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
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
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
Asal Sma
Jurusan yang berbeda
Nilai Rapor
Nilai UNAS
Nilai Listening, Grammar, dan Listening
Nilai TPA
Nilai IPS
DATA MULTIVARIABEL
Metode Statistik Yang digunakan
6
Analisis Faktor
Analisis Cluster
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
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
M
A
N
F
A
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.
Batasan Masalah
10
Mahasiswa
Baru ITS
Surabaya
2013
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
p
p
p
m
m
m
m
F
l
F
l
F
l
X
F
l
F
l
F
l
X
F
l
F
l
F
l
X
....
....
....
2
2
1
1
2
2
2
22
1
21
2
2
1
2
2
1
1
1
1
)
(
)
(
)
(
)
(
)
(
pxl
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
Pengujian Asumsi
Dis. Multivariate Normal
H
0
: Data berdistribusi normal
multivariat
H
1
: Data tidak berdistribusi
normal multivariat
X
X
'
S
X
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
r
KMO
2
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
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
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
x
x
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
x
j
x
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
𝑖𝑗=1
𝑘
𝑖=1
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
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
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
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
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
x
x
x
x
x
x
x
X
1
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
SUMBER DATA
DATA SEKUNDER
Biro Akademik
Kemahasiswaan dan
Perencanaan ITS
Surabaya
Unit Pengelola
Matakuliah Bersama ITS
Surabaya
Centre for Languages
and Cultures
ITS Surabay
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
X
10
11
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
BAB 4 ANALISIS DAN PEMBAHASAN
ANALISA DESKRIPTIF
82.8
83.5
82.5
82.5
83.3
FMIPA
FTI
FTIF
FTK
FTSP
28
8.3
8.6
8.8
8.6
8.6
FMIPA
FTI
FTIF
FTK
FTSP
402
440
452
421
426
FMIPA
FTI
FTIF
FTK
FTSP
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
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
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
PENGELOMPOKAN MAHASISWA BARU
BERDASARKAN KEMAMPUAN BAHASA INGGRIS
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
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
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
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
41.128
4.524
41.128
41.128
3.192
29.017
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
aComponent
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.
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
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
CUKUP
BAIK
BAIK
SANGAT
BAIK
HASIL PENGELOMPOKAN
Karakteristik yang dimiliki oleh mahasiswa yang berada pada masing-masing cluster
25.1%
32.7%
10.6%
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
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.
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
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
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
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
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
Territorial Map(Assuming all functions but the first two are zero) Canonical Discriminant Function 2 -8.0 -6.0 -4.0 -2.0 .0 2.0 4.0 6.0 8.0 ┼─────────┼─────────┼─────────┼─────────┼─────────┼─────────┼─────────┼─────────┼ 8.0 ┼ 31 ┼ │ 31 │ │ 31 │ │ 31 │ │ 31 │ │ 31 │ 6.0 ┼ ┼ ┼ 31┼ ┼ ┼ ┼ ┼ ┼ │ 31 │ │ 31 │ │ 31 │ │ 31 1│ │ 31 1114│ 4.0 ┼ ┼ ┼ ┼ 31 ┼ ┼ ┼ ┼ 111444 ┼ │ 31 11444 │ │ 31 11144 │ │ 31 111444 │ │ 31 111444 │ │ 31 11444 │ 2.0 ┼ ┼ ┼ ┼ 31 ┼ ┼ 11144 ┼ ┼ │ 31 111444 │ │ 31 * 111444 │ │ 31 11444 │ │ * 31 11144 │ │ 33333111 111444 │ .0 ┼ ┼ ┼ 33333222222221444 ┼ ┼ ┼ ┼ │ 3333322222 24 * │ │ 3333322222 * 24 │ │ 3333322222 24 │ │ 3333322222 24 │ │ 33333322222 24 │ -2.0 ┼3333222222┼ ┼ ┼ ┼ 24 ┼ ┼ ┼ ┼ │2222 24 │ │ 24 │ │ 24 │ │ 24 │ │ 24 │ -4.0 ┼ ┼ ┼ ┼ ┼ 24 ┼ ┼ ┼ ┼ │ 24 │ │ 24 │ │ 24 │ │ 24 │ │ 24 │ -6.0 ┼ ┼ ┼ ┼ ┼ 24 ┼ ┼ ┼ ┼ │ 24 │ │ 24 │ │ 24 │ │ 24 │ │ 24 │ -8.0 ┼ 24 ┼ ┼─────────┼─────────┼─────────┼─────────┼─────────┼─────────┼─────────┼─────────┼ -8.0 -6.0 -4.0 -2.0 .0 2.0 4.0 6.0 8.0 Canonical Discriminant Function 1
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 1101H istogr am of scor e1 , scor e2 , scor e3
Normal
Buruk
Sedang
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
aCount 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%
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
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 GrammarManajemen Bisnis
Biologi
T.Mul&Jar
Matematika
T.Geofisika
S.Informasi
T.Sipil
T.Industri
Kimia
PWK
T.Fisika
Arsitektur
T.ElektroTransportasi 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 DesproBiologi 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
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
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 BiologiS.Perkapalan MTK T.Geomatika Mnj. Bisnis Kimia Trns.Laut2
1
0
-1
-2
2
1
0
-1
-2
First Factor
S
e
co
n
d
F
a
ct
o
r
Reading Grammarteknik 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
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
1 0 -1 -2 -3 -4 -5 2 1 0 -1 -2 First Factor Se co nd F ac to r Grammar ListeningTeknik 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.KimT.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 GrammarTeknik 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.mesinT.Sipil
bio
SI T.Indstri T.Elektro T.InformatikaANALISIS 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
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 kimiateknik 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
Teknik Material dan Metalurgi Desain produk Permukiman Wilayah dan Kota
teknik sipil transportasi laut
teknik kelautan
statistikaT.Ling
T.mesin manajemen bisnis T.Infmtk arsitektur T.IndustriS.Informasi T.MulJar
Tek.Pal T.Elktr T.FisT.Kim