Selama kurun waktu dua belas tahun sejak SD hingga SMA kemampuan Bahasa Inggris dibentuk melalui pelajaran Bahasa Inggris di sekolah

(1)

(2)

Di era globalisasi ini Bahasa Inggris

merupakan bahasa international,

kemampuan berbahasa asing

khususnya bahasa inggris tidak

dapat dihindari termasuk sebagai

mahasiswa.

Selama kurun waktu dua

belas tahun sejak SD hingga

SMA kemampuan Bahasa

Inggris dibentuk melalui

pelajaran Bahasa Inggris di

sekolah

(3)

PERATURAN AKADEMIK

ITS TAHUN 2009



syarat kelulusan di ITS sendiri diantaranya memenuhi

persyaratan nilai minimum TOEFL



Persyaratan nilai minimum TOEFL untuk mahasiswa D-III

adalah 450, mahasiswa D-IV adalah 450, mahasiswa

sarjana adalah 477, mahasiswa program magister

adalah 477, mahasiswa program doktor adalah 500

(4)

4 Mengukur Kemampuan Bahasa Inggris

MAHASISWA BARU ITS Ketika SMA

Mengukur Kemampuan Bahasa Inggris

MAHASISWA BARU ITS

Nilai Rapor Bahasa Inggris dan Nilai UNAS Bahasa

Inggris

Nilai Listening, Grammar, dan Reading , Nilai TPA,

dan Nilai IPS

(5)

Asal Sma

Jurusan yang berbeda

Nilai Rapor

_{Nilai UNAS}

Nilai Listening, Grammar, dan Listening

Nilai TPA

Nilai IPS

DATA MULTIVARIABEL



_

(6)

Metode Statistik Yang digunakan

6 Analisis Faktor

Analisis Cluster

(7)

Rumusan Masalah

Bagaimana karakteristik kemampuan Bahasa Inggris

mahasiswa baru yang dibangun sejak SMA?

Bagaimana pengelompokan mahasiswa baru ITS

Surabaya berdasarkan Kemampuan Bahasa Inggris?

Bagaimana pemetaan terhadap 2 faktor utama yang

terbentuk dan skor

listening

,

grammar

, dan

reading

mahasiswa baru berdasarkan jurusan di ITS berdasarkan

kelompok yang terbentuk?

1

2

3

(8)

Tujuan

8 Mendeskripsikan karakteristik kemampuan Bahasa

Inggris mahasiswa baru baru yang dibangun sejak

SMA

Mengelompokkan mahasiswa baru ITS Surabaya

berdasarkan kemampuan Bahasa Inggris

Menganalisis 2 faktor utama yang terbentuk dan skor

listening

,

grammar

, dan

reading

mahasiswa baru

berdasarkan jurusan di ITS berdasarkan kelompok

yang terbentuk

1

2

(9)

M

A

N

F

A

T

memberikan informasi kepada pihak ITS Surabaya dan

Centre for Languages and Cultures

ITS Surabaya

mengenai potret karakteristik mahasiswa baru 2013

dalam Bahasa Inggris serta dapat digunakan sebagai

rujukan untuk penelitian selanjutnya. Manfaat bagi

peneliti adalah dapat menambah pengetahuan

tentang aplikasi metode statistik dalam permasalahan

nyata.

(10)

Batasan Masalah

10 Mahasiswa

Baru ITS

Surabaya

2013

(11)

(12)

ANALISIS FAKTOR

Model faktor dari X merupakan kombinasi linier beberapa variabel

dependen yang tidak teramati adalah F

₁

, F

₂

,..., F

_m

yang disebut

dengan common factor dan ditambahkan dengan variasi ε

₁

, ε

₂

,..., ε

_i

yang disebut dengan error atau specific factors.

12 p

m

pm

p

m

F

l

F

l

F

l

X

F

l

F

l

F

l

X

F

l

F

l

F

l

X































....

2

1

2

22

1

21

2

1

2

1

1 



)

(

)

(

)

(

)

(

)

(

pxl

L

pxm

F

mxl

pxl

X











Keterangan:

X

₁

, X

₂

,..., X

_p

= variabel asal

µ

₁

, µ

₂

,..., µ

_p

= vektor variabel peubah asal

F

₁

,F

₂

,..., F

_m

= faktor bersama (common factor)

L

_ij

= bobot (loading) dari variabel asal ke-i pada faktor ke-j

Ε

_i

= specific factor ke-i

m= banyaknya faktor yang dibentuk

P = banyaknya variabel ke-p

(13)

Pengujian Asumsi

Dis. Multivariate Normal

H

₀

: Data berdistribusi normal

multivariat

H

₁

: Data tidak berdistribusi

normal multivariat



X

 

'

S

X



d

2 _j



_j



1 _j



2 j

d

2 p

,





jika presentase nilai yang

kurang dari

minimal 50% maka data akan

mengikuti sebaran distribusi

normal multivariat

Kecukupan Data

H

₀

: jumlah data cukup untuk

difaktorkan

H

₁

: jumlah data tidak cukup

untuk difaktorkan







i

j

ij

i

j

ij

i

j

ij

a

r

KMO

₂

2 Daerah penolakan : Tolak H

₀

jika nilai KMO < α = 0.5

Korelasi Antar Variabel

H

₀

: Matriks korelasi

merupakan matriks

identitas

H

₁

: Matriks korelasi

bukan merupakan

matriks identitas















ln

|

R

|

6 )

5 p

2 (

)

1 N

(

2 

Daerah penolakan :

Tolak H

₀

jika

𝑥

2 _{ℎ𝑖𝑡𝑢𝑛𝑔}

>𝑥

2 _𝛼,

1

2 𝑝 𝑝−1

(14)

ANALSIS CLUSTER

Analisis cluster digunakan untuk mengelompokkan

mahasiswa baru ITS Surabaya berdasarkan

kemampuan Bahasa Inggris

14 Analisis cluster merupakan suatu metode yang

digunakan untuk mengelompokkan objek-objek

pengamatan menjadi beberapa kelompok berdasarkan

karakteristik yang dimiliki dengan ciri-ciri tertentu yang

relatif homogen, sehingga objek dalam kelompok

memiliki kesamaan yang sama sedangkan objek antar

(15)

15 ANALSIS CLUSTER

Analisis Cluster

Hierarkhi

Jarak Euclidian

Untuk menentukan jarak

antar kelompok secara

optimumberawal dari jarak

Minkowski dengan dua

objek









p

k

jk

ik

j

i

x

d

1

2 )

(

)

,

(

dimana, i = 1, 2,..., n dan j = 1, 2,..., n ; i ≠j

Keterangan :

d(x

_i

, x

_j

) = jarak antara dua objek i dan j

x

_ik

= nilai objek i pada variabel k

x

_jk

= nilai objek j pada variabel k

Jumlah kelompok belum

ditentukan terlebih dahulu.

Metode Ward’s

Metode ini mengimplementasikan dengan jarak antar dua kelompok dan

meminimumkan varians dalam kelompok yang besar







n

x

_j

x

_j

x

(16)

16 Untuk mendapatkan kelompok yang optimum menggunakan ANOVA dengan

tujuan untuk menguji perbedaan rata-rata populasi secara univariat

ANALSIS CLUSTER

Hipotesis:

H

₀

: μ

₁

= μ

₂

= … = μ

_k

H

₁

: Paling sedikit ada μ

_i

yang tidak sama, i = 1,2,…,k

Statistik Uji:

RKE

RKK

=

F

Daerah Penolakan : H

₀

ditolak, yang artinya nilai F

_hitung

≥ F sehinga

dapat disimpulkan terdapat perbedaan pada rata-rata populasi secara univariate



k



1  

,



n

_i



k

  

;



Sumber

Variasi

Derajat Bebas

Jumlah Kuadrat

Rataan Kuadrat

F

hitung

Kelompok

k-1

𝐽𝐾𝐾 = 𝑛

_𝑖

𝑦

_𝑖

− 𝑦

2 𝑘

𝑖=1

𝑅𝐾𝐾 =

𝐽𝐾𝐾

𝑘 − 1

𝐹 =

𝑅𝐾𝐾

𝑅𝐾𝐸

Error

𝑛

𝑖

− 𝑘

𝑘

𝑖=1

𝐽𝐾𝐸 = 𝐽𝐾𝑇 − 𝐽𝐾𝐾

𝑅𝐾𝐸 =

𝐽𝐾𝐸

𝑛

_𝑖

− 𝑘

𝑘

𝑖=1

Total

𝑛

_𝑖

− 1

𝑘

𝑖=1

𝐽𝐾𝑇 = 𝑦

_𝑖𝑗

− 𝑦

2 𝑛

_𝑖

𝑗=1

𝑘

𝑖=1

(17)

ANALISIS CLUSTER

Pengelompokan yang baik

terdapat beberapa kriteria berdasarkan

homogenitas dalam cluster dan

heterogenitas antar kelompok

Rata-rata Simpangan Baku

Dalam Kelompok (S

_w

)

Simpangan Baku Antar

Kelompok (S

_B

)

𝑆

_𝑊

= 𝐾

−1

𝑆

_𝑘

𝐾

𝑘=1

Keterangan:

K = Banyaknya kelompok yang terbentuk

S

_k

= Simpangan baku kelompok ke-k

𝑆

_𝐵

= 𝐾 − 1

−1

𝑋

_𝑘

− 𝑋

2 𝐾

𝑘=1

1/2

Keterangan:

𝑿

_𝒌

= Rataan kelompok ke-k

𝑿

= Rataan kesulurahan pada kelompok

Kriteria pemilihan metode terbaik adalah semakin kecil nilai S

_W

dan

semakin besar nilai S

_B

maka metode tersebut adalah metode terbaik

yang berarti mempunyai homogenitas paling tinggi

(18)

18 ANALISIS

DISKRIMINAN

suatu kombinasi linier

peubah-peubah asal yang

memberikan nilai sejauh mungkin

antar kelompok dan sedekat

mungkin dalam satu kelompok

Evaluasi fungsi klasifikasi digunakan untuk menghitung peluang kesalahan

klasifikasi yang biasa disebut juga

Apparent Error Rates

(APER), sehingga dapat

diketahui proporsi pengamatan pada sampel yang salah diklasifikasikan oleh

fungsi klasifikasi

𝑨𝑷𝑬𝑹 =

𝒏

𝟏𝑴

+ 𝒏

𝟐𝑴

𝒏

_𝟏

+ 𝒏

_𝟐

Keterangan:

𝜋

₁

= kelompok 1

𝜋

₂

= kelompok 2

𝑛

_1𝐶

= jumlah kelompok 𝜋

₁

benar diklasifikasikan sebagai kelompok 𝜋

₁

(Kelompok 1)

𝑛

_1𝑀

= jumlah kelompok 𝜋

₁

kesalahan klasifikasi sebagai kelompok 𝜋

₂

(Kelompok 2)

𝑛

_2𝐶

= jumlah kelompok 𝜋

₂

diklasifikasikan benar

(19)

Asumsi yang harus dipenuhi pada analisis diskriminan

adalah matriks varians kovarians yang homogen.

Uji

Box’s-M

Hipotesis:

H

₀

:

H

₁

: untuk

g

2

1 

...





j

i





i



j

M

)

1 (

C







_p

₍

_p

₁

₎₍

_g

₁

₎

2

1 v

_i













_













_



_



1 )

ln

S

(

n

1 )

ln

S

n

(

M

_pooled

}

S

)

1 n

(

..

S

)

1 n

(

S

)

1 n

{(

)

1 n

(

1 S

_pooled

₁



₁



₂



₂



_k



_k









(20)

ANALSIS

BIPLOT

20 Biplot merupakan

penyajian informasi secara

grafis pada matrik data

n x p

bertujuan untuk memperagakan suatu matrik secara grafik dalam

sebuah plot dengan menumpang tindihkan vektor baris dan vektor

kolom yang biasanya dapat digambarkan secara pasti dalam ruang

berdimensi dua

(21)

Biplot dapat dibentuk melalui suatu

matriks data, dengan masing-masing

kolom mewakili suatu variabel dan

masing-masing baris mewakili objek

penelitian

ANALSIS BIPLOT

















np

ni

nl

kp

ki

kl

p

i

p

n

x

X



























₁

11 )

(

dimana, i = 1, 2,..., n dan j = 1, 2,..., p

)

2 (

)

2 (

)

(

n

p

G

n

H

'

p

X

_



_

Suatu matrik X berukuran

n x p

yang berpangkat lebih atau sama

dengan dua (rank X

_{(n x p)}

≥ 2)

Matriks X

(n x p)

Matriks G merupakan titik-titik koordiinat dari n objek

Matriks H merupakan titik-titik koordinat dari p variabel

(22)

(23)

SUMBER DATA

DATA SEKUNDER

Biro Akademik

Kemahasiswaan dan

Perencanaan ITS

Surabaya

Unit Pengelola

Matakuliah Bersama ITS

Surabaya

Centre for Languages

and Cultures

ITS Surabay

(24)

VARIABEL PENELITIAN

24 No

Variabel

Skala

Keterangan

Notasi

1 Asal SLTA

Nominal

1 : Kota Surabaya

X

₁

2 : Luar Kota Surabaya, masih dalam JATIM

3 : Luar JATIM, masih dalam Jawa

4 : Luar jawa

2 Nilai Rapor

_{Bahasa Inggris}

Rasio

1 : Semester 1

X

₂

2 : Semester 2

X

₃

3 : Semester 3

X

₄

4 : Semester 4

X

₅

5 : Semester 5

X

₆

3 Nilai UNAS

Rasio

Nilai UNAS pada mata pelajaran Bahasa

_Inggris

X

₇

4 Nilai IPS

Rasio

Nilai Indeks Prestasi Semester pada semester

_satu

X

₈

5 Skor TPA

Rasio

X

₉

6 Skor TOEFL

Rasio

1 : Skor

2 : Skor

Listening

Grammar

X

10 ₁₁

(25)

LANGKAH PENELITIAN

STATISTIKA

DESKTIPTIF

PENGELOMPOKAN

PEMETAAN

- ANALISIS FAKTOR

• ASUMSI :

1. DIST. MULTIVARIAT NORMAL

2. BARTLETT’S TEST

3. KMO TEST

- ANALISIS CLUSTER

• WARD’S

• ANOVA

• KEHOMOGENAN CLUSTER

ANALISIS DISKRIMINAN

• ASUMSI :

1. UJI BOX’S M

(26)

BAB 4 ANALISIS DAN PEMBAHASAN

(27)

ANALISA DESKRIPTIF

82.8

83.5

82.5

83.3 FMIPA

FTI

FTIF

FTK

FTSP

(28)

28

8.3

8.6

8.8

8.6

8.6 FMIPA

FTI

FTIF

FTK

FTSP

(29)

402

440

452

421

426 FMIPA

FTI

FTIF

FTK

FTSP

(30)

30

39.1

42.9

44.3

41.1

41.8

40.3

43.4

44.8

41.6

42.0

41.2

45.5

46.5

43.7

44.0 FMIPA

FTI

FTIF

FTK

FTSP

(31)

38.4

38.9

40.4

39.2

38.4

39.3

39.9

42.1

40.9

39.1

39.4

40.5

42.8

42.2

41.0 fisika

matematika

statistika

kimia

Biology

Listening

Grammar

Reading

45.8

42.9

46.0

43.5

48.2

44.8 teknik informatika

sistem informasi

Listening

Grammar

Reading

43.0

40.1

40.7

41.5

42.6

40.7

41.8

40.9

45.8

41.9

43.9

43.2 teknik perkapalan

sistem perkapalan

teknik kelautan

transportasi laut

Listening

Grammar

Reading

43.1

44.1

44.5

41.6

43.5

41.2 _40.7

41.6

43.2

44.4

45.4

42.6

44.1

41.2

41.8

45.0

46.8

47.0

45.0

47.1

42.8 _42.6

43.3 teknik

mesin

teknik

elektro

teknik

kimia

teknik fisika

teknik

industri

Teknik

Material

dan

Metalurgi

manajemen

bisnis

Teknik

Multimedia

dan

Jaringan

Listening

Grammar

Reading

43.1

43.8 _42.5

42.9

38.8

41.2

38.1

43.5

43.9

41.5

42.7

39.6

41.5

40.3

45.3

45.2

45.4

44.2

42.6 _42.0

41.3 teknik sipil

arsitektur

teknik lingkungan

Desain produk

industri

tenik geomatika

Permukiman

Wilayah dan Kota

(32)

PENGELOMPOKAN MAHASISWA BARU

BERDASARKAN KEMAMPUAN BAHASA INGGRIS

(33)

PEMBENTUKAN FAKTOR

• Pemeriksaan asumsi Distribusi Normal

Hipotesis :

H

₀

: Data nilai rapor, nilai UNAS BING, nilai IPS, skor TPA, skor

Listening

, skor

Grammar

, dan skor

Reading

mahasiswa baru berdistribusi multivariat

H

₁

: Data nilai rapor, nilai UNAS BING, nilai IPS, skor TPA, skor

Listening

, skor

Grammar

, dan skor

Reading

mahasiswa baru tidak berdistribusi multivariat

60 50 40 30 20 10 0 35 30 25 20 15 10 5 0 dd q Scatterplot of q vs dd

nilai t sebesar 0.566123

data nilai mahasiswa baru

(34)

PEMBENTUKAN FAKTOR

34

• Uji Korelasi Antar Variabel

Hipotesis :

H

₀

: ρ = I (antar variabel nilai rapor, nilai UNAS BING, nilai IPS, skor TPA, skor

Listening

, skor

Grammar

, dan skor

Reading

mahasiswa baru tidak berkorelasi)

H

₁

: ρ ≠ I (antar variabel nilai rapor, nilai UNAS BING, nilai IPS, skor TPA, skor

Listening

, skor

Grammar

, dan skor

Reading

mahasiswa baru berkorelasi

signifikan)

Approx. Chi-Square

5.020E3

Df

55 Sig

0.000 antar variabel nilai rapor, nilai UNAS BING, nilai IPS, skor TPA,

skor

Listening

, skor

Grammar

, dan skor

Reading

mahasiswa baru

(35)

PEMBENTUKAN FAKTOR

• Uji Kecukupan Data

Hipotesis :

H

₀

: Data nilai rapor, nilai UNAS BING, nilai IPS, skor TPA, skor

Listening

, skor

Grammar

, dan skor

Reading

mahasiswa baru cukup untuk difaktorkan

H

₁

: Data nilai rapor, nilai UNAS BING, nilai IPS, skor TPA, skor

Listening

, skor

Grammar

, dan skor

Reading

mahasiswa baru tidak cukup untuk difaktorkan

Kaiser Meyer Olkin Measure of

Sampling Adequacy (KMO)

0.855 data nilai rapor, nilai UNAS BING, nilai IPS, skor TPA,

skor

Listening

, skor

Grammar

, dan skor

Reading

mahasiswa baru

(36)

PEMBENTUKAN FAKTOR

36 Total Variance Explained

Compon

ent

Initial Eigenvalues

Extraction Sums of Squared Loadings

Rotation Sums of Squared Loadings

Total

% of Variance

Cumulative %

Total

% of Variance

Cumulative %

Total

% of Variance

Cumulative %

1

4.524

41.128

4.524

41.128

3.192

29.017

2

1.661

15.099

56.227

1.661

15.099

56.227

2.719

24.721

53.738

3

1.047

9.523

65.750

1.047

9.523

65.750

1.321

12.011

65.750

4 .796

7.232

72.982

5 .680

6.185

79.167

6 .582

5.288

84.455

7 .467

4.245

88.700

8 .361

3.284

91.985

9 .334

3.036

95.021

10 .302

2.745

97.766

11 .246

2.234

100.000 Extraction Method: Principal Component Analysis.

Rotated Component Matrix

a

Component

1

2

3 R_Semester_4

.842

.172

.045

R_Semester_3

.788

.218

.041

R_Semester_2

.755

.179

.167

R_Semester_5

.744

.151

.014

R_Semester_1

.744

.166

.132

Listening

.166

.844

.047

Reading

.144

.834

.129

Grammar

.240

.797

.172

UNAS

.241

.643

.118

IPS

.140

.027

.853

TPA

.055

.320

.694

Extraction Method: Principal Component Analysis.

Rotation Method: Varimax with Kaiser Normalization.

a. Rotation converged in 5 iterations.

(37)

HASIL PENGELOMPOKAN

Jumlah Cluster

Fac

score 1

Fac

score 2

Fac

score 3

3 cluster

497.05

246.88

9.25 4 cluster

331.74

164.68

141.60 5 cluster

259.28

138.42

301.87 Nilai F dari Setiap Cluster

F-hitung pada jumlah

3 cluster - 6 cluster

memiliki nilai

yang signifikan

Jml. Cluster

Sb

Sw

Rasio

3 cluster

1.88

2.44

1.30 4 cluster

2.15

2.24

1.04 5 cluster

2.24

2.35

1.05 Rasio SBSW Dari Setiap Jumlah Cluster

Sehingga jumlah cluster yang

paling optimum terbentuk

(38)

HASIL PENGELOMPOKAN

38 Cluster

1

2

3

4 Rapor Semester 1

83.4

78.5

79.4

84.7 Rapor Semester 2

84.5

79.8

81.2

85.8 Rapor Semester 3

84.4

80.5

81.2

86.5 Rapor Semester 4

87.0

81.9

82.3

88.4 Rapor Semester 5

88.4

83.9

84.3

89.6 UNAS BING

8.3

8.4

8.6

9.1 Listening

38.4

41.0

40.9

47.3 Grammar

39.9

41.0

42.1

47.7 Reading

40.5

43.1

44.2

49.5 IPS

3.24

2.88

3.51

3.07 TPA

496

484

547

517 Karakteristik yang dimiliki oleh mahasiswa yang berada pada masing-masing cluster

BAIK

_CUKUP

BAIK

CUKUP

SANGAT

BAIK

CUKUP

_BAIK

BAIK

SANGAT

BAIK

(39)

HASIL PENGELOMPOKAN

Karakteristik yang dimiliki oleh mahasiswa yang berada pada masing-masing cluster

25.1%

32.7%

10.6%

21.1%

FMIPA

FTI

FTIF

FTK

FTSP

7.5%

13.1%

63.3%

16.1%

Kota

Surabaya

Luar JAWA Luar Kota

Surabaya,

masih

JATIM

Luar JATIM,

masih

JAWA

20.4%

32.4%

7.8%

17.1%

22.2%

FMIPA

FTI

FTIF

FTK

FTSP

13.3%

14.9%

38.4%

33.3%

Kota

Surabaya

Luar JAWA

Luar Kota

Surabaya,

Masih

JATIM

Luar JATIM,

Masih JAWA

16.0%

40.3%

13.6%

9.7%

20.4%

FMIPA

FTI

FTIF

FTK

FTSP

17.0%

9.2%

42.2%

31.6%

Kota

Surabaya

Luar JAWA Luar Kota

Surabaya,

Masih

JATIM

Luar

JATIM,

Masih

JAWA

CLUSTER 1

CLUSTER 2

CLUSTER 3

CLUSTER 4

10.4%

41.0%

21.3%

6.8%

20.5%

18.1%

16.1%

45.0%

20.9%

Kota Surabaya

Luar JAWA

Luar Kota

Surabaya,

Luar JATIM,

Masih JAWA

(40)

ANALISIS DISKRIMINAN

40 Uji

Box’s M

Box's M

1,110E3

F

Approx.

5,497

df1

198 Df2

1,566E6

Sig.

0,000

bahwa data yang dianalisis mempunyai matriks varian kovarian tidak

sama, ini terjadi karena jumlah anggota pada tiap cluster berbeda yang

mengakibatkan varians tiap cluster berbeda. Namun tetap dilanjutkan

menggunakan analisis diskriminan.

(41)

Analisis Diskriminan Dengan

Menggunakan Metode Stepwise

Variabel

Wilk’s Lambda

df 1

df 2

Sig.

Rapor Semester 4

237,286

3 1,100E3

0,000

Listening

160,357

6 2,198E3

0,000

IPS

145,021

9 2,672E3

0,000

TPA

123,646

12 2,903E3

0,000

Rapor Semester 2

109,354

15 3,026E3

0,000

Grammar

97,410

18 3,098E3

0,000

Reading

86,454

21 3,142E3

0,000

Rapor Semester 5

77,908

24 3,171E3

0,000

Rapor Semester 1

70,996

27 3,190E3

0,000

UNAS

64,811

30 3,203E3

0,000

Rapor Semester 3

59,373

33 3,212E3

0,000

seluruh variabel

memenuhi kriteria

sebagai pembeda

menunjukkan bahwa

pemilihan variabel yang

digunakan dapat

mempengaruhi fungsi

diskriminan yang

nantinya akan terbentuk

(42)

Fungsi Persamaan Diskriminan

42 Variabel

Fungsi 1

Fungsi 2

Fungsi 3

Rapor Semester 1

0,059

0,035

-0,029

Rapor Semester 2

0,048

0,051

0,006

Rapor Semester 3

0,046

0,010

0,024

Rapor Semester 4

0,124

0,047

-0,058

Rapor Semester 5

0,071

0,032

-0,026

UNAS

-0,118

-0,290

0,195

IPS

-0,592

1,266

0,720

TPA

-0,005

0,007

0,010

Listening

0,021

-0,073

0,012

Grammar

0,044

-0,059

0,042

Reading

0,010

-0,059

0,045

(43)

Variabel Yang Mempengaruhi

Fungsi Diskriminan

Variabel

Fungsi

1

2

3 Rapor Semester 1

0,254

0,150

-0,123

Rapor Semester 2

0,193

0,203

0,024

Rapor Semester 3

0,169

0,039

0,087

Rapor Semester 4

0,443

0,166

-0,205

Rapor Semester 5

0,284

0,129

-0,103

UNAS

-0,086

-0,212

0,143

IPS

-0,290

0,620

0,352

TPA

-0,244

0,357

0,556

Listening

0,116

-0,397

0,064

Grammar

0,217

-0,288

0,202

Reading

0,057

-0,331

0,253

(44)

Uji Fisher

uji yang digunakan untuk mengelompokkan observasi berdasarkan nilai

skor yang dihitung dari suatu fungsi linear

44 Variabel

Cluster

Kemampuan Cukup

Kemampuan Cukup Baik

Kemampuan Baik

Kemampuan Sangat Baik

Rapor Semester 1

1,745

1,598

1,583

1,718

Rapor Semester 2

2,211

2,058

2,107

2,180

Rapor Semester 3

2,457

2,387

2,409

2,510

Rapor Semester 4

2,643

2,386

2,324

2,636

Rapor Semester 5

2,851

2,695

2,675

2,844

UNAS

2,374

3,106

3,040

2,943

IPS

-1,250

-2,641

-0,050

-3,341

TPA

0,056

0,052

0,074

0,050

Listening

-0,241

-0,130

-0,212

-0,081

Grammar

-0,330

-0,266

-0,305

-0,141

Reading

-0,266

-0,158

-0,178

-0,108

(Constant)

-517,408

-463,556

-474,544

-533,334

Selisih antara kelompok dengan variabel adalah :

Z score = 954.03 – 3,154 Rapor Semester 1 – 4,134 Rapor Semester 2 – 4,849 Rapor Semester 3

– 4,703 Rapor Semester 4 – 5,363 Rapor Semester 5 – 6,715 UNAS + 4,782 IPS – 0,12

TPA + 0,182 Listening + 0,382 Grammar + 0,178 Reading

(45)

Plot Fungsi Diskriminan

pengelompokan berdasarkan fungsi diskriminan belum tepat karena masing-masing

anggota kelompok menyebar di sekitar titik centroid kelompok lain. Akan tetapi pada

kelompok kemampuan cukup baik masih banyak anggota yang berada disekitar

centroid kemampuan cukup, kemampuan baik, dan kemampuan cukup baik.

(46)

46

Territorial Map

(Assuming all Canonical Discriminant Function 2 -8.0 ┼──── 8.0 ┼ 31 ┼ │ 31 │ │ 31 │ │ 31 │ │ 31 │ │ 31 │ 6.0 ┼ ┼ │ 31 │ │ 31 │ │ 31 │ │ 31 1│ │ 31 1114│ 4.0 ┼ ┼ │ 31 11444 │ │ 31 11144 │ │ │ 31 111444 │ │ 31 11444 │ 2.0 ┼ ┼ │ 31 111444 │ │ 31 * │ 31 11444 │ │ │ .0 ┼ ┼ │ │ 3333322222 │ │ 3333322222 │ 33333322222 -2.0 ┼3333222222┼ │2222 24 │ │ 24 │ │ 24 │ │ 24 │ │ 24 │ -4.0 ┼ ┼ │ 24 │ │ 24 │ │ 24 │ │ 24 │ │ 24 │ -6.0 ┼ ┼ │ 24 │ │ 24 │ │ 24 │ │ 24 │ │ 24 │ -8.0 ┼ 24 ┼ ┼──── -8.0 Canonical functions but the first two are zero) -6.0 -4.0 -2.0 .0 2.0 4.0 6.0 8.0 ─────┼─────────┼─────────┼─────────┼─────────┼─────────┼─────────┼─────────┼ ┼ 31┼ ┼ ┼ ┼ ┼ ┼ ┼ ┼ 31 ┼ ┼ ┼ ┼ 111444 ┼ 31 111444 │ ┼ ┼ 31 ┼ ┼ 11144 ┼ ┼ 111444 │ * 31 11144 │ 33333111 111444 │ ┼ 33333222222221444 ┼ ┼ ┼ ┼ 3333322222 24 * │ * 24 │ 3333322222 24 │ 24 │ 24 │ ┼ ┼ ┼ 24 ┼ ┼ ┼ ┼ ┼ ┼ ┼ 24 ┼ ┼ ┼ ┼ ┼ ┼ ┼ 24 ┼ ┼ ┼ ┼ ─────┼─────────┼─────────┼─────────┼─────────┼─────────┼─────────┼─────────┼ -6.0 -4.0 -2.0 .0 2.0 4.0 6.0 8.0 Discriminant Function 1

(47)

4.5

3.0

1.5

0.0 -1.5

-3.0

-4.5

-6.0

0.4

0.3

0.2

0.1

0.0 Data

D

en

si

ty

3 -3

5.111652E-15 1.433 1104

3.374917E-16 1.240 1104

7.606637E-16 1.131 1104

Mean StDev

N

score1

score2

score3

Variable

1330 1314 1310 1309 1307 1302 1259 1250 1249 1245 1222 1220 1217 1208 1205 1203 1157 1155 1152 1150 1136 1122 1107 1101 130213071309131013141330 1259 1250 1249 1245 1222 1220 1217 1208 1205 1203 1157 1155 1152 1150 1136 1122 1107 1101 13021307₁₃₀₉₁₃₁₀₁₃₁₄₁₃₃₀ 1259 1250 1249 1245 1222 1220 1217 1208 1205 1203 1157 1155 1152 1150 1136 1122 1107 1101

H istogr am of scor e1 , scor e2 , scor e3

Normal

Buruk

Sedang

(48)

48 Cluster

Predicted Group Membership

Total

Kemampuan

Cukup

Kemampuan

Cukup Baik

Kemampuan

Baik

Kemampuan

Sangat Baik

Original

Count Kemampuan Cukup

189

2

3 5 199

Kemampuan Cukup Baik

23

308

49 70 450

Kemampuan Baik

6

8

190 2 206

Kemampuan Sangat Baik

30

17

8 194 249

%

Kemampuan Cukup

95,0

1,0

1,5

2,5 100

Kemampuan Cukup Baik

5,1

68,4

10,9

15,6 100

Kemampuan Baik

2,9

3,9

92,2

1,0 100

Kemampuan Sangat Baik

12,0

6,8

3,2

77,9 100

Cross-validated

a

Count Kemampuan Cukup

188

2

3 6 199

Kemampuan Cukup Baik

24

300

52 74 450

Kemampuan Baik

8

11

185 2 206

Kemampuan Sangat Baik

32

19

10 188 249

%

Kemampuan Cukup

94,5

1,0

1,5

3,0 100

Kemampuan Cukup Baik

5,3

66,7

11,6

16,4 100

Kemampuan Baik

3,9

5,3

89,8

1,0 100

Kemampuan Sangat Baik

12,9

7,6

4,0

75,5 100

a. Cross validation is done only for those cases in the analysis. In cross validation, each case is classified by

the functions derived from all cases other than that case.

b. 79.8% of original grouped cases correctly classified.

c. 78.0% of cross-validated grouped cases correctly classified.

• ketepatan fungsi

pengelompokan adalah

sebesar 79,8 %

• tingkat kesalahan

klasifikasinya adalah

20,2%

(49)

ANALISIS BIPLOT

Antara Faktor 1 dan Faktor 2 pada Cluster 1

2

1

0 -1

-2

-3

-4

2

1

0 -1

-2

Faktor 1

Fa

kt

o

r

2 Faktor2

Faktor1

Manajemen Bisnis

T.Kimia

Matematika

Biologi

Fisika

Despro

T.Geomatika

T. Informatika

T.Mesin

T.Mut&Jar

T.Fisika

Transportasi Laut

Statistika

T.Lingkungan

T.Geofisika

PWK

T.Ma&met

Siskal

T.Kelautan

Kimia

T.Industri

T.Elektro

S.Informasi

Arsitektur

T.Sipil

(50)

50

2

1

0 -1

-2

-3

-4

2

1

0 -1

-2

-3

-4

First Factor

S

e

co

n

d

F

a

ct

o

r

Reading Grammar

Manajemen Bisnis

Biologi

T.Mul&Jar

Matematika

_T.Geofisika

S.Informasi

T.Sipil

T.Industri

Kimia

PWK

T.Fisika

Arsitektur

T.Elektro

Transportasi Laut

T.Mesin

T.Ling

Siskal

T.GeoM

SI

T.Kimia

Fisika

Statistika

Despro

T.MaMet

T.Kelautan 3 2 1 0 -1 -2 -3 3 2 1 0 -1 -2 -3 First Factor S e co n d F a ct o r Grammar Listening Manajemen Bisnis T.Kimia Despro

Biologi Transportasi Laut T.Geofisika Kimia S.Informasi Arsitektur T.Industri T.elektro Statistika Fisika T.Geomatika T.Ma&Met Matematika T.Fisika T.Ling PWK T.kelautan Siskal T.Mesin T.Informatika T.Sipil T.Mul&Jar 2 1 0 -1 -2 -3 2 1 0 -1 -2 -3 First Factor S e co n d F a ct o r Reading Listening Manajemen Bisnis T.Kimia Despro T.Geofisika Kimia Transportasi Laut T.Mul&Jar Biologi Matematika Statistika T.Lingkungan T.Fisika T.Geomatika T.Ma&Met T.Sipil T.Mesin T.Industri T.Kelautan T.Informatika Siskal Arsitektur PWK Fisika S.Infrms T.Elektro

(51)

ANALISIS BIPLOT

Antara Faktor 1 dan Faktor 2 pada Cluster 2

2

1

0 -1

-2

2

1

0 -1

-2

-3

First Factor

S

e

co

n

d

F

a

ct

o

r

Faktor2

Faktor1

Statistika

T.Informatika

PWK

Kimia

Manajemen Bisnis

Fisika

T.Fisika

T.Kelautan

T.Elektro

T.Sipil

T.Kimia

T.Industri

T.Perkapalan

T.Ma&Met

Sistem Perkapalan

Arsitektur

T.Mesin

Despro

T.Lingkungan

Transportasi Laut

T.Mul&Jar

Biologi

T.Geomatika

T.Geofisika

S.Informasi

Matematika

(52)

52

3 2 1 0 -1 2 1 0 -1 -2 -3 First Factor S e co n d F a ct o r Grammar Listening T.Kimia T.Sipil Statistika T.Geofisika T.Mul&Jar Fisika Matematika Siskal Biologi T.Geomatika T.Informatika PWK Trns.Laut S.Informasi T.Fisika Kimia Mnj. Bisnis T.Kelautan T.Perkapalan T.Elektro T.Mesin Despro T.Industri Arsitektur T.Material&Metarlugi T.Lingkungan 2 1 0 -1 -2 2 1 0 -1 -2 -3 First Factor S e co n d F a ct o r Reading Listening T.Informatika PWK Sistem Informasi T.Material&Metarlugi Arsitektur Despro T.Kimia T.SipilT.Lingkungan T.Elektro T.Industri T.Mesin T.Perkapalan T.Kelautan T.Fisika T.Mul&Jar statistika teknik geofisika fisika Biologi_S.Perkapalan MTK T.Geomatika Mnj. Bisnis Kimia Trns.Laut

2

1

0 -1

-2

2

1

0 -1

-2

First Factor

S

e

co

n

d

F

a

ct

o

r

Reading Grammar

teknik informatika

statistika

sistem informasi

fisika

PWK

MTK

T.geofisika S.perkapalan

Biology

tenik geomatika

transportasi laut

Teknik Multimedia dan Jaringan

teknik mesin

teknik fisika

teknik industri

teknik lingkungan

T.Ma&Met

arsitektur

kimia

teknik kelautan

manajemen bisnis

Desain produk industri

teknik elektro

T.perkapalan

teknik sipil

teknik kimia

(53)

ANALISIS BIPLOT

Antara Faktor 1 dan Faktor 2 pada Cluster 3

3

2

1

0 -1

-2

2

1

0 -1

-2

First Factor

S

e

co

n

d

F

a

ct

o

r

Faktor2

Faktor1

T.Mul&Jar

T.Mesin

S.Informasi

Arsitektur

T.Fisika

T.Informatika

T.Industri

Manajmen Bisnis

T.Ma&Met

T.Geomatika

Fisika

PWK

T.Geofisika

T.Kelautan

T.Sipil

Biologi

T.Lingkungan

Matematika

Kimia

_Statistika

S.Perkapalan

T.Elektro

T.Perkapalan

T.Kimia

(54)

54

1 0 -1 -2 -3 -4 -5 2 1 0 -1 -2 First Factor Se co nd F ac to r Grammar Listening

Teknik Multimedia dan Jaringan

teknik perkapalan arsitektur teknik lingkungan _{teknik mesin}

matematika

teknik sipil Permukiman Wilayah dan Kota teknik kimia

T. informatika teknik elektro T.fisika S.Informasi teknik kelautan fisika teknik industri Mnj.Bisnis BiologyT.Ma&Met Siskal teknik geofisikakimia

PWK Stk 1 0 -1 -2 -3 -4 -5 4 3 2 1 0 -1 -2 First Factor S e co n d F a ct o r Reading Listening

Teknik Multimedia dan Jaringan

fisika

sistem perkapalan matematika

teknik geofisika

kimia teknik mesin tenik geomatika

Permukiman Wilayah dan Kota

T.Industri Biologi

T.Lingkungan T.Kelautan T.MaMet S.InformasiArsitek

Stk M.Bisnis T.Kim_T.PaLT.Fis T.ElektroT.Infr

1

0 -1

-2

-3

-4

-5

4

3

2

1

0 -1

-2

First Factor

S

e

co

n

d

F

a

ct

o

r

Reading Grammar

Teknik Multimedia dan Jaringan

fisika

Siskal

T.Geofisika

menj. Bisnis

kimia

T.kelautan

matematika

tenik geomatika

Stk

T.MaMet

T.Fis

teknik lingkungan

arsitektur

teknik perkapalan

PWK

T.Kim _T.mesin

T.Sipil

bio

SI T.Indstri T.Elektro T.Informatika

(55)

ANALISIS BIPLOT

Antara Faktor 1 dan Faktor 2 pada Cluster 4

2

1

0 -1

-2

3

2

1

0 -1

-2

First Factor

S

e

co

n

d

F

a

ct

o

r

Faktor2

Faktor1

Biologi

T.Ma&Met

Manajemen Bisnis

T.Industri

T.Perkapalan

Arsitektur

T.Informatika

fisika

T.Geofisika

T.Geomatika

Statistika

T.Mul&Jar

S.perkapalan

Matematika

Kimia

PWK

Trans.Laut

T.Ling

T.Elekto

S.informasi

T.Kimia

T.Mesin

T.fisika

Despro

T.Sipil

T.Kelautan

(56)

56

2 1 0 -1 -2 -3 2 1 0 -1 -2 First Factor S e co n d F a ct o r Grammar Listening Fisika Biology tenik geomatika transportasi laut matematika Teknik Material dan Metalurgi sistem perkapalan kimia

teknik geofisika

teknik kelautan

manajemen bisnis

teknik perkapalan Teknik Multimedia dan Jaringan Despro

T.lingkungan

PWK arsitektur teknik industri teknik kimia

T.fisika sistem informasi T.Informatika T.Sipil T.Elektro T.Mesin statistika 1 0 -1 -2 -3 3 2 1 0 -1 -2 First Factor S e co n d F a ct o r Reading Listening fisika Biology tenik geomatika matematika teknik geofisika kimia sistem perkapalan