Penerapan Metode TwoStep Cluster Analysis (TCA) pada Pengelompokan Mahasiswa Matematika FMIPA UNSRI Berdasarkan Cara Belajar Oki Dwipurwani

(1)

Semirata 2013 FMIPA Unila |417

Penerapan Metode

TwoStep Cluster Analysis (TCA)

pada

Pengelompokan Mahasiswa Matematika FMIPA UNSRI

Berdasarkan Cara Belajar

Oki Dwipurwani

Jurusan Matematika FMIPA Universitas Sriwijaya E-mail: Okidwip@yahoo.com

Abstrak. Setiap mahasiswa, khususnya mahasiswa Jurusan Matematika FMIPA Unsri, memiliki kebiasaan cara belajar yang berbeda-beda dalam usaha mencapai prestasi akademiknya. Penelitian ini bertujuan untuk mengelompokan mahasiswa berdasarkan cara belajarnya, sehingga dapat diketahui bagaimana cara belajar mahasiswa yang memiliki prestasi akademik yang sangat tinggi, tinggi, cukup tinggi, rendah dan sangat rendah. Tidak jarang mahasiswa yang telah menghabiskan banyak waktu untuk belajar masih juga memproleh prestasi akademik yang rendah, sementara mahasiswa yang hanya menghabiskan waktu sedikit dapat memperoleh prestasi akademik yang tinggi, hal ini bisa disebabkan karena cara belajar yang dimiliki mahasiswa berprestasi akademik tinggi lebih baik dan efisien. Metode yang digunakan untuk mengelompokan mahasiswa pada penelitian ini adalah TwoStep Cluster Analsysis (TCA), karena peubah–peubah cara belajar yang digunakan memiliki skala pengukuran interval dan kategorik. Metode ini bersifat tegar terhadap asumsi-asumsi kebebasan peubah dan kenormalan data yang melandasi metode pengelompokan Cluster Analsysis (CA) konvensional. Hasil penelitian menunjukan bahwa mahasiswa terbagi atas dua kelompok. Kelompok pertama terdiri atas 100% mahasiswa dengan prestasi akademik sangat tinggi, 82,6% tinggi, 62,7% cukup tinggi, 18,5% rendah dan 0% sangat rendah, sisanya masuk dalam kelompok kedua. Kelompok pertama memiliki kebiasaan cara belajar yang sangat baik dari seluruh peubah cara belajar, khususnya yang menonjol adalah peubah Rajin mengerjakan soal-soal latihan materi kuliah yang telah dipelajari (X64) dan Rajin mengulang catatan materi kuliah (X51), tetapi kelompok kedua sebaliknya. Peubah yang paling tidak membedakan kedua kelompok adalah Kesadaran mahasiswa untuk belajar (X11) dan Percaya pada kemampuan sendiri (X12). Mahasiswa angkatan muda dominan berada pada kelompok pertama, sementara itu mahasiswa angkatan tua dominan pada kelompok kedua.

Kata kunci. Cara belajar mahasiswa, Two step Cluster Analysis(TCA) PENDAHULUAN

Kualitas cara belajar mahasiswa Jurusan Matematika FMIPA Unsri perlu mendapatkan perhatian. Dari hasil pengamatan proses belajar di kelas, nilai-nilai mata kuliah, nilai IPK dan wawancara peneliti kepada mahasiswa, umumnya mereka kurang memiliki kemauan bekerja keras dalam belajar. Setiap mahasiswa pun memiliki kebiasaan cara belajar yang berbeda-beda dalam usaha mencapai prestasi akademiknya. Faktor cara belajar yang buruk merupakan

(2)

418| Semirata 2013 FMIPA Unila

mahasiswa melaksanakan kegiatan belajar. Cara belajar yang baik akan menyebabkan berhasilnya belajar, sebaliknya cara belajar yang buruk akan menyebabkan kurang berhasil atau gagal [3].

Aspek-aspek cara belajar menurut Thabarany terbagi atas: Persiapan belajar, cara mengikuti pelajaran, aktifitas belajar mandiri, pola belajar siswa dan cara siswa mengikuti ujian [4]. Penelitian ini bertujuan untuk mengelompokan mahasiswa berdasarkan cara belajarnya, sehingga dapat diketahui bagaimana cara belajar mahasiswa yang memiliki prestasi akademik yang sangat tinggi, tinggi, cukup tinggi, rendah dan sangat rendah.

Peubah–peubah cara belajar yang digunakan memiliki skala pengukuran interval dan kategorik, maka akan digunakan metode Twostep Cluster Analysis (TCA). Pengujian internal secara empiris mengindikasikan bahwa metode ini secara nyata tegar (fairly robust) terhadap pelanggaran kedua asumsi, baik asumsi kebebasan dan asumsi distribusi yang melandasi metode pengelompokan (Cluster Analysis: CA) konvensional [5], [6]. Ada dua langkah dari algoritma prosedur TCA yaitu, pertama, Prosedur dimulai dengan mengkonstruksi Cluster Features (CF) Tree, kedua, titik cabang dari pohon CF digrupkan menggunaan algoritma klaster agglomerative. Untuk menentukan berapa jumlah kelompok terbaik, dibandingkan menggunakan Bayesian Information Criterion (BIC) atau Akaike Information Criterion (AIC) sebagai kriterianya [7], [8]. Perhitungannya dapat dengan program SPSS for Windows [9].

METODE PENELITIAN

Pertama, merumuskan peubah cara belajar, berdasarkan aspek-aspek

persiapan belajar, cara mengikuti pelajaran, aktifitas belajar, pola belajar dan cara mengikuti ujian. Kedua, memperoleh data primer melalui koesioner. Responden adalah seluruh mahasiswa Jurusan Matematika Unsri yang masih aktif. Ketiga, melakukan prosedur Two Step Cluster Analysis, yaitu menghitung jarak masing-masing objek (responden), melakukan pengelompokan berdasarkan kemiripan cara belajar, kemudian menghitung nilai AIC atau BIC untuk menentukan jumlah kelompok yang optimal. Selanjutnya melakukan interpretasi hasil.

HASIL DAN PEMBAHASAN

Deskripsi Data

Berdasarkan survei terhadap 149 responden (mahasiswa) di Jurusan Matematika FMIPA Unsri yang dilakukan pada bulan Agustus 2010, diperoleh 128 kuisioner yang memenuhi syarat.

Karakteristik mahasiswa Jurusan Matematika FMIPA UNSRI dapat dilihat pada Tabel 1.

Tabel 7. Karakteristik mahasiswa jurusan matematika fmipa unsri

No. Karakteristik Frek Persen 1 JK Laki-laki 41 32%

(3)

Tabel 8. Karakteristik cara belajar responden

Lambang Pernyataan

X1 Persiapan Mental

X11 Tahu tujuan belajar adalah untuk menambah ilmu pengetahuan X12 Percaya pada kemampuan diri sendiri untuk berprestasi X13 Rajin mengulang pelajaran dan mengerjakan tugas-tugas kuliah. X14 Suka sekali mempelajari buku-buku pelajaran kuliah.

X15 Suka ke perpustakaan meminjam dan membaca buku pelajaran.

X2 Persiapan Sarana (Ruang belajar dan perlengkapan belajar)

X21 Memiliki ruang belajar sendiri yang bebas dari gangguan apapun.

X22 Memiliki ruang belajar dengan sirkulasi dan suhu yang sangat baik dan nyaman X23 Memiliki ruang belajar dengan penerangan yang memadai.

X24 Memiliki perabot belajar sendiri (meja, kursi, rak buku dll)

X25 Memiliki perlengkapan alat tulis sendiri (balpoin, kalkulator, tipex, penggaris dll) X26 Memiliki komputer / laptop sendiri.

X27 Memiliki buku catatan kuliah sendiri. X28 Memiliki banyak buku pelajaran kuliah sendiri.

X3 Persiapan Menerima Pelajaran

X31 Mempelajari kemballi materi yang sudah diajarkan pada pertemuan sebelumnya X32 Mempelajari materi yang akan diajarkan pada pertemuan berikutnya

X33 Merumuskan materi yang belum dipahami untuk ditanyakan pada dosen di kelas.

X4 Aktifitas Dalam Mengikuti Pelajaran di kelas

X41 Selalu berusaha hadir dalam perkuliahan tepat waktu.

X42 Dapat berkonsentrasi penuh, tanpa adanya gangguan lain (handphone atau orang bicara) X43 Mencatat semua materi kuliah yang diajarkan dosen.

X44 Selalu berpartisipasi aktif dalam mengikuti kuliah (aktif bertanya dan menjawab)

X5 Memantapkan Hasil Belajar

X51 Rajin mengulang catatan materi kuliah

X52 Selalu mengerjakan soal-soal variatif materi kuliah

X6 Aktifitas Belajar Mandiri

X61 Sering membaca materi dari berbagai sumber informasi selain dari buku kuliah X62 Membuat ringkasan materi-materi yang telah dipelajari.

X63 Selalu berusaha memahami materi-materi kuliah.

X64 Rajin mengerjakan soal-soal latihan materi kuliah yang telah dipelajari. X65 Selalu mengerjakan tugas-tugas kuliah dengan segera

X7 Aktifitas Belajar Kelompok

X71 Selalu mendiskusikan materi pelajaran yang tidak dimengerti dalam kelompok belajar. X72 Senang menyelesaikan persoalan yang sulit dan saling tanya jawab dengan teman.

X8 Persiapan Menghadapi Ujian

X81 Giat belajar jauh-jauh hari sebelum ujian.

X82 Berusaha menguasai materi yang akan dites dalam ujian. X83 Mempersiapkan semua alat-alat tulis sebelum ujian.

X9 Saat ujian berlangsung

X91 Berusaha memahami soal-soal ujian sebelum menjawabnya. X92 Berusaha mengerjakan soal ujian dengan tenang.

X93 Meneliti kembali jawaban sebelum menyerahkan hasil ujian pada dosen / pengawas.

X10 Setelah ujian selesai

X10_1 Memeriksa kembali kebenaran jawaban2 dari soal ujian.

X11 Perencanaan kegitan belajar

X11_1 Membuat jadwal belajar sehari-hari. X11_2 Mematuhi jadwal belajar yang dibuat

X12 Pelaksanaan Belajar

X12_1 Tempat belajar mahasiswa sehari-hari X12_2 Waktu belajar mahasiswa

X12_3 Kondisi belajar mahasiswa X12_4 Metode Belajar mahasiswa

X13 Evaluasi Kegiatan Belajar

(4)

Pengelompokan responden dengan Metode Two Step Cluster Analysis

Diperoleh nilai BIC atau AIC terbaik adalah 5058.901 (nilai terkecil), dengan perubahan nilai BIC sebesar -71.159 untuk 2 kelompok. Rasio ukuran jarak kelompok pertama dengan kelompok kedua adalah 2.739, ini merupakan rasio jarak terbesar. Hasil lainnya disajikan mulai pada tabel 3 sampai 5.

Tabel 9. Jumlah anggota kelompok yang berprestasi akademik tinggi (berdasarkan nilai IPK  3.29) dua orang, masuk dalam kelompok 1 sebanyak 100%, dan masuk dalam kelompok 2 0%, demikian seterusnya untuk prestasi akademik lainnya. Pada tabel 4, tampak

jumlah mahasiswa berdasarkan

karakteristik peubah kategorik tempat, waktu, kondisi, metode dan evaluasi dalam belajar, serta persentase setiap kelompok.

Untuk peubah-peubah kontinu, lihat Gambar 1, terdapat 18 peubah cara belajar yang memiliki kontribusi secara signifikan (balok melewati garis signifikansi positif t-student) dalam terbentuknya kelompok 1. Kontribusi yang paling besar sampai yang paling kecil adalah peubah X64, X51, X13, X31, X52, X42, X27, X43, X81, X72, X24, X83, X14, X25, X10, X82, dan terkecil X28. Hal ini memberi arti bahwa

kelompok 1 menerapkan dengan baik cara belajar yang ditunjukkan peubah-peubah tersebut

Tabel 10. Jumlah anggota kelompok berdasarkan karakteristik (peubah kategorik) belajar yang memiliki kontribusi secara signifikan (balok melewati garis signifikansi negatif t-student) dalam terbentuknya kelompok 2, lihat gambar 2. Kontribusi dari yang paling besar sampai yang paling kecil adalah X64, X83, X51, X42, X25, X81, X43, X27, X24, X91, X52, X32, X_11_2, X63, X92, X82, X28, X10, X62, X13, X31, X72, X21, X23, X93, X14, X_11_1, X44, X22, X61, X65, dan X71. Hal ini memberi arti bahwa kelompok 2 umumnya tidak menerapkan dengan baik cara belajar tersebut.

(5)

Gambar 2 Signifikansi Peubah-peubah kontinu pada kelompok 1.

(6)

Terdapat enam peubah cara belajar yang tidak signifikan membedakan kedua kelompok, yaitu peubah X41, X33, X26, X15, X12 dan X11, khususnya X11 dan X12. Dari hasil klasifikasi ini, menunjukan bahwa kelompok 1 memiliki cara belajar yang lebih baik dibandingkan kelompok 2. angkatan yang lebih muda kebanyakan masuk pada kelompok 1, dan angkatan yang lebih tua kebanyakan masuk pada kelompok 2.

KESIMPULAN

Berdasarkan hasil pengelompokan dengan menggunakan TwoStep Cluster Analysis, bahwa mahasiswa terbagi atas

dua kelompok. Kelompok 1

beranggotakan sebagian besar mahasiswa dengan prestasi akademik sangat tinggi, tinggi dan cukup tinggi, dengan memiliki cara belajar yang sangat baik dari seluruh aspek cara belajar, khususnya yang menonjol adalah peubah Rajin mengerjakan soal-soal latihan materi kuliah yang telah dipelajari (X64) dan Rajin mengulang catatan materi kuliah (X51), sementara kelompok 2 cenderung sebaliknya. Peubah yang paling tidak membedakan kedua kelompok adalah Kesadaran mahasiswa untuk belajar (X11) dan Percaya pada kemampuan sendiri (X12).

UCAPAN TERIMAKASIH

Penulis mengucapkan terimakasih kepada Lembaga Penelitian Universitas Sriwijaya atas dukungan dana penelitian muda Sateks tahun 2010, sehingga penelitian ini dapat terlaksana.

DAFTAR PUSTAKA

Slamento. (2003). Belajar dan Faktor-faktor yang Mempengaruhi. Rineka Cipta. Jakarta.

Y. Kamarul. ---. Mengenal Pasti Corak Pembelajaran yang Diamalkan oleh Pelajar yang Dikategorikan sebagai Cemerlang dan juga Lemah. Pendidikan Kementrian Malaysia.

The Liang Gie. (1987). Cara Belajar yang Efisien. Liberty. Jogjakarta.

Thabarany, H. (1994). Rahasia Kunci Sukses Belajar. PT Raja Gafindo Persada. Jakarta.

Liu R. (2007). The SPSS TwoStep Cluster. Department of Mathematics, University of North Texas.

J. Bacher, K. Wenzig and M. Vogler (2004). SPSS TwoStep Cluster, A First Evaluation. University of Erlangen-Nurnberg.

H. Rezanková (2007). Cluster Analysis and Categorical Data. Vysoká škola ekonomická v Praze, Praha.

J. Obers (2009). Efficient Data Clustering and How To Grooms Fast Growing-Trees. Uni Postdam.