IDENTIFIKASI KARAKTERISTIK DAN PEMODELAN
MASA STUDI LULUSAN MAHASISWA PROGRAM
MAGISTER MANAJEMEN BISNIS IPB
SARAH SARI UTARI
DEPARTEMEN STATISTIKA
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR
BOGOR 2016
PERNYATAAN MENGENAI SKRIPSI DAN
SUMBER INFORMASI SERTA PELIMPAHAN HAK CIPTA
Dengan ini saya menyatakan bahwa skripsi berjudul Identifikasi Karakteristik dan Pemodelan Masa Studi Lulusan Mahasiswa Program Magister Manajemen Bisnis IPB adalah benar karya saya dengan arahan dari komisi pembimbing dan belum diajukan dalam bentuk apa pun kepada perguruan tinggi mana pun. Sumber informasi yang berasal atau dikutip dari karya yang diterbitkan maupun tidak diterbitkan dari penulis lain telah disebutkan dalam teks dan dicantumkan dalam Daftar Pustaka di bagian akhir skripsi ini.
Dengan ini saya melimpahkan hak cipta dari karya tulis saya kepada Institut Pertanian Bogor.
Bogor, Juli 2016 Sarah Sari Utari NIM G14120016
ABSTRAK
SARAH SARI UTARI. Identifikasi Karakteristik dan Pemodelan Masa Studi Lulusan Mahasiswa Program Magister Manajemen Bisnis IPB. Dibimbing oleh HARI WIJAYANTO dan AGUS M SOLEH.
Salah satu indikator keberhasilan studi di perguruan tinggi dilihat dari masa studi mahasiswa. Program Magister Manajemen Bisnis IPB memiliki keragaman keberhasilan lulusan studi berdasarkan masa studi mahasiswa. Normalnya, program magister dapat ditempuh selama 24 bulan, namun sebanyak 73% lulusan Program Magister Manajemen Bisnis IPB menyelesaikan masa studi lebih dari 24 bulan. Oleh karena itu, diperlukan upaya untuk mencari faktor-faktor penyebab keragaman masa studi dan mengidentifikasi karakteristik guna meningkatkan kualitas lulusan mahasiswa. Masa studi sebagai peubah respons dikategorikan menjadi dua yaitu “tepat waktu” (kurang dari sama dengan 24 bulan) dan “tidak tepat waktu” (lebih dari 24 bulan). Pemodelan menggunakan regresi logistik biner dilakukan untuk menduga masa studi calon mahasiswa lulusan Manajemen Bisnis IPB dan mengetahui peubah yang berpengaruh terhadap masa studi. Peubah yang berpengaruh tersebut yaitu keserumpunan, jenis pekerjaan, TPA, dan kelas. Analisis korespondensi berganda dilakukan untuk menganalisis karakteristik masa studi. Hasil dari analisis menunjukkan bahwa karakteristik kategori “tepat waktu” adalah mahasiswa belum bekerja dan berasal dari kelas reguler. Karakteristik kategori “tidak tepat waktu” adalah mahasiswa yang bekerja di swasta dan berasal dari kelas eksekutif.
Kata kunci: analisis korespondensi berganda, masa studi, regresi logistik biner
ABSTRACT
SARAH SARI UTARI. Charactheristic Identification and Study Period Modelling of Graduated Student in Master Program of Business Management at IPB. Supervised by HARI WIJAYANTO and AGUS M SOLEH.
One of the study achievement’s indicator is study period of student. The Master Program of Business Management at IPB has diversity of study graduates achievement based on student’s study period. Normally, master program can be completed for 24 months, but 73% graduates in Master Program of Business Management IPB completed their study period more than 24 months. Therefore, the Master Program of Business Management have to find the factors that may affect the diversity of study period and identify charactheristic in order to increase the quality of graduated student. The study period as response variables are divided into two categories. The first category is “on time’s graduated student” (less than or equal to 24 months) and the second category is “not on time’s graduated student” (over 24 months). Modelling performed using binary logistic regression can be used to estimate study period for the future Business Management student and determine the variable that affect study period. Variables that have significant influence are linearity between program study S1 and S2,
occupation, TPA scors, and class. Multiple correspondence analysis is done to analyze the charactheristic of study period. The result of analysis show the charactheristic of “on time” category are unemployed students and from reguler class. The charactheristic of “not on time” category are students who work in private and from executive class.
Key words: binary logistic regression, multiple correspondence analysis, study period
Skripsi
sebagai salah satu syarat untuk memperoleh gelar Sarjana Statistika
pada
Departemen Statistika
IDENTIFIKASI KARAKTERISTIK DAN PEMODELAN
MASA STUDI LULUSAN MAHASISWA PROGRAM
MAGISTER MANAJEMEN BISNIS IPB
SARAH SARI UTARI
DEPARTEMEN STATISTIKA
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR
BOGOR 2016
Judul Skripsi : Identifikasi Karakteristik dan Pemodelan Masa Studi Lulusan Mahasiswa Program Magister Manajemen Bisnis IPB
Nama : Sarah Sari Utari NIM : G14120016
Disetujui oleh
Dr Ir Hari Wijayanto, MSi
Pembimbing I
Dr Agus M Soleh, SSi, MT
Pembimbing II
Diketahui oleh
Dr Anang Kurnia, MSi Ketua Departemen
PRAKATA
Puji syukur penulis panjatkan kepada Allah SWT karena berkah dan rahmatNya lah karya ilmiah ini dapat diselesaikan dengan baik.
Terima kasih penulis ucapkan kepada Bapak Hari Wijayanto dan Bapak Agus M Soleh selaku pembimbing yang telah banyak memberi saran. Penulis juga mengucapkan terima kasih kepada teman-teman statistika 49 atas dukungan, kritik, saran dan kebersamaannya selama perkuliahan. Penulis menyadari bahwa karya ilmiah ini jauh dari sempurna, baik dari segi penyusunan, bahasan, ataupun penulisannya. Oleh sebab itu, penulis mengharapkan kritik dan saran yang sifatnya membangun. Semoga karya ilmiah ini bermanfaat.
Bogor, Juli 2016 Sarah Sari Utari
DAFTAR ISI
DAFTAR TABEL ix DAFTAR GAMBAR ix PENDAHULUAN 1 Latar Belakang 1 Tujuan Penelitian 2 METODE 2 Data 2Prosedur Analisis Data 3
HASIL DAN PEMBAHASAN 6
Gambaran Umum Data 6
Analisis Regresi Logistik Biner 9
Analisis Korespondensi Berganda 12
SIMPULAN DAN SARAN 14
Simpulan 14
Saran 14
DAFTAR PUSTAKA 14
DAFTAR TABEL
1 Daftar peubah yang digunakan dalam penelitian 2
2 Sebaran persentase latar belakang peubah kategorik terhadap masa studi 8
3 Deskripsi peubah penjelas numerik 9
4 Peubah penjelas yang berpengaruh signifikan terhadap masa studi 10
5 Ketepatan klasifikasi model 11
DAFTAR GAMBAR
1 Sebaran masa studi lulusan Program Magister Manajemen Bisnis IPB
angkatan 2010-2012 6
2 Sebaran masa studi secara kualitatif 7
3 Persentase lulusan Magister berdasarkan ketepatan masa studi pada (a)
angkatan reguler (b) angkatan eksekutif 7
4 Diagram kotak ketepatan klasifikasi pada tiap gugus data 12
16
PENDAHULUAN
Latar Belakang
Program Manajemen Bisnis (MB IPB) merupakan salah satu program studi yang diselenggarakan oleh Sekolah Pascasarjana IPB. Program studi ini berperan aktif dalam pengembangan manajemen dan bisnis di tingkat regional, nasional, maupun internasional. Salah satu tujuan MB IPB adalah menghasilkan lulusan berkualitas tinggi, berintegritas tinggi, berakar kokoh pada budaya nasional, berwawasan internasional, mampu melakukan analisis dan sintesis dalam pemecahan masalah manajemen dan bisnis, terampil dalam menjalankan organisasi, dan mempunyai jiwa entrepreneurship (Sekolah Bisnis IPB 2015). Guna terwujudnya tujuan tersebut, pihak perguruan tinggi harus mampu menghasilkan sumberdaya manusia yang berkualitas dengan meningkatkan keberhasilan studi khususnya di MMB IPB. Salah satu upaya yang dapat dilakukan adalah identifikasi indikator keberhasilan studi yang ditentukan oleh masa studi kelulusan dan Indeks Prestasi Kumulatif (IPK).
Pada penelitian ini permasalahan yang dibahas lebih fokus pada keberhasilan studi berdasarkan masa studi. Berdasarkan data kelulusan, mahasiswa menyelesaikan studinya dalam kurun waktu yang berbeda-beda. Normalnya, mahasiswa menyelesaikan program studi magisternya selama 24 bulan, namun pada praktiknya mahasiswa tidak selalu menyelesaikan studinya tersebut dalam waktu normal. Tingkat ketepatan masa studi merupakan salah satu tolak ukur kesuksesan pembelajaran dalam suatu pendidikan. Evaluasi dapat dilakukan dengan mengidentifikasi karakteristik dan faktor-faktor penyebab keragaman masa studi guna terwujudnya standar nasional pendidikan yang sesuai dengan Peraturan Pemerintah Republik Indonesia nomor 49 tahun 2014.
Karakteristik masa studi dapat dianalisis dengan menggunakan analisis korespondensi berganda. Faktor-faktor yang memengaruhi ketepatan masa studi dapat dianalisis menggunakan analisis regresi logistik biner. Peubah respons yaitu masa studi lulusan mahasiswa MMB IPB yang dikategorikan menjadi dua kategori yaitu “tepat waktu” (kurang dari sama dengan 24 bulan) dan “tidak tepat waktu” (lebih dari 24 bulan). Peubah penjelas yang digunakan berdasarkan hasil penelitian sebelumnya diantaranya oleh Fattah (2013) menggunakan regresi logistik ordinal dan regresi probit ordinal. Hasil penelitian menunjukkan bahwa faktor yang berpengaruh yaitu nilai TOEFL, jenis kelamin, kesesuaian bidang studi, nilai IPK S1, dan asal fakultas. Damanik et al. (2015) mengklasifikasikan lama studi mahasiswa FSM Universitas Diponegoro menggunakan regresi logistik biner dan SVM (Support Vector Machine). Faktor-faktor yang berpengaruh yaitu jurusan dan IPK. Mariati et al. (2005) mengkaji keberhasilan studi menggunakan pohon klasifikasi dan pohon regresi sehingga mendapatkan faktor yang berpengaruh yaitu jenis kelamin, status perkawinan, usia, pekerjaan, asal perguruan tinggi S1, program studi S1, dan IPK S1. Hasil penelitian ini diharapkan dapat menjadi acuan dan evaluasi bagi pihak MMB IPB guna meningkatkan kualitas lulusan mahasiswa.
2
Tujuan Penelitian Tujuan penelitian ini adalah sebagai berikut.
1. Menganalisis faktor-faktor yang memengaruhi masa studi mahasiswa Program Magister Manajemen Bisnis IPB.
2. Menganalisis karakteristik masa studi mahasiswa Program Magister Manajemen Bisnis IPB.
METODE
Data
Data yang digunakan dalam penelitian ini adalah data sekunder, yaitu data lulusan mahasiswa Program Magister Manajemen Bisnis IPB angkatan 2010 (R44 dan E35) sampai angkatan 2012 (R49 dan E44) yang diperoleh dari bidang akademik Program Magister Manajemen Bisnis IPB. Jumlah lulusan dalam data ini sebanyak 344 lulusan Program Magister Manajemen Bisnis IPB baik dari kelas reguler (R44-R49) maupun eksekutif (E35-E44). Peubah-peubah yang digunakan terdapat pada Tabel 1.
Tabel 1 Daftar peubah yang digunakan dalam penelitian Peubah Keterangan Peubah Kategori
X1 Jenis Kelamin 0 = Laki-laki *
1 = Perempuan
X2 Asal Perguruan 0 = Universitas Negeri *
Tinggi S1 1 = Universitas Selain Negeri
X3 Keserumpunan 0 =Tidak Serumpun*
Program Studi S1 1 = Serumpun
Dengan S2
X4 IPK S1
X5 Jenis Pekerjaan 0 = Belum Bekerja *
1 = Instansi Pemerintahan 2 = Pegawai Swasta/Wiraswasta X6 Psikotes X7 TPA X8 TOEFL X9 Kelas 0 = Reguler * 1 = Sore
X10 Sumber Biaya 0 = Beasiswa *
1 = Sendiri
Y Masa Lulus Studi 0 = Y > 24 bulan *
1 = Y ≤ 24 bulan
3 Prosedur Analisis Data
Langkah-langkah yang dilakukan dalam penelitian ini adalah sebagai berikut :
1. Melakukan persiapan data
a. Menyamakan format penulisan data dan melakukan penanganan terhadap data kosong.
b. Melakukan eksplorasi data terhadap semua dengan menggunakan diagram kue, diagram batang, dan tabulasi silang.
2. Melakukan analisis regresi logistik biner untuk melihat faktor-faktor yang memengaruhi masa studi. Analisis ini merupakan salah satu metode statistik yang peubah responsnya bersifat kategori dan bernilai biner yaitu 0 dan 1 (Agresti 2007). Peluang bersyarat untuk peubah respon Y jika x diketahui, ditunjukkan oleh P(Y=1|x) = π(x). Fungsi regresi logistik dapat dituliskan sebagai berikut:
( )
( )
( )
Suatu fungsi π(x) dicari dengan menggunakan transformasi logit yaitu g(x) dinyatakan sebagai berikut:
( ) , ( )- [ ( ) ( )] Keterangan : = peubah bebas,
= banyaknya peubah dummy =
Adapun tahapan-tahapan analisis regresi logistik biner sebagai berikut.
a. Melakukan uji kebebasan antar peubah penjelas (multikolinearitas) yang bertujuan untuk melihat ada atau tidaknya korelasi antar peubah penjelas pada model regresi. Indikasi adanya multikolinearitas dilihat dari korelasi yang tinggi antar peubah penjelas yaitu berkisar diatas 0.8 (Gujarati dan Porter 2010). Besarnya korelasi dapat dilihat dengan tiga cara yaitu koefisien kontingensi dengan pendekatan khi-kuadrat, korelasi Pearson, dan korelasi Eta. Koefisien kontingensi digunakan untuk melihat hubungan antara peubah nominal, sedangkan korelasi antar peubah numerik dapat dilihat dari koefisien korelasi Pearson (Agresti 2007). Korelasi Eta dapat digunakan untuk melihat hubungan antara peubah nominal dengan interval (Santoso 2010).
b. Menduga parameter yang digunakan pada regresi logistik biner dengan metode kemungkinan maksimum (Hosmer dan Lemeshow 2000). Fungsi kemungkinan dinyatakan sebagai.
4
Asumsi setiap pengamatan independen maka fungsi likelihood nya adalah perkalian antara masing-masing fungsi likelihood yaitu:
( ) ( )
Perhitungan menggunakan pendekatan logaritma likelihood sebagai berikut: ( ) ( ) * ( ) , ( )- +
c. Melakukan beberapa pengujian parameter diantaranya.
i. Uji simultan dengan uji G atau Likelihood Ratio Test. Hipotesis sebagai berikut.
H0 : (tidak ada peubah penjelas yang berpengaruh)
H1 : ∃ , j=1,2,..p (minimal ada satu yang berpengaruh)
Statistik uji yang digunakan yaitu statistik uji G atau Likelihood Ratio Test (Hosmer dan Lemeshow 2000).
[ ], G ~ :
L0 : nilai fungsi kemungkinan maksimum tanpa peubah penjelas.
Lp : nilai fungsi kemungkinan maksimum dengan peubah penjelas.
ii. Uji parsial dengan uji Wald. Hipotesis sebagai berikut.
H0 : (peubah penjelas ke-j tidak memengaruhi masa studi)
H1 : , j=1,2,..p (peubah penjelas ke-j memengaruhi masa studi)
Statistik uji yang digunakan yaitu statistik uji Wald (Hosmer dan Lemeshow 2000).
̂
( ̂ ), Wj ~
d. Interpretasikan hasil menggunakan uji rasio odds. Nilai rasio odds menunjukkan kecenderungan hubungan suatu peubah penjelas terhadap peubah respons (Hosmer and Lemeshow 2000). Rasio odds didefinisikan sebagai berikut:
( ) ( ̂)
e. Melakukan pengujian kelayakan model yang digunakan untuk memeriksa model yang diperoleh sudah layak atau belum sesuai data yang diamati. Penelitian ini menggunakan tiga uji kelayakan yaitu uji devians dan Pearson, uji Hosmer dan Lemeshow, dan ketepatan klasifikasi model (Hosmer dan Lemeshow 2000).
i. Uji devians dan Pearson. : Model layak (fit) : Model tidak layak
[ (̂ ) ( ) ( ̂ )] , D ~ ( ) ( )
5
ii. Uji Hosmer dan Lemeshow. Uji statistik ini diperoleh dengan menghitung statistik Pearson chi-square dari tabel frekuensi amatan dan harapan yang dapat ditulis sebagai berikut (Hosmer dan Lemeshow 2000).
̂
( ̅ )̅ ( ̅ )
~
( )= jumlah subjek dalam grup
= jumlah pola covariate di desil
̅ = rata-rata estimasi probabilitas hasil dari setiap grup
iii. Ketepatan klasifikasi model digunakan untuk mengevaluasi keakuratan prediksi dari model regresi logistik biner yang merupakan tabel dua arah antara kelompok data aktual dan prediksi (Hosmer dan Lemeshow 2000). Model prediksi tersebut akan menghasilkan angka skor antara 0 (nol) dan 1 (satu) yang diinterpretasikan sebagai angka probabilitas. Dengan cut-off-point tertentu model prediksi tersebut akan menghasilkan 3 kategori estimasi, yaitu estimasi yang tepat, estimasi kesalahan Tipe I, dan estimasi kesalahan Tipe II. Pemilihan cut-off-point sangat penting dalam perhitungan tingkat kesalahan. Kriteria pemilihan terbaik untuk menentukan cut-off-point dilakukan dengan memproporsikan kategori masa studi.
3. Melakukan analisis korespondensi berganda yang mempresentasikan hubungan semua peubah dalam tabel kontingensi sekaligus melihat karakteristik suatu kategori pada satu peubah terhadap kategori peubah lainnya (Putra et al 2011). Secara umum, analisis ini memproyeksikan titik-titik dari matriks baris dan matriks kolom ke dalam grafik berdimensi rendah dengan jarak Euclid (Sumertajaya dan Mattjik 2011). Adapun tahapan-tahapan analisis korespondensi berganda sebagai berikut.
a. Peubah yang digunakan yaitu peubah yang berpengaruh nyata terhadap respons. Jika ada tipe peubah yang numerik maka harus dijadikan peubah kategorik.
b. Membentuk matriks indikator Z berukuran nxq dengan n merupakan jumlah observasi dan q merupakan jumlah kategori untuk seluruh peubah kategorik yang digunakan. Pembentukan matriks korespondensi berasal dari matriks indikator Z yaitu pembagian matriks Z dengan jumlah semua elemennya dirumuskan sebagai berikut (Kaciak dan Lauviere 1990).
c. Menentukan massa kolom dari matriks indikator yang dirumuskan sebagai berikut (Kaciak dan Lauviere 1990).
1 0
1 Benar (+) Salah (-) Sensitifitas 0 Salah (+) Benar (-) Spesifisitas
Prediksi
% Ketepatan Aktual
6
d. Menentukan nilai akar ciri dan vektor ciri dari matriks S sebagai berikut (Sumertajaya dan Mattjik 2011).
D = (dij)pxp adalah matriks diagonal dari massa kolom.
e. Menentukan koordinat utama dari setiap kategori yaitu dan dengan W merupakan matriks dengan kolom berasal dari vektor ciri matriks S dan merupakan matriks diagonal dari akar ciri matriks S (Sumertajaya dan Mattjik 2011).
f. Menghitung nilai inersia total yang merupakan jumlah kuadrat dari semua nilai-nilai singular yang tidak nol. Inersia total yaitu (Ermawati dan Nur 2014). Lalu interpretasikan hasil plot korespondensi.
HASIL DAN PEMBAHASAN
Gambaran Umum Data
Gambar 1 Sebaran masa studi lulusan Program Magister Manajemen Bisnis IPB angkatan 2010-2012
Eksplorasi data dilakukan untuk melihat gambaran umum terkait data yang digunakan. Gambar 1 menunjukkan sebaran masa studi lulusan Program Magister Manajemen Bisnis IPB secara kuantitatif yang berada pada rentang 17 hingga 36 bulan. Hasil menunjukkan nilai rata-rata masa studi lulusan mahasiswanya sebesar 29 bulan dengan simpangan baku sebesar 6. Selain itu, grafik histogram
36 32 28 24 20 16 70 60 50 40 30 20 10 0
Masa studi (bulan)
F re ku en si Mean 28.91 StDev 6.053 N 246
7 memberikan pola distribusi yang menjulur ke kiri sehingga mengakibatkan data tidak simetris (tidak berdistribusi normal). Oleh karena itu, peneliti mencoba untuk mengategorikan masa studi dalam penelitan ini.
Gambar 2 Sebaran masa studi secara kualitatif
Gambar 2 merupakan keseluruhan masa studi yang dikategorikan menjadi dua yaitu “tepat waktu” dan “tidak tepat waktu”. Hasilnya menunjukkan sebesar 27% lulusan mahasiswa Magister Manajemen Bisnis IPB angkatan 2010-2012 menyelesaikan masa studi “tepat waktu” yaitu kurang dari sama dengan 24 bulan, sedangkan sisanya masih banyak lulusannya yang menempuh studi lebih dari 24 bulan. Batas maksimal masa studi untuk program magister yaitu sekitar 36 bulan berdasarkan peraturan Menteri Pendidikan dan Kebudayaan Republik Indonesia Nomor 49 Tahun 2014. 27% 73% Tepat Waktu Tidak Tepat Waktu 0% 10% 20% 30% 40% 50% 60% 70% 80% 90% 100% E 3 5 E 3 6 E 3 7 E 3 8 E 3 9 E 4 0 E 4 1 E 4 2 E 4 3 E 4 4 P er sen tase lu lu san (%) (b)
Tepat Waktu Tidak Tepat Waktu 0% 10% 20% 30% 40% 50% 60% 70% 80% 90% 100% R44 R45 R46 R47 R48 R49 P er sen tase lu lu san (%) (a)
Tepat Waktu Tidak Tepat Waktu
Gambar 3 Persentase lulusan Magister berdasarkan ketepatan masa studi pada (a) angkatan reguler (b) angkatan eksekutif
8
Selain itu, jumlah lulusan dari masing-masing kategori masa studi dapat dilihat per angkatan yaitu angkatan reguler (R44-R49) dan angkatan eksekutif (E35-E44). Gambar 3(a) menunjukkan angkatan reguler yang mayoritas mahasiswanya masuk ke dalam kategori “tepat waktu” yaitu angkatan R44, R45, dan R49. Sedangkan angkatan R46, R47, dan R48 mayoritas mahasiswanya masuk ke dalam kategori “tidak tepat waktu”. Mahasiswa R45 yang “tepat waktu” sebesar 24.7% (20 lulusan) dari total kategori “tepat waktu” di angkatan reguler. Mahasiswa R47 yang “tidak tepat waktu” sebesar 30.3% (20 lulusan) dari total kategori “tidak tepat waktu” di angkatan reguler.
Gambar 3(b) menunjukkan mayoritas mahasiswa di setiap angkatan eksekutif masuk ke dalam kategori “tidak tepat waktu”. Hal ini disebabkan lamanya pada masa perkuliahan dan proses penyelesaian tesis dibandingkan angkatan reguler. Masa perkuliahan masing-masing angkatan reguler dan eksekutif yaitu 12 dan 15 bulan. Hal ini disebabkan waktu pertemuan angkatan eksekutif lebih singkat dibanding angkatan reguler sehingga harus menambah 1 triwulan (3 bulan).
Peubah-peubah berskala kategorik seperti jenis kelamin, asal perguruan tinggi S1, keserumpunan program studi S1 dengan S2, jenis pekerjaan, kelas, dan sumber biaya dapat dideskripsikan menggunakan tabulasi silang dengan kategori masa studi pada Tabel 2. Berdasarkan tabel tersebut, persentase lulus “tepat waktu” diraih oleh mahasiswa perempuan, mahasiswa berasal dari universitas negeri, program studi tidak serumpun, mahasiswa yang belum bekerja, berasal dari kelas reguler, dan mahasiswa yang mendapatkan beasiswa.
Tabel 2 Sebaran persentase latar belakang peubah kategorik terhadap masa studi
Peubah Kategori Masa Studi
≤ 24 bulan
Masa Studi > 24 bulan
Total Jenis Kelamin Laki-laki 40(23.4%) 131(76.6%) 171
Perempuan 55(31.8%) 118(68.2%) 173 Asal Perguruan Tinggi S1 Universitas Negeri 72(29.9%) 169(70.1%) 241 Universitas Selain Negeri 23(22.3%) 80(77.7%) 103 Keserumpunan Program Studi S1 dengan S2 Serumpun 22(22.4%) 76(77.6%) 98 Tidak Serumpun 73(29.7%) 173(70.3%) 246 Jenis Pekerjaan Instansi
Pemerintahan 22(28.2%) 56(71.8%) 78 Pegawai Swasta/Wiraswasta 19(12.5%) 133(87.5%) 152 Belum Bekerja 54(47.4%) 60(52.6%) 114 Kelas Reguler 81(55.1%) 66(44.9%) 147 Sore 14(7.1%) 183(92.9%) 197
Sumber Biaya Beasiswa 10(66.7%) 5(33.3%) 15
Sendiri 85(25.8%) 244(74.2%) 329
Pada peubah berskala numerik pada Tabel 3 dapat diketahui bahwa dari segi kemampuan akademik, nilai IPK pada saat S1 lulusan tersebut rata-rata sebesar 3.05. Selain itu, lulusan tersebut memiliki masing-masing nilai psikotes dan TPA
9 rata-rata sebesar 274 dan 531. Sedangkan dari segi kemampuan bahasa asing, lulusan tersebut memiliki nilai Toefl pada saat masuk S2 rata-rata sebesar 475.
Tabel 3 Deskripsi peubah penjelas numerik
Peubah Minimum Maksimum Rata-rata Standar
Deviasi
IPK S1 2 3.95 3.05 0.38
Psikotes 100 400 274 74.94
TPA 338 690 531 55.93
Toefl 326 633 475 45.15
Analisis Regresi Logistik Biner
Pada analisis ini mengasumsikan tidak boleh ada multikolinearitas sehingga perlu dilakukan pengecekan korelasi/asosiasi antar peubah penjelas. Indikasi adanya multikolinearitas yaitu koefisien korelasi/asosiasi antar peubah penjelas tinggi berkisar diatas 0.8 (Gujarati dan Porter 2010). Besarnya korelasi dapat dilihat dengan tiga cara yaitu koefisien kontingensi dengan pendekatan khi-kuadrat, korelasi Pearson, dan korelasi Eta. Koefisien kontingensi digunakan untuk melihat hubungan antara peubah nominal, sedangkan korelasi antar peubah numerik dapat dilihat dari koefisien korelasi Pearson (Agresti 2007). Korelasi Eta dapat digunakan untuk melihat hubungan antara peubah nominal dengan interval (Santoso 2010). Lampiran 1 menunjukkan matriks korelasi/asosiasi antar peubah penjelas yaitu jenis kelamin (X1), asal perguruan tinggi S1 (X2), keserumpunan
(X3), IPK S1 (X4), jenis pekerjaan (X5), psikotes (X6), TPA (X7), TOEFL (X8),
kelas (X9), dan sumber biaya (X10).
Pemeriksaan asosiasi antar peubah nominal seperti X1, X2, X3, X5, X9, dan
X10 dilakukan dengan melihat koefisien kontingensi yang dihasilkan. Koefisien
terbesar pada peubah nominal ini berkisar 0.508 yaitu korelasi antara X5 dan X9.
Pemeriksaan korelasi antar peubah numerik seperti X4, X6, X7, dan X8 dilakukan
dengan menggunakan korelasi Pearson. Koefisien korelasi terbesar pada peubah numerik ini berkisar 0.458 yaitu korelasi antara X6 dan X7. Pemeriksaan asosiasi
antara peubah nominal dan numerik dilakukan dengan melihat koefisien dari korelasi Eta yang dihasilkan. Koefisien terbesar antar kedua peubah ini berkisar 0.230 yaitu korelasi antara X1 dan X4. Secara keseluruhan, koefisien terbesar
ketiganya masih dibawah 0.8 yang artinya bahwa dalam penelitian ini tidak terdapat multikolinearitas.
Pendugaan parameter pada model regresi logistik biner dengan semua peubah penjelas menghasilkan nilai statistik uji G sebesar 114.964 dan nilai p sebesar <0.0001 . Hal ini menunjukkan pengujian parameter secara simultan pada taraf nyata 10% minimal ada satu peubah penjelas yang memengaruhi masa studi. Pengujian parameter secara parsial menggunakan uji Wald yang terdapat pada Tabel 4 menunjukkan bahwa peubah penjelas yang memiliki nilai p kurang dari 10% berpengaruh signifikan terhadap masa studi. Peubah penjelas yang berpengaruh tersebut adalah keserumpunan program studi S1 dengan S2, jenis pekerjaan, TPA, dan kelas. Tabel 4 menunjukkan bahwa dugaan parameter peubah penjelas yang bernilai positif akan meningkatkan peluang keberhasilan studi seperti peubah penjelas IPK S1, jenis pekerjaan, dan skor TOEFL. Koefisien
10
penduga positif pada IPK S1, semakin bertambah IPK maka cenderung untuk lulus “tepat waktu” lebih cepat. Mahasiswa yang bekerja di instansi pemerintahan cenderung lulus “tepat waktu”.
Tabel 4 Peubah penjelas yang berpengaruh signifikan terhadap masa studi
̂ SE Uji Wald Nilai p Odds Rasio ̂ Intercept -1.0341 2.1631 0.2286 0.6326 1.5751 U Jenis Kelamin (1) vs (0) -0.0715 0.1563 0.2090 0.6475 0.867 Asal PT S1 (1) vs (0) -0.1294 0.1789 0.5229 0.4696 0.772 Keserumpunan (1) vs (0) -0.2973 0.1811 2.6936 0.0899* 0.552 -0.2562 IPK S1 0.5095 0.4065 1.5710 0.2101 1.665 Jenis Pekerjaan (1) vs (0) 0.4278 0.2552 2.8098 0.0937* 1.736 0.3969 Jenis Pekerjaan (2) vs (0) -0.3042 0.2345 1.6828 0.1946 0.835 -0.2984 Psikotes -0.00274 0.00219 1.5595 0.2117 0.997 TPA -0.00608 0.00324 3.5136 0.0609* 0.994 -0.00534 TOEFL 0.00472 0.00356 1.7562 0.1851 1.005 T o e f Kelas (1) vs (0) -1.3838 0.1994 48.1483 <.0001* 0.063 -1.3860 X Sumber Biaya (1) vs (0) -0.1626 0.3199 0.2583 0.6113 0.722
*) Signifikan pada taraf nyata 10%
Sebaliknya, dugaan parameter peubah penjelas yang bernilai negatif akan menurunkan peluang keberhasilan studi seperti jenis kelamin, asal perguruan tinggi S1, keserumpunan, jenis pekerjaan, psikotes, TPA, kelas, dan sumber biaya. Dilihat dari peubah kelas, mahasiswa kelas eksekutif cenderung “tidak tepat waktu” dibandingkan mahasiswa kelas reguler. Dilihat dari peubah keserumpunan, mahasiswa dengan program studi S1 serumpun dengan program studi S2 cenderung “tidak tepat waktu” dibandingkan yang tidak serumpun. Hal ini disebabkan pada awal masa perkuliahan, mahasiswa wajib mengikuti penyetaraan program studi yaitu matrikulasi selama 3 bulan. Setelah akhir matrikulasi, mahasiswa diberikan beberapa pilihan terkait peminatan bidang diantaranya keuangan, SDM (Sumber Daya Manusia), pemasaran, dan strategi. Peraturan ini berlaku untuk semua program studi S1 baik yang serumpun maupun yang tidak serumpun. Alasan lainnya yaitu mahasiswa yang tidak serumpun mayoritas berasal dari teknik dan MIPA sedangkan pembelajaran di MMB cenderung kuantitatif sehingga banyak mahasiswanya yang “tepat waktu”.
Setelah melakukan pengujian parameter, selanjutnya membandingkan kejadian sukses dengan tidak sukses antar kategori peubah penjelas dengan melihat nilai rasio oddsnya. Pada peubah penjelas jenis pekerjaan, nilai odds mahasiswa yang bekerja di instansi pemerintahan cenderung “tepat waktu” sebesar 1.736 kali nilai odds mahasiswa yang belum bekerja. Nilai rasio odds untuk skor TPA cenderung “tepat waktu” sebesar 0.994 kali. Nilai rasio odds untuk peubah kelas dapat dinyatakan bahwa mahasiswa yang berasal dari kelas eksekutif cenderung “tepat waktu” sebesar 0.063 kali dibandingkan mahasiswa yang berasal dari kelas reguler. Kelas reguler biasanya untuk mahasiswa fresh graduate yang belum bekerja dan belum menikah sehingga peluang lulus “tepat waktu” lebih tinggi. Masa perkuliahannya pun lebih cepat dari kelas eksekutif dengan selisih 3 bulan. Hal yang menarik dari hasil pengujian uji Wald yaitu
11 peubah keserumpunan. Nilai odds mahasiswa yang program studinya serumpun cenderung “tepat waktu” sebesar 0.552 kali nilai odds mahasiswa yang tidak serumpun. Hal ini menunjukkan bahwa program studi S1 selain ekonomi memiliki peluang tinggi untuk lulus “tepat waktu” dan mengikuti matrikulasi dengan baik.
Nilai statistik devians untuk menguji kelayakan dengan nilai peluang lebih besar dari taraf nyata 10% yaitu sebesar 0.947 menunjukkan bahwa model layak. Nilai statistik Pearson dengan nilai peluang lebih besar dari taraf nyata 10% yaitu sebesar 0.495 menunjukkan bahwa model layak. Uji kelayakan selanjutnya menggunakan uji Hosmer dan Lemeshow diperoleh nilai p sebesar 0.662 sehingga model dikatakan layak. Tabel ketepatan klasifikasi digunakan untuk mengevaluasi keakuratan model regresi yang sudah didapatkan. Pemilihan cut-off-point ditentukan oleh masing-masing proporsi kategori “tepat waktu” dan “tidak tepat waktu” yaitu 27% dan 73%. Berdasarkan hal tersebut, cut-off-point dalam penelitian ini yaitu 0.27 (Hadad 2004). Dengan cut-off-point tersebut model prediksi akan mengidentifikasi masa studi dengan probabilitas kurang dari 0.27 sebagai lulusan “tepat waktu”, sebaliknya probabilitas yang lebih dari 0.27 sebagai lulusan “tidak tepat waktu”.
Tabel 5 Ketepatan klasifikasi model
Aktual Prediksi Total %
Benar Tepat Waktu Tidak Tepat Waktu
Tepat Waktu 81 14 95 85.3%
Tidak Tepat Waktu 66 183 249 73.5%
% Keseluruhan 76.7%
Tabel 5 menunjukkan persentase kategori “tepat waktu” (sensitifitas) dan “tidak tepat waktu” (spesifisitas) masing-masing sebesar 85.3% dan 73.5% . Hasil ini menunjukkan bahwa dari 95 lulusan mahasiswa yang tepat waktu ada 81 lulusan diklasifikasi dengan benar, sedangkan dari 249 lulusan mahasiswa yang tidak tepat waktu ada 183 lulusan diklasifikasikan benar. Secara keseluruhan klasifikasi yang benar dari 344 lulusan sebesar 76.7% berarti model yang dibangun sudah cukup baik dan sisanya sebesar 23.3% dijelaskan oleh faktor-faktor yang tidak ada dalam model.
Validasi model dapat dilakukan untuk melihat kestabilan nilai ketepatan klasifikasi yang dibentuk terhadap gugus data baru. Validasi dilakukan dengan melakukan pengambilan contoh secara acak dan berulang sebanyak 30 kali. Ukuran setiap contoh yaitu 30% dari data keseluruhan sebanyak 104 data. Pada validasi model ini, cut-off-point yang digunakan 0.5. Gambar 4 menunjukkan penyebaran nilai ketepatan klasifikasi berada di antara 68% hingga 84% dan tidak begitu jauh terhadap ketepatan klasifikasi secara keseluruhan.
12
Gambar 4 Diagram kotak ketepatan klasifikasi pada tiap gugus data
Kajian lebih lanjut terkait penelitian ini yaitu ada beberapa faktor eksternal yang diduga berpengaruh terhadap masa studi, salah satunya saat proses pembuatan tesis. Setelah masa perkuliahan berakhir, mahasiswa fokus pada pembuatan proposal untuk kolokium. Terkadang topik yang dituangkan saat penyusunan proposal dengan sinopsis awal berbeda sehingga mahasiswa kesulitan untuk mencari ide lain dan menghambat penyelesaian tesis. Selain itu, salah satu syarat dari ujian yaitu mahasiswa wajib mengumpulkan jurnal dan sudah sampai tahapan perbaikan ke-2. Sebagian besar mahasiswa mengalami proses yang cukup lama pada tahapan jurnal ini sedangkan masa studi terus berjalan. Pembuatan jurnal sebaiknya dikerjakan sebelum pelaksanaan seminar sehingga proses penyelesaian jurnal hingga revisi-2 lebih cepat.
Hal lain yang dapat menghambat berakhirnya masa studi yaitu komunikasi dengan dosen pembimbing. Komunikasi antara mahasiswa dengan dosen pembimbing kurang lancar khususnya untuk mahasiswa eksekutif dikarenakan kesibukan para dosen dan juga jadwal yang sempit. Mahasiswa eksekutif hanya bisa bimbingan setiap Sabtu karena hari sebelumnya sudah disibukkan dengan pekerjaan, berbeda dengan kelas reguler. Hal ini berakibat pada penyelesaian masa studi untuk kelas eksekutif lebih lama. Dosen pembimbing dibentuk pada triwulan ke-3 untuk reguler dan triwulan ke-4 untuk eksekutif sehingga kurangnya intesitas diskusi. Pembentukan dosen pembimbing sebaiknya dilakukan pada awal masa perkuliahan sehingga dapat menjamin rentang waktu penyelesaian tesis tepat waktu. Mahasiswa juga cukup kesulitan dalam pengolahan data karena fasilitas yang tersedia kurang maksimal. Selain itu, pihak akademik perlu meningkatkan kegiatan mentoring dan coaching sehingga dapat memantau perkembangan penyusunan tesis mahasiswa. Faktor lain yang paling utama yaitu motivasi dan komitmen mahasiswa. Motivasi yang kurang dapat memperlambat proses pembuatan tesis dan berakibat ke masa studi.
1 2 84 80 76 72 68 K e te p a ta n k la s if ik a s i ti a p g u g u s d a ta ( % )
13 Analisis Korespondensi Berganda
Metode ini dapat menggambarkan karakteristik masing-masing kategori masa studi mahasiswa berdasarkan kedekatan plot dengan kategori peubah penjelasnya. Peubah yang digunakan pada analisis korespondensi adalah peubah yang berpengaruh di analisis regresi logistik biner. Peubah yang digunakan dalam analisis ini bersifat kategorik sehingga peubah TPA perlu dikategorikan. Skor TPA dikategorikan menjadi tiga yaitu skor kurang dari sama dengan 450, skor antara 450 hingga 550, dan skor yang lebih dari 550. Plot dari hasil perhitungan analisis korespondensi berganda disajikan dalam Gambar 5 terdiri dari dua sumbu utama yang menggambarkan keragaman karakteristik data. Dua sumbu utama ini menjelaskan 44.9% dari total keragaman. Peubah yang memberikan kontribusi terbesar pada sumbu 1 adalah peubah kelas dengan besar kontribusi yang diberikan sebesar 39.6%, sedangkan untuk kategori yang memiliki kontribusi terbesar pada sumbu 1 adalah kategori reguler. Peubah yang memberikan kontribusi terbesar pada sumbu 1 adalah jenis pekerjaan dengan besar kontribusi yang diberikan sebesar 55.4%, sedangkan untuk kategori yang memiliki kontribusi terbesar pada sumbu 2 adalah instansi pemerintahan.
Gambar 5 Plot korespondensi berganda
Selain itu, plot tersebut menggambarkan karakteristik masing-masing kategori masa studi. Kategori “tepat waktu” atau lulusan kurang dari sama dengan 24 bulan adalah mahasiswa belum bekerja dan berasal dari kelas reguler. Sedangkan karakteristik kategori “tidak tepat waktu” adalah mahasiswa yang bekerja di swasta dan berasal dari kelas sore. Kategori instansi pemerintahan dan serumpun cenderung mengelompok karena sebagian mahasiswa dengan program
1.5 1.0 0.5 0.0 -0.5 -1.0 1.5 1.0 0.5 0.0 -0.5 -1.0 Sumbu 1 S u m b u 2 Sore Reguler TPA>550 450<TPA≤550 TPA≤450 Belum Bekerja Swasta
Instansi Pemerintahan
Tidak Serumpun Serumpun
14
studi ekonomi manajemen bekerja di bidang perbankan, asuransi, dan kedinasan. Kategori tidak serumpun dan TPA cenderung masuk ke dalam kedua kategori masa studi karena keduanya memiliki jarak yang relatif sama.
SIMPULAN DAN SARAN
Simpulan
Faktor-faktor yang berpengaruh terhadap ketepatan masa studi yaitu peubah keserumpunan, jenis pekerjaan, TPA, dan kelas. Uji kelayakan model menggunakan uji devians, Pearson, uji Hosmer dan Lemeshow yang menghasilkan kesimpulan bahwa model yang dibangun sudah layak. Ketepatan klasifikasi yang dihasilkan oleh model dengan peubah yang berpengaruh yaitu sebesar 76.7%. Peubah-peubah penjelas yang berpengaruh terhadap masa studi dilihat pula karakteristik masing-masing kategorinya. Karakteristik kategori “tepat waktu” atau lulusan kurang dari sama dengan 24 bulan adalah mahasiswa belum bekerja dan berasal dari kelas reguler. Karakteristik kategori “tidak tepat waktu” atau lulusan lebih dari 24 bulan adalah mahasiswa yang bekerja di swasta dan berasal dari kelas sore.
Saran
Peubah-peubah yang berpengaruh nyata terhadap model dapat dijadikan pertimbangan dalam memprediksi calon lulusan mahasiswa Magister Manajemen Bisnis IPB. Penelitian selanjutnya perlu mengkaji lebih dalam mengenai referensi peubah penjelas yang nyata berpengaruh terhadap masa studi. Faktor-faktor di luar model yang diduga berpengaruh terhadap masa studi yaitu lamanya masa perkuliahan berakhir ke sidang komisi 1, rentang waktu antara sidang komisi 1 ke kolokium, dan seterusnya hingga ujian. Selain itu, sebaiknya dilakukan pula wawancara dengan mahasiswa yang lulus “tepat waktu” dan “tidak tepat waktu” untuk melihat dari segi perspektif mahasiswanya.
DAFTAR PUSTAKA
Agresti A. 2007. An Introduction to Categorical Data Analysis. New York (US): John Wiley & Sons, Inc.
Damanik SMS, Ispriyanti D, Sugito. 2015. Klasifikasi lama studi mahasiswa FSM Universitas Diponegoro menggunakan regresi logistik biner dan Support Vector Machine (SVM). Jurnal Gaussian. 4(1): 123-132.
Ermawati, Nur MF. 2014. Analisis korespondensi untuk mengetahui variabel unggulan. Studi kasus pada Mall Panakkukang , Mall Trade Center, dan Mall Ratu Indah. Jurnal MSA. 2(1): 60-68.
Fattah IAA. 2013. Analisis Faktor-faktor yang Mempengaruhi Masa Studi Lulusan Mahasiswa Program Magister Institut Teknologi Sepuluh
15 November (ITS) Surabaya Menggunakan Regresi Logistik Ordinal dan Regresi Probit Ordinal [skripsi]. Surabaya (ID): Departemen Statistika FMIPA ITS.
Gujarati D, Portet D. 2010. Essentials of Econometrics Fourth Edition. New York (US): The McGraw-Hill Companies,Inc.
Hadad M, Santoso W. 2004. Model Prediksi Kepailitan Bank Umum di Indonesia [paper]. Biro Stabilitas Sistem Keuangan.
Hosmer DW, Lemeshow S. 2000. Apllied Logistic Regression Second Edition. New York (US): John Wiley and Sons.
Kaciak E, Louviere J. 1990. Multiple corresponsdence analysis of multiple choice experiment data. Journal of Marketing Research. 27(1):455-465.
[Kemendikbud] Kementerian Pendidikan dan Kebudayaan. 2014. Peraturan Pemerintah Republik Indonesia Nomor 49 Tahun 2014 Tentang Standar Nasional Pendidikan. Jakarta (ID): Kemendikbud.
Mariati I, Notodiputo KA, Juanda B. 2005. Pohon klasifikasi dan pohon regresi keberhasilan mahasiswa Pascasarjana Program Studi Statistika IPB. Forum Statistika dan Komputasi. 10(1): 15-21.
Putra BJ B, Irmeilyana, Andarini I. 2011. Analisis korespondensi untuk mengetahui hubungan lama studi dengan IPK dan lama skripsi alumni Matematika FMIPA UNSRI angkatan 2001-2002. Jurnal Penelitian Sains. 14(1A): 13-18.
Santoso S. 2010. Statistik Nonparametrik. Jakarta (ID): PT Elex Media Komputindo.
Sekolah Bisnis IPB. 2015. Buku Panduan Program Magister Manajemen dan Bisnis. Bogor (ID): SB IPB.
Sumertajaya IM, Mattjik AA. 2011. Sidik Peubah Ganda Dengan Menggunakan SAS. Bogor (ID): Departemen Statistika IPB.
Lampiran 1 Matriks korelasi/asosiasi pada peubah penjelas
Keterangan : # Khi-kuadrat ® Korelasi Pearson # Korelasi Eta
X1 X2 X3 X4 X5 X6 X7 X8 X9 X10 X1 1.000 X2 0.123# 1.000 X3 0.004# 0.291# 1.000 X4 0.230* 0.201* 0.085* 1.000 X5 0.129# 0.132# 0.154# 0.082* 1.000 X6 0.029* 0.171* 0.151* 0.045® 0.021* 1.000 X7 0.056* 0.220* 0.072* 0.082® 0.097* 0.458® 1.000 X8 0.057* 0.176* 0.022* 0.044® 0.111* 0.261® 0.352® 1.000 X9 0.174# 0.090# 0.037# 0.117* 0.508# 0.061* 0.089* 0.081* 1.000 X10 0.126# 0.015# 0.040# 0.055* 0.224# 0.077* 0.101* 0.090* 0.240# 1.000 16
RIWAYAT HIDUP
Penulis lahir di Serang pada tanggal 4 Mei 1994 sebagai anak pertama dari pasangan Unang Misbah dan Retno Ari Kusdaryati. Penulis menempuh pendidikan di SD Negeri 1 Cilegon (2000-2006), SMP Negeri 2 Cilegon (2006-2009) dan SMA Negeri 2 Krakatau Steel Cilegon (2009-2012). Penulis diterima di IPB melalui jalur undangan dengan mayor Statistika pada tahun 2012. Penulis juga mengambil minor/pelengkap mayor yaitu Matematika Keuangan dan Aktuaria.
Selama menempuh pendidikan di IPB pada tahun pertama penulis tergabung dalam Organisasi Mahasiswa Daerah KMB (Keluarga Mahasiswa Banten). Pada tahun kedua penulis dipercaya menjadi bendahara umum organisasi rohani islam Departemen Statistika angkatan 49 dan pada tahun ketiga dan keempat penulis tergabung dalam IGAF (IPB Green Action Forum) sebagai sekretaris divisi internal. Selain tergabung dalam organisasi penulis berkesempatan untuk aktif di beberapa kepanitian seperti Staff Konsumsi Qurban TPB IPB, panitia University Day Out (UDO) Perwakilan OMDA Banten, Bendahara divisi Dana Usaha Open House 2013, Bendahara divisi Konsumsi SPIRIT 2014, Bendahara Logstran MPF, Staff Dana Usaha PORTSTAT 2014, Bendahara Umum Statistika Ria ke-10, dan Bendahara Umum WCS 2015.
Penulis mendapat kesempatan untuk menjadi pengajar Pengantar Matematika, Landasan Matematika, dan Kalkulus di bimbingan belajar Mafia. Penulis juga mengikuti perlombaan selama perkuliahan yaitu menjadi Semifinalis DAC (Data Analyisis Competition) Tingkat Nasional tahun 2015. Serta penulis melaksanakan praktek lapang di PT Tbk. Krakatau Steel Cilegon di bidang CRM (Cold Roll Mill) tahun 2015.
