumkan

kemudian h i 1 penurunannya disamakan dengan no1 (Hosmer & Lerneshow, 1989).

...

dimana : i adalah subskrip menyatakm banyaknya contah

.

i = 1.2, ,n dan j adalah

subskrip menyatakan banyaknya peubah bebas, j = 1,2, .., p.

Untuk memperoleh solusi dari persamaan (1 1) dan (12) diperlukan sofhuure

spesial yang dapat diperoleh

dari

berbagai paket program. Solusi yang diperoleh

adalah $' =

(Bo.

$,

...

b,

) dan nilai pengepasan untuk model regresi logistik k g a n d a

adalah q x , )

.

Metode pendugaan ragam dan koragam dari koefisien penduga &pat diperoleh dengan cara mengikuti teori pendugaan maksimum [lihat contoh, Rao (1973)l. Penduga ragam dan koragam yang diperoleh adalah suatu matriks yang

berasal

dari

turunan _parsial kedua dari persamaan (10) (Hosmer & Lemeshow, 1989).

Tunman parsial kedua tersebut d a p t dilihat dalam bentuk persamaan sebagai berikut

....

untuk j,u = 0, 1,2, p dimana n; adalah x(xi). Ruas kanan dari persamaan (1 5) clan

(16) yang bertanda negaiif dasebut matriks i n f o m i {I@) w~wll}. Ragam dan

koragam koefisien penduga didapt dari kebalikan matriks informasi {I($) Q , + ~ > ~ I ) ) .

notasi

d ( p j )

untuk menyatakan unsur diagonal ke-j dari matriks IT1(f3) ymg

merupakan ragam dari

6

.

&a,&)

dipakai untuk menyatakan unsur sembarang yang

bukan

unsur diagonal

dari

matriks I-'(@) dimana ini merupakan koragam

dari

A

fij

dan

_$, . Penduga

dari

ragam clan koragam adaiah

x($).

yang diperoleh dengan

cara mengevaluasi

C(0)

pada

$. Kita juga men- notasi

h

&2($j)

dan

&(:(Bj,:(B,

>;

_j,u = 0,1,2, ...,p untuk nilai-nilai di dalam matriks

13(

8

). Galat baku dugaan dari koedsien dugaan &pat ditulis dengan persamaan sebagai berikut :

...

s(bj)

=

[e2

(Bj

)]ln (17)

u n t u k j = O , 1,2

,...,

p.

Rumus matriks informasi yang digunakan dalarn pengepasan model dan

pengujian kesesuaian adalah

id)

= X'VX dimana X @elrn clan

V-.

Unsur-unsur

diagonal dari

,

,

V

adslah t i ( l - i i i ) untuk i = 1 , 2 ,

....

n. Matriks

X

dan

,

,

V

dapat ditulis dalam bentuk sebagai berikut (Hosmer & Lemeshow, 1989) :

1 X I , XlP

x

=[:

*.I

-

X r p ]

...

2.9.2. Metode Newton Rhapson

Metode Newton Rhapson adalah suatu metode yang digunakan untuk memperoleh penduga kemungkinan maksimum bagi fl melalui iterasi (Agresti,

1990). Mencari penduga digunakan metode Kuadrat Terkecil Terboboti (weighted

Least Square; WLS). Fungsi iterasi rnetode WLS ialah sebagiu berilcut :

fl'*+" =

D<Y-'x]-'

x'v-'z"'..

...

(20)

Mabiks X didapat dari persamaan (18) dan matriks V dari p e m a a n (19).

z"'

_{merupakan bentuk linear fimgsi penghubung logit dari data contoh yang}

dievaluasi pada n'", dimana superskrip t menunjukkan nilai dugaan ke-t. Langkah-

langkah pendug- kemungkinan maksimum dengan me- WLS, ialah sebagai

berikut :

Masukkan dugaan

8"'

ke dalam persamaan (22) untuk memperoleh

do'.

Setelah

a'')didapat, kemudian nilainya dimasukkan ke dalam persaman (21) untuk

memperoleh

z"'.

Proses selanjutnya untuk t > 0 dengan menggunakan persamaan

konvergen

untuk

b .

Proses untuk menghitung pendugs kemungkinan maksimum ini

disebut iteratiyreweighred square.

2.10. Strategi dam Metode Penyusunan Regresi Logistik

Jika peubah bebas X yang digunakan untuk menyusun model lebih dari satu,

maka pemilahan peubah untuk membentuk model regresi logistik perlu dilakukan.

Hal ini dilakukan

untuk

mendapatkan model terbaik. Beberapa pertimbangan dalam pemilahan peubah yang akan dimasukkan ke dalarn model (Hosmer & Lerneshow,

1989), antara lain :

1. Landasan teori yang mendasari kajian tersebut, agar pemilahan peubah dapat memberikan model tertentu.

2. Metude analisis statistik untuk menilai kecukupan

dan

atau kelayakan model.

2.10.1. Penyeleksian peubah

Suatu kriteria untuk p e m i l w peubah dalam model mungkin berbeda-beda

dari satu masalah ke rnasalah lain dan dari satu disiplin ilmu ke disiplin iimu lainnya.

Karena kegunaan model regresi bermacam-macam, maka biasanya tidak ada

himpunan b e a n peubah bebas yang selalu 'Lterbaik". Sebagai misal kegunaan deskriptif suatu model regresi biasanya menekankan pada pendugaan koefisien-

koefisien regresi secara tepat, sedangkan keguaman sebagai peramal lebih

menekankan pada galat peramalan (Neter. J., W. Wasserman, & M.H. Kutner, 1990).

paling sederhana yang masih mempunyai kemarnpuan untuk menjelaskan suatu data.

Alasan

untuk

_{meminimumkan jumlah peubah dalam model ialah seiain banyak}

peubah sangat sukar untuk ditangani, juga model regresi dengan banyak peubah bebas yang saling berkorelasi hanya menambab sedikit pada daya ramal model, namun pads saat yang sama; ( 1 ) rneningkatkan dengan sangat besar galat baku koefisien-koefisien regresinya, (2) meningkatkan keragaman penduga responsnya

serta ( 3 ) menurunkan kemampuan deskriptif model (Neter. J., W. Wassermaq &

M.H. Kumer, 1990). Dengan jumlah peubah bebas yang begitu banyak

memungkinkan terjadinya kekacauan (confounding). Konsekuensinya adalah

prosedur pendugaan parameter menjadi laming mulus diikuti dengan hasif galat baku

yang membesar secara tidak realistis (Hosmer & Lemeshow, 1989).

Beberapa cam untuk penyeleksian peubab yang layak dimasukkan ke dalam

model disajikan berikut ini:

1. Jika peubah X kontinu, maka disarankan

unWE

menggunakan uji Wald (pada analisis regresi logistik dengan melibatkan seluruh peubah yang

a&)

2. Uji meldui pembuatan model dengan peubah tunggal, kemudian dengan melihat

nilai-p pa& statistik Wald. Untuk nilai p < 0.15 peubah &pat dipertimbangkan

untuk

_{dimasukkan ke} dalam _{model regresi logistik.}

3. Uji Wald, dengan cam membandingkan masing-masing koefisien dugaan p d a

model penuh dengan model sederhana.

Suatu prosedur yang paling populer &lam penyeleksian peubah

untuk

membangun suatu model agar memperoleh model "'terbaik" ialah metoda regresi

2.10.2. Regmi -tit Bertatar

Regresi logistik bertatar adalah sebuah metode yang digunakan untuk

memasukkan atau mengeluarkan peubah-peubah dari suatu model. Agar &pat

memasukkan clan mengeluarkan peubah-peubah tersebut diperlukan suatu kriteria.

Kriteria tersebut disebut aturan berkeputusan tetap ( a fixed decision rule) (Hosmer &

Lemeshow, 1989).

Peubah yang memenuhi laiteria tersebut disebut peubah "penting". Peubah

"penting" adalah peubah bebas yang diperkirakan berpengaruh nyrrta terhadap peubah respon bila peubah tersebut dimasukkan ke &lam model.

Seperti halnya pada analisis regresi linear berganda, metode regresi bertatar

pada analisis regresi logistik juga diawali dengan metode seleksi lmgkah maju

kemudian dilanjutkan dengan eliminasi langkah mundur.

Seleksi iangkah maju didasarkan pada nilai log likehood (L). Uji yang

digunakan ialah Log Likehood Ratio Test dengan statistik uji G, dengan :

G = 2 ( L j - L o )

dimana: Lo = Nilai Log Likelihood model hanya dengan konstanta.

L,

= Nilai Log Likiihood model dengan peubah ke-j.

Nilai p minimum merupakan langkah awal, selanjutnya diteruskan dengan

pnambatian peubah yang dilakukan dengan uji G. Seleksi Ian- maju berhenti

j i b pada langkah kedua atau seterusnya diperoieh nilai p pada uji G yang bermakna.

Langkah selanjutnya eliminasi langkah mundur,

dan

statistik uji yang digunakan

ialah:

G = 2-,e, - L e i )

dimana : Lele2 = Nilai Log LiRelihood hasil seleksi langkah maju dengan peubah

yang dimasdckan adalah peubah 1 dan peubah 2.

Le, = Nilai Log LiReZihood jika peubah yang m a s k pada tahap ke-j

dibuang.

Pembmgan peubah ke-j dengan periimbangan nilai p yang maksimum. Langkah eliminasi langkah mundur dihentikan jika diperoleh statistik G dengan nilai

p > a. Kemudian dilakukan analisis untuk menyusun mode1 regresi logistik dan

interpretasi masing-masing koefisien.

Aspek terpenting d d a m penggunaan regresi logistik bertatar iahh pemilihan tingkat a untuk menilai tingkat peubah. Misalnya

a

yang dipilih pada seleksi

langkah maju dinotasikan dengan PE dimana E berarti mas& (entry) dan pada

eleminasi Iangkah mundur $ dinotasikan dengan

PR

dimana R berarti keluar (remove). Disini nilai PR yang dipilih

harus

febih besar dari PE untuk menjaga kemungkinan terjadinya proses memasukkan dan mengeluarkan peubah yang sama secara berturut-tumt pada suatu tahap m t u .

Kekurangan dari prosedm penyeleksian regresi logistik bertatar ialah

pendugaan kemungkinan maksimum bagi koefisien

dari

semua peubah yang tidak

berada ddam model, jadi

harus

dihitung pada setiap langkah, sehingga untuk ukuran

2.10.3. Prosedur Regresi Logistik Bertatar

Prosedur Regresi Logistik Bertatar adalah prosedur yang rnenggabungkan dua

metoda yaitu metoda seleksi Iangkah maju yang k e m d a n dilanjutkan dengan

metoda eliminasi langkah mundur. Dalam regresi logistik bertatar prosedur

penyeleksian dilakukan dengan menyusupkan peubah satu demi satu sampai

diperoleh persamaan regresi logistik yang mempunyai jxmgarub nyata dalam menjelaskan data.

1. Langkah (0):

Diketahui peubah bebas yang a& sebanyak k buah. Tahap ini dimulai dengan pengepasan intersep dari model dan menduga nilai log likelihood-nya (L,). Kemudian dilanjutkan dengan pengepasan setiap peubah pada model regresi logistik

secara univariafe

dan

memtkzndingkan nilai log likelihood antara yang satu dengan yang lain. Msalkan nilai log likelibod dari model yang memuat peubah Xj pa&

langkah ( 0 ) dinotasikan dengan L

,"'.

Sehingga nilai dari likelihood ratio rest dari

model yang hanya memuat intersep dengan model yang memuat peubah X,

dinotasikan dengan G~"' = 2(Lj(" - L o ) . clan nilai

p

dari

G ~ ~ ) dinatasikan dengan P,'" yang ditentukan oleh peluang pCX2 > G ,(')] = P,'"

.

Peubah yang dianggap

penting ialah peubah dengan niiai p terkecil, yaitu P,,"' = rninpj'O']. Peubah yang

mempunyai P,I(~) dinotasikan dengan X,,

.

Peubah

X,,

merupakan peubah yang

2. Laegkah (1):

Tahap ini dimulai dengan pengepasan model regresi iogistik y m g memuat

X,,

.

Nilai log likelihood tahap ini dinotasikan dengan L,,"'. Selanjutnya dilakukan

pengepasan terhadap (pl) peubah lainnya. Pengepasan (pl) peubah sisa ini dilakukan satu persatu. Untuk pengepasan peubah sisa ke-j dinotasikan dengan &,.

Sedangkan log likelihood

dari

model yang memuat

X*

dinotasikan dengan L,,~"'.

Sehingga nilai likelihoodratio test-nya ialah G ~ ( " = z(L,,~"'

-

L,,"') , dan nilai-p dari

G~''' dinotasikan dengan P~"'. Misalkan peubah dengan nilai-p terkecil pada langkah

(1) adalah

X

,

dimana P,"' = m i n ~ j " ' ] . Proses perhitungm dilanjutkan p d a

langkah (2). Jika nilai P,"' lebih kecil

dari

PE, m a b proses dilanjutkan jika tidak

proses dihentikan.

3. Langkah (2):

Tahap ini dilakukan p e n g e m model yang memust peubah

dan

X*.

Kemungkinan terjadi sewaktu X , 2 dimasukkan ke dalam model

XI

menjadi tidak

nyata, sehingga pada tahap ini selain memasukkan peubah juga dilakukan pemeriksaan eliminasi langkah mundur (backward elimination). Kemudian

dilanjutkan dengan pengepasan model dengan membuang

satu

dari peubah yang telah

ditambhkm pada lan- sebelumnya dan dilanjutkan dengan menduga arti penting

peubmh berikutnya. Misalkan L-~"'melambangkan dari log likelihood model dengan

G - ~ " ) = 2 ( ~ , , ~ ( ~ )

-

L -i(2)) dan nilai-p nya P+"'

.

Untuk menentukan peubah yang

akan

_dikeluarkan

dari

_{model, dilihat dari nilai-p terbesar. Misalkan Xrl adalah}

peubah yang dicalonkan keluar dari model, dimam P,,'" = m a x ~ p - ~ ' ~ ) ] . Untuk

memutuskan ap&ah Xrl harus dikeluarkan dari model atau tidak,

maka

dibandingkan

nilai~,,'~' dengan PR. Jika nil&-p terbesar [P,,'~'], lebih besar dari fi maka peubah

X,,

dikeluarkan dari model, atau sebaliknya. Kemudian proses dilanjutkan dengan

penyeleksian peubah yang masih berada di luar model. Untuk setiap (p2) kali terhadap model regresi logistik dilakukan pagepasan. Efal ini dilakukan a p b i l a model regresi Iogistik masih memuat peubah yang masih signifikan di dalam model

tersebut. Terhadap peubah Xj (untuk j = 1,2,.

..

,p, j # ele2) kemudian ~ l a i log

likehood-nya dihitung

unNc

menentukan nilai IikeIihood ratio test, [ G ? ] . Adapun

nilai-p nya dilambangkan dengan pjC2'. Midkan peubah dengan nilai- p terkecil

pada langkah (2) adalah & dim- P,") = ~p~"'] maka proses akan dilanjutkan pada

(3).

4. Langkah (3):

Uji yang dil8kukan turtuk mengetahui apakah model yang telah didapat sudah cukup efektif dapat menjelaskan pubah respons dalam model, dinamakan uji kesesuaian model (goodness-of--fit test). Uji ini ferutama disarankan untuk data yang mengandung satu nilai pubah bebas X

ada

sekelompok pubah

Y

(atau populasi Y

pada nilai X tertentu).

1. Jarak antam nilai pengamatan (Y) dengan nilai

dugaan

(

?

) adalah kecil.

2. Kontribusi setiap pasangan

(Y,

?

) terhadap keseluruhan adalah

tidak

sistematis (atau pola sisaan yang berlainan tan&

tidak

berpola sistematis),

akan

tetapi bersifat acak.

Prosedur pendekatan unNE menilai kecaakan model addah sebagai berikut: a. Perhitungan

den-

evaluasi terhadap s e 1 d penduga.

b. Pengujian secara grafis.

c. Pengujian jarak antara

Y

dan

?

.

A& beberapa pengujian yang &pat digunakan

untuk

menilai

kecocokan

model.

Salah

satu diantaranya ialah Khr Kuadrat Pearson (Hosmer & Lemeshow, 1989).

Rumusnya adalah sebagai berikut :

dimana : J = banyahya nilai X yang berbeda

BAB

m

BAHAN DAN METODE ANALISIS

3.1. Bahan

Data yang digunakan daiam penelitian ini adalah data yang telah dikumpulkan oleh tim studi ‘Professional Development Progmms For University Lecturers A

Policy Study'? yang diperdeh dari 30 pergunurn tinggi di Indonesia. Untuk keperluan analisis ini b y 8 digunakan data hasil wawancara dengan

alumni

pelatihan AA,

PEKERTI, TIW dan lainnya (yang merupakan Program Pengembangan

Professionalisme Staf Akademik), sebanyak 648 responden.

Sesuai den- tujuan penelitian, maka yang dilakukan ialah menganalisis data

berupa hasil wawancara dengan alumni pelatihan, dengan men-kan metode

regresi logistik untuk melihat hubungan serta pengaruh dari peubah-peubah bebas

terhadap peubah respons yaitu berupa tingkat kepuasan alumni pelatihan Program Pengembangan Profesionalisme Staf Akademik. Peubah-peubah tersebut semuanya

[image:49.545.80.476.53.291.2]

Tabel 2. PengLuodean P e ~ b a b Bebas dan Peubah Respon.

3.2. Metodologi Analisis

Langkah-iangkah analisis yang dilakukan untuk mengetahui pengaruh serta

hubungan dari masing-masing peubah bebas terhadap tingkat kepuasan alumni

peserta pelatihan Program Pengembangan Profesionalisme Staf Akademik, ialah:

1. Melakukan analisis data untuk mencari penduga koefisien-koefisien model regresi iogistik berganda untuk semua peubah bebas yang relevan, dengan menggunakan metode kemunglunan maksimum.

2. Melakukan analisis

data

untuk mencari penduga koefisien model regresi

melihat hubungan dan peranan masing-masing peubah bebas terhadap tingkat

kepuasan alumni pelatihan.

3. Melakukan penyeleksian

peubah

dengan menggunakan metode regresi logistik

-tar yang bertujm untuk mendapatkan beberapa

model

regresi

logistik

'Yerbaik" menurut kriteria kemampuan memprediksi tingkat kepuasan alumni

terhadap pelaksanaan pelatihan.

BAB

IV

HASrL DAN PEMBAHASAN

4.1. Deskripsi Data

Jumlah alumni peserta pelatihan yang dikaji &lam studi

ini

sebenarnya

sebanyak 476 orang yang berasal dari 30 perguruan tinggi baik Pergunurn Tinggi

Negeri maupun Perguruan Tinggi S w t a (Tabel 3). Akan tetapi

dari

476 orang pe-

serta pelatihan, beberapa diantanmya ada yang mengikuti lebih dari satu program pelatihan, sehingga jika dipisahkan menurut program pelatihan yang diikuti, terdapat

648 peserta pelatihan seperti terlihat dalam Tabel 5.

Program pelatihan yang dikuti oleh 648 peserta pelatihan tersebut (Tabel 4)

ialah : AA (Applied Approach) diikuti oleh 252 orang (38,89%), PEKERTI diikuti

oleh 306 orang (47,21%), TIW diikuti oleh 10 orang (1,54%), dan pelatihan laimya 80 orang (12,34%).

Tabel 4.3enis Pelatihan

I

PELATlHAN 1 N 1 PERSEN

1

Untuk menganalisis faktor-faktor yang berpengaruh terhadap tingkat kepuasan

alumni peserta pelatihan Program Pengembangan Profesionalisrne

Staf

Akadernik,

disajikan data penelitian dengan jumlah amatan sebanyak 648 (Tabel 5). Dari 648

amatan, sebanyak 220 atau 33,9% mempakan data tidak valid. Hal ini disebabkan

oleh ti& lengkapnya seluruh peubah masuk ke dalam data yang d i d i s i s . Data amatan pa& Tabel 5 terdiri

dari

s e b d

peubah respons tingkat kepuasan dengan

sebelas peubah bebas yang semuanya bersifat kategotik

I

AA

1

252

PEKERTI

1

306

TIW

I

10

Laimya

I

SO

Tatal f 648

[image:52.545.189.345.225.301.2]

[image:53.548.86.473.52.374.2]

Tabel 5. Data Amstan Peserta Pelatilum dengan Berba~si Peubah %bas dengan Satu Peubah Reapon %ngkat Kepeasm

I

No.

I

Namr Pcub.h

1

.I&

1

N.mr K.-ri I N 1

Dugaan model regresi logistik model pen& tingkat kepuasan alumni peserta

dengan k e t m g a n simbol

X1

,

.

. .

, Xl &pat dilihat pada Tabel 6.

Pembentukan model pen& untuk melihat faktor-faktor yang berpeqpmh terhadap tingkat kepuasan alumni petatihan dengan melibatkan sebelas peubah bebas maghasilkan nilai statistik-G sebesar 338,013 dan nilai-p 0,000. Hal ini

menunjukkan bahwa model yang diperoleh dapat diterima secara statistik dan berarti

paling sedikit ada satu f3, dari kesebelas peubah penjelas tersebut yang tidak sarna dengan nol pada t a d nyata 5%.

Pada Tabel 6 juga &pat dilifrat bahwa peubah-peubah kesesuaian, metode

dan

kualifikasi memberikan pengaruh yang signifikan terhadap model penuh pada taraf

nyata 5%. Sedangkan pubah-peubah manfaat, penera-, pemilihan, tujuan,

relevansi, waktu, sarana dan prasanrna serta cakupan materi tidak berpenganrh secara

signifikan terhadap model penuh pada taraf yang sama. Ini bukan berarti kedelapan

peubh-peubah bebas sehinggga tidak kelihatan efeknya terhadap tingkat kepuasan.

Berdasarkan andisis dengan metode regresi logistik secara unvariate, peubah-peubah

tersebut mempunyai hubungan yang signifikan dengan tingkat kepuasan, kecuali

p e u W tujuan (L,ampiran 1).

Berdasarkan saran

dan

_{metode yang efektif, terdapat beberapa saran antara} lain :

1. Diusahakan jangan terlalu twritis. 2. Seimbmgkan antam teori dan praktek

3. Sesuaikan pelakihan dengan materi,

dan

prasarrtna, situasi dan kondisi

pada pelatihan.

4. Perbanyak diskusi dua arah.

5. Usahakan instruMur berasal dari dari bidang ilmunya sehingga penyajian

akan

lebih menarik.

6. Sesuaikan dengan kelompok ilmu masing-masing peserta.

7 . Dilengkapi dengan fasilitas

dan

alat bantu yang memadai.

8. Metode pelatihan di-i sesuaikan dengan perkembangan ilmu

penge?ahuan

dan

teknologi.

43. Regresi Logistik Bertatar

Untuk me1ihat pengaruh

dari

peubah bebas yang tidak signifikan &lam model

penuh serta men& mode1 yang sesederhana mungkin yang mas* dapat menjelaskan

dengan metode regresi logistik bertatar. Model yang diperoleh merupakan model

terbaik yang lebih sederhana untuk memprediksi tingkat kepuasan alumni peserta pelatihan.

Sebelum mas& ke d a b proses penyeleksian peubah, ditetapkan terlebih

dahulu tingkat signifikansi untuk menilai tingkat kepentingan peubah. Dalam

hal

ini

akan digunakan PE = 0,15 dan PR = 0,20. Tahapan-tahapan dalam metode

penyeleksian peubah ini secara teoritis telah dibahas di dalam bab tiqjauan pustaka.

Berdasarkan hasil analisis dengan metode mgresi logistik bertatar dapat

disusun suatu persamaan penduga sebagai berikut :

Hasil analisis menunjukkan bahwa dari sebelas peubah bebas yang diduga

rnempengaruhi tingkat kepuasan alumni, temyata hanya ada empat peubah yang

masuk ke ddam model. Dengan melalui penyeleksian langkah maju, nilai-p dari

keempat peubah nilainya lebih kecil dari PE yang sesuai &ngan konvensi sebesar 0,15. Melalui proses eleminasi langkah mundur, nilai-p dari keempat peubah

nilainya lebih kecil dari PR sesuai konvensi sebesar 0,20. Keempat peubah penting

yang mempunyai pen@ yang cukup kuat untuk menentukan tingkat kepuasan

alumni peserta pelatihan secara berturut-turut yaitu : metode pelatihan yang

Meskipun hanya empat peubah masuk ke dalam model terbaik yaitu

kesesuaian, metode, kualifikasi serta sarana clan pmsaam (Tabel 7 ) bukan berarti

peubah-peubah yang lain ymg tidak masuk ke dalam model terbaik tidak berpengaruh terhadap tingkat kepuasan alumni.

Tabel 7. Hasit Analisis Regresi m t i k Bertatar untak Model Pertama

Prrspor,

1

P.penpl;rs

1

Koef. ] G a h t h k m

I

njhiwlltd

I

db

I

Si

I

Exp(B)

I I I I I I

-2 Log Llklihood = 37,464 nilai-p

-

0, OOO

Dengan cara yang sama diditpat 2 model

lain

yang lebih sederhana untuk

memprediksi tingkat kepuasan. Peubah-peubah yang menyusun model kedua ialah :

manfaat

(X2),

pemilihan

m),

relevansi I&) dan waktu

(X,)

(Tabel 8).

TabeI 8. Hasil AnsIbis Regresi Leghtik Bertatar untok Model Kedua

P . m p a m P. pemjdas

I

K a l .

I

G.l.tbrlol

I

njlaiWaId

I

db 1 Sig

1

Erp<B)

Tlnskat

I

I

I

I

-2 Log Ltkelihood = 32,985 nilai-p = 0,000

Sedangkan model ketiga peubah-peubah yang menyusun model ialah :

[image:57.556.90.476.146.242.2]

-2 Log LikeCellhuod = 40,368 doi-p

-

0,000

Model 1

(Tabel

7) dikatakan model terbaik karena kernampuan model tersebut memprediksi secara keseluruhan dengan benar sebesar 81,3%

(Tabel

10)

di

atas kemampuan model 2 dan model 3

sebesar

77,396 (Tabel 11)

dan

75,9% (Tabel 12).

Tabel 10, KemPmpuan Mempredilrsi dsri

Model

Pertama

I I PerrarWc

i

Tabel 11. Kernampaan Memprediksi dari Model Kedua

[image:58.554.79.454.53.592.2] [image:58.554.90.474.59.154.2]

Ketiga model regresi logistik yang diperoleh yaitu:

1. Tingkat Kepuasan = fjkesesuaian, metode, kualifikasi clan saraaa)

2. Tingkat Kepuasan

-

@manfaat, pemilihan, relevansi

dan

waktu)

3. Tingkat Kepuasan = f(pemilihan, &pan, relevansi

dan

waktu)

Untuk melihat

hubungan

antara tingkat kepuasan dengan perh tidaknya

diadakan pelatihan lanjutan, dapat digunakan metode regresi logistik, karena kedua

Tabel 13. Penglrodean Peubah Tinglrat Kepuasan dan - Peubah ~er~mny; ~etatihan

N-8 P m M

I

- t q t o r i s ~ i

I

Kode

muasan o

I

Puasatau 1

sangat puas

f Tidak perlu

1

0

I

Dari Tabel 14 dapat disimpulkan bahwa makin puas alumni terhadap

pelaksanaan pelatihan, maka makin dirasa perlu untuk melaksanakan pelatihan

Tabel 14. AnaIisii Regresi Lagbtik Tigbrt Kepuasan terhadap Perlunya Diadakan Pelatihan

B Wdd db S i Ex@) a K e p e r c 8 y a . o

95% untvlr Ex*)

I

1

1

f I I I Batas I Bau~n

Berdasarkan perlu tidaknya pelaksanaan pelatiham tetapi dengan modifikasi,

terdapat beberapa alasan sebagai berikut :

1. Untuk penyegaran agar tidak membosankan sehingga adanya suasana baru dan

menimbulkan ketertarilutn untuk ikut pelatihan atau agar tidak monoton

sehingga diperoleh hasil yang baik.

2. Tidak hanya bersifat teoritis tetapi diperbanyak dengan praktek.

3. Disesuaikan dengan perkembangan teknologi

dan

kebutuhan fakdtas, jurusan,

dan

mahasiswa untuk menghindari materi yang sudah tidak relevan. [image:60.554.122.418.59.145.2] [image:60.554.88.475.220.294.2]

5 . Pelatihan diadakan

dan

sesuaikan dengan bidang ilmu pese* pel&- (PA, IPS dan Humaniora).

6 . Jangan terlalu t e epads buku panduan.

7.

Penyampaian materi diperbaiki agar lebih mudah diterima dan diterapkan oleh

peserta pelatihan, clan instruktumya diusahakan berasal

dari

sernua fakultas

atau bila perlu ditambah.

8. Unsur pimpinan atau dosen senior yang begum pernah ikut perlu diikutkan

dalam pelatihan.

10. Dilakukan monitoring dan waluasi penerapan.

1 1 . Materi yang diberikan diusahakan adalah yang penting dan yang prinsipil. Berkaitan dengan

kurun

_{walctu pelaksanaan pelatihan, pa& Tabel I S dan}

Garnbar 2 dapat diliht bahwa 353 dari 628 (56,2%) alumni peserta peiatiban

menginginkan agar

kurun

_{waktu pelatihan kurang dari satu bulan,} 158 (25,2%)

alumni menginginkan 1-2 bulan, 33 (5,3%) aiumni menginginkan 3 4 bulan dan 84

[image:62.554.156.428.54.203.2]

Gambar 2. Diagram Batang

Lama

Pejatiban.

Pelatihan yang lamanya kurang dari satu bulan merupakan lamanya pelatihan tertinggi dari lama pelatihan yang lainnya (Gambar 2). Keinginan peserta berkaitan den- lama pelatihan rata-rata 10-4 hmi,

dan

lama pelatihan maksimurn 30 hari (Tabel 16). Hal ini dapat dilihat lebih jelas

pada

diagram kocak garis untuk lama

Pelatihan < I bulan

[image:63.554.128.456.54.220.2]

I

KURANO

I

Gambar 3. Diagram Kotak Garis Lama Pelatihan Xurang dari 1 Bulan Beberapa alasan mengapa pelatihan itu diadakan dalam jangka waktu kurang

dari satu bulan, adalah sebagai berikut :

1. Agar tidak menimbufkan kejenuhan, sehingga lebih konsentrasi.

2. Agar tidak mengganggu aktivitas lainnya.

3. Pelatihan bertahap lebih efektif dibandingkan pelatihan m e n y e l d yang

memakan waktu terlalu lama.

4. Materi pelatihan cukup diberikan bagian-bagian terpenting atau yang pokok saja sehingga pengembangan dilakukan sendiri oleh dosen, yang terpenting acialah

praktek dan latihan-latihan.

5 . Waktu yang terlalu lama &pat mengalihkan apa yang menjadi fokus dan tujuan p e l a t i b .

6 . Supaya biaya yang dikeluarkan tidak terlalu besar.

7. Karena waktu yang lama tidak menjamin efektifitas pelatihan menjadi lebih

8. Waktunya tidak terlalu singkat dan juga tidak terlalu lama.

Dilihat dari keinginan untuk meningkatkan kemampuan agar dapat memberikan pengajaran den- lebih baik dari Tabel 17 dapat dilihat bahwa peubah

tingkat kepuasan dengan melakukan uji Wald, dapat disimpulkan bahwa ada

hubungan antara tingkat kepuasan den- keinginan mtuk meningkatkan kemampuan, artinya makin puas peserta sernakin meningkat keinginan untuk

meningkatkan kemampuan agar dapat memberikan p e n g a j m dengan lebih baik.

Beberapa alasan yang diungkapkan, diantaranya ialah karena dengan meningkatnya

kemampuan dalam teknik mengajar maka &an membawa kebahagian daiam

menjalankan tugas dan dapat melakukrtn modifikasi-modifikasi &lam mengajar

sehingga peserta didik dapt mengikuti kuliah dengan senang dan tidak tertekan.

Disamping itu, menjadikan kuliah yang diasuh ditunggu-tunggu mahasiswa.

- -

-

-

untuk ~ e n i a g b t k a n Gmampuan

B

1 K

-!lNTERSEP

~ E P U A S A N

Chhtb.ku

2,067 0,771

WBM

I t I I

db

0,237

1

75,839 1 1 0,314 f 6.025

1

1

! Batas Bawah 1,168 Sig. 0,000 0,014 Batas Bawah 4,002

E m ) Sdrag K c p a e ~ y u a 95% uatulr _Ex*)

45. Program PeIittiban di IPB dam di

UI

Untuk membandingkan performunee pel- pelatihan di IPB dan di

UI

serta menganalisis fsrktor-faktor yang membedakan pelaksanaan pelatihan di kedua

perguruan tinggi tersebut, dipergmakein metode regresi logistik unmanate dengan

peubah responnya adalah pergruuan tinggi

(IPB-UI).

IPB kode kategorinya 0 sedangkan UI kode kategorinya 1 (Lampiran 2).

Berdasarkan analisis regresi Iogistik univariate, pedomnce pelaksanaan

pelatifian di IPB

clan

di

UI

&pat dideskripsikan seperti yang tercantum di dalam

Tabel 18. Hasil analisis

den-

metode regresi logistik secara unrvariate tampak

adanya hberapa peubah-peubah yang berpengamh

secara

nyata (a = 0.05) terhadap

pet$onmmce pelaksanaan pelatihan di

kedua

perguruan tinggi tersebut. Pelaksanaan

pelatifian di IPB memberikan tingkat kepuasan lebih tinggi dibandingkan dengan

pelaksanaan pelatihan di

UI.

Penerapan h i 1 pelatihan di IPB lebih dapat diterapkan

jika dibandingkan den- di UI. Metode pelatihan yang digunakan

di

IPB lebih efektif jika dibandingkan dengan metode yang digunakan

di

UI.

S a m

dan

prasarana yang a& di IPB febih kayak dibandingkan dengan sarana dan prasarana yang ada di UI. Demikian juga keinginan alumni agar lamanya pelatihan d~laksanakan kurang dari satu bulan,

di

IPB lebih tin@ jika dibandingkan dengan keinginan para alumni di UI.

Beberapa penjclasan alumni mengenai alasan rnengapa hasil pelatihan itu

tidak &pat diterapkan atau hanya dapat diterapkan sebagian saja idah sebagai

1. Sarana

d m

prasarana masih kurang memadai.

2. Ada beberapa yang bersifat teoritis sehingga knnang bisa diterapkan..

3. Keterbatasan waktu dalam kegiatan perkuliahan.

4. Karena pendidikan instruktur berbeda dengan pendidikan peseria.

5. Ketas tidak ideal.

6. Kondisi belum kondusif.

7. Lingkungan k m g mendukung.

8. Penerapan mengalami kesulitan karena melibatkan peran mahasiswa clan jurusan.

9. Sistem ymg ada tidak mendukung.

BAS

V

KESIMPULAN

DAN

SARAN

5.1. Kesimpulan

Berckarkan h i 1 a d i s i s regresi logistik univariate, dari 11 peubah penjeias didapatkan 10 peubah penjelas yang brpengarub

secara

nyata terhadap tingkat kepuasan alumni peserta pelatihan. Kesepuluh peubafi tersebut adalah:

1. Kesesuaian dengan tuntutan keahlian sebagai staf akademik.

2. Manfaat pelatihan.

3. Penerapan hasil pelatihan.

4. Pemilihan peserta pelatihan dari aspek golongan

dan

jabatan.

5. Cakupan materi pelatihan.

6. Relevansi terhadap tujuan pelatihan.

7. Waktu penyelenggaram pelatihan.

8. Metode pehiihan yang digunakan.

9. Kdifikasi pelatiwpenatar.

10. Saranadanpfasamm.

Dari 10 peubah yang berpengaruh nyata terhadap tinglatt kepuasan alumni telah disusun 3 model yang lebih sederhana untuk meramal tingkat kepuasan, masing- masing melibatkan 4 peubah. Ketiga model tersebut ctdalah sebagai berikut :

2) Tingkat Kepuasan = f(Manfaat, Cakupan, Relevansi da. Waktu)

3) Tingkat Kepuasan = Vemilihan, Cakupan, Relevansi dan Waktu)

Ketiga model yang diperoleh b e r W k a n metode regresi logistik bertatar

adalah model terbaik dari semua kemungkinan. Peubah-peubah lain yang tidak

mas& ke dalam ketiga model tersebut, bukan berarti tidak berpengaruh terhadap

tingkat kepuasan alumni peserta pelatihan, karena

ada

hubungan antara peubah-

peubah bebas tersebut.

Untuk per5onnance pelatihan yang dilaksanakan di IPB dan di UI dapat

dideskipsikan sebagai berikut:

1. Secara m u m pelaksanaan pelatihan di IPB lebih memberikan tingkat kep-

yang lebih tinggi jika dibandingkan den- pelaksanaan pelatihan di

UI.

2. Penerapan h a i l pelatihan, metode pelatihan yang digunakan, serta sarana dan

prasarana pelatihan ternyata cendenurg lebih baik di IPB j i b dibandingkm

dengan yang di

UI.

5.2. Saran

.

Beberapa saran yang disampaikan antam lain:

1. Lammya waktu (durasi) pelaksanaan pelatihan

untuk

_{pelatihan yang akan datang}

hendaknya dikurangi agar menjadi lebih efektif

dan

efisien.

2. Karena pelatihan yang diselenggadcan ini dirasa sangat bermanfsat terutama

DAFTAR PUSTAKA

Agresti, A. 1990. Categorical Data Analysis. New York : John Wiley and Son, Inc.

Collett, D. 1991. Modelling Binary M a . Great Britain : T.J. Press [PadstowlLtd,

Padstow, Comdt

Draper, N. R., and H. Smith. 1992. Amlisis Regresi Terapan. Edisi Kedua, Jakarta:Gramedia Pustaka Utama.

Hosmer, D.W. and S. Lemeshow. 1989. Applied Logistic Regression. New York :

John Wiley and Sons, Inc.

W d a l a , G. S. 1989. Introduction To Econometrics. New York :Macmillan

Publishing Company

Myers, R. H. and J . S. Milton. 1991. A First Course In The Theory Of Linear Statistical Models. Virginia Polytechnic Institut and State University.

Neter, J., W. Wassennan and M. H. Kutner. 1990. Appled Linear Statistical

M d e l s . Third Edition. Richard D. Irwin, Inc., Homewood, Illinois.