Analisis Faktor-faktor yang Mempengaruhi
Masa Studi Lulusan Mahasiswa Program Magister
Institut Teknologi Sepuluh Nopember (ITS) Surabaya
Menggunakan Regresi Logistik Ordinal
dan Regresi Probit Ordinal
Pembimbing I :
Dra. Madu Ratna, M.Si.
Pembimbing II :
Dr. Vita Ratnasari, S.Si., M.Si.
Penguji :
Dr. Dra. Ismaini Zain, M.Si.
Prof. Dr. Drs. I Nyoman Budiantara, M.Si.
S E M I N A R H A S I L
IMAM AHMAD AL FATTAH
1309 100 093
Agenda
Pendahuluan
Tinjauan
Pustaka
Metodologi
Penelitian
Analisis dan
Pembahasan
Kesimpulan
dan Saran
Daftar
Pustaka
Pendahuluan
(1)
Latar Belakang
(1) Pendidikan Dasar Menengah Tinggi Diploma Sarjana Magister Doktor IPK Masa StudiPendahuluan
(2)
Latar Belakang
(2) Masa Studi 3 Semester (Lebih Cepat) 4 Semester (Normal) > 4 Semester (Lebih Lama) Regresi Logistik Ordinal Regresi Probit Ordinal Ketepatan Klasifikasi Pseudo R2 McFadden,Pendahuluan
(3)
Penelitian Terdahulu
Kelulusan Studi • Anggraeni, Indarto, & Kusumadewi, 2004• Starck, Love, & McPherson, 2008 • Noranita & Bahtiar, 2010 • Padmini, Suciptawati, & Regresi Logistik Ordinal
• Fuks & Salazar, 2008 • Khasanah, 2008 • Nurmalinda, 2011 Regresi Probit Ordinal • McKelvey & Zavonia, 1975 • O’Donnell & Connor, 1996 • Kockelman & Kweon, 2002 • Purwantono, 2009 • Rachmasita, 2011 Perbandingan • Jumaidin, 2009 • Akbar, Mukkaromah, & Paramita, 2010
Pendahuluan
(4)
Perumusan Masalah
1. Bagaimana karakteristik lulusan mahasiswa pascasarjana program
magister ITS Surabaya?
2. Bagaimana implementasi regresi logistik ordinal dan regresi probit
ordinal untuk mengetahui faktor-faktor yang mempengaruhi masa studi
lulusan mahasiswa pascasarjana program magister ITS Surabaya?
3. Bagaimana perbandingan hasil analisis dari regresi logistik ordinal dan
regresi probit ordinal pada studi kasus faktor-faktor yang mempengaruhi
masa studi lulusan mahasiswa pascasarjana program magister ITS
Surabaya?
Pendahuluan
(5)
Tujuan Penelitian
1. Mendeskripsikan karakteristik lulusan mahasiswa pascasarjana program
magister ITS Surabaya.
2. Menentukan faktor-faktor yang mempengaruhi masa studi lulusan
mahasiswa pascasarjana program magister ITS Surabaya menggunakan
model regresi logistik ordinal dan model regresi probit ordinal.
3. Membandingkan hasil analisis dari regresi logistik ordinal dan regresi
probit ordinal pada studi kasus faktor-faktor yang mempengaruhi masa
studi lulusan mahasiswa pascasarjana program magister ITS Surabaya.
Pendahuluan
(6)
Manfaat Penelitian
1.
Memberikan sumbangan pemikiran untuk perkembangan statistika dengan
memperkaya wawasan dan memperdalam pengetahuan tentang metode regresi
logistik ordinal dan metode regresi probit ordinal.
2.
Memberikan metode terbaik untuk menyelesaikan permasalahan dalam analisis
regresi yang melibatkan variabel respon diskrit dengan skala ordinal.
3.
Dengan mengetahui karakteristik dan faktor-faktor yang mempengaruhi masa
studi lulusan mahasiswa pascasarjana program magister ITS Surabaya,
diharapkan hasil dari penelitian ini dapat dijadikan sebagai salah satu masukan
bagi pejabat birokrasi di ITS Surabaya dalam rangka pengambilan
kebijakan-kebijakan tertentu guna mewujudkan keberhasilan pendidikan tinggi di ITS
Pendahuluan
(7)
Batasan Penelitian
1. Penaksiran parameter dilakukan dengan menggunakan metode MLE.
2. Penelitian ini terbatas pada faktor-faktor yang mempengaruhi masa studi
lulusan mahasiswa pascasarjana program magister ITS Surabaya pada
periode Maret 2008 sampai dengan Maret 2011.
Tinjauan Pustaka
(1)
Statistika Deskriptif
(W
al
p
ol
e,
1995)
Statistika deskriptif
merupakan
metode-metode yang berkaitan
dengan pengumpulan
dan penyajian suatu
data sehingga
memberikan informasi
yang berguna
(B
h
at
tac
ar
ya
&
Joh
n
son
, 1977)
Statistika deskriptif
merupakan statistika
yang digunakan untuk
mendeskripsikan atau
menggambarkan obyek
penelitian yang diambil
dari sampel maupun
populasi.
Tabel kontingensi atau yang sering disebut tabulasi silang (cross
tabulation) adalah tabel yang berisi data jumlah atau frekuensi
Tinjauan Pustaka
(2)
Regresi Logistik Ordinal
(1)Regresi logistik ordinal merupakan salah satu metode statistika yang dapat digunakan untuk menganalisis permasalahan yang melibatkan variabel respon yang berskala ordinal dengan tiga atau lebih kategori dan beberapa variabel prediktor yang dapat berupa data kategori dan/atau kontinu (Hosmer & Lemeshow, 2000).
+ + + = ≤
∑
∑
= = p k ki k j p k ki k j x x x j Y P 1 0 1 0 exp 1 exp ) | ( β θ β θPeluang kumulatif
P(Y≤j|x)
Berdasarkan definisi cumulative logit models
> ≤ = ≤ x x | ( | ( log ) | ( j Y P j Y P X j Y P
Tinjauan Pustaka
(3)
Regresi Logistik Ordinal
(2)Pendugaan Parameter
Maximum Likelihood Estimation (MLE) dapat digunakan karena distribusi dari respon Y diketahui.
MLE mempunyai beberapa kelebihan apabila dibandingkan dengan metode lain, antara lain dapat digunakan untuk model yang tidak linier seperti regresi logistik dan hasil penaksirannya mendekati parameternya (Hosmer & Lemeshow, 2000).
Menurut Kleinbaum (1994), MLE merupakan metode estimasi yang lebih disukai untuk regresi logistik.
Tinjauan Pustaka
(4)
Regresi Logistik Ordinal
(4)Uji Parsial
1
:
H
β
k≠
0
, k=1,2,…,p
Statistik uji:
Tolak H
oapabila
>
atau P-Value <
α
0
:
k0
H
β
=
2 2ˆ
ˆ
(
)
k k kW
SE
β
β
=
2 k Wχ
( )2α,1Tinjauan Pustaka
(5)
Regresi Logistik Ordinal
(3)Uji Serentak
0
:
1 2...
p0
H
β
=
β
= =
β
=
1
:
H
Minimal ada satu
β
k≠
0
, k=1,2,…,p
Statistik uji:
Ω
−
=
)
ˆ
(
)
ˆ
(
ln
2
L
L
G
ω
Tinjauan Pustaka
(6)
Regresi Logistik Ordinal
(5)Uji Kesesuaian Model
:
0
H
1
:
H
model sesuai (tidak ada perbedaan antara
hasil observasi dengan hasil prediksi)
model tidak sesuai (ada perbedaan antara
hasil observasi dengan hasil prediksi)
Statistik uji:
(
)
1 ˆ 1 ˆ 2 ln 1 ln 1 n ij ij ij ij i ij ij D y y y yπ
π
= − = − + − − ∑
Tinjauan Pustaka
(7)
Regresi Logistik Ordinal
(6)Odds Ratio
Menurut Hosmer dan Lemeshow (2000):
Odds Ratio merupakan ukuran asosiasi yang menggambarkan seberapa besar kemungkinan suatu kejadian terjadi. (Perbandingan sukses dan gagal dalam dua kelompok)
Odds ratio digunakan untuk interpretasi parameter yang bertujuan untuk menentukan hubungan fungsional antara variabel prediktor dengan variabel respon dan menentukan unit perubahan dalam variabel prediktor.
Tinjauan Pustaka
(8)
Regresi Probit Ordinal
(1)Pemodelan
regresi
probit
ordinal
dapat
diawali
dengan
memperhatikan model sebagai berikut (Greene, 2000).
ε
+
=
x
Tβ
Y
* Dimana β =[
β
0β
1 β
p]
T x =[
1 X1i X pi]
T(
2)
,
0
σ
N
danε
diasumsikanTinjauan Pustaka
(9)
Regresi Probit Ordinal
(2)( ) − Φ = = σ γ βTx Y P 1 0 ( ) − Φ − − Φ = = σ γ σ γ βTx βTx Y P 1 2 1
( ) − Φ − − Φ = − = − σ γ σ γi βTx i βTx i Y P 1 1 ( ) − Φ − = = σ γk βTx k Y P 1
1 * ≤γ
Y Y = 0 2 * 1γ
γ
< Y ≤1
=
Y
i i Y γ γ − < * ≤ 1 Y = i −1 k Y* >γ Y = k Dikategorikan dengan Dikategorikan dengan Dikategorikan dengan Dikategorikan denganTinjauan Pustaka
(10)
Regresi Probit Ordinal
(3)Pendugaan Parameter
Maximum Likelihood Estimation (MLE) dapat digunakan karena distribusi dari respon Y diketahui.
Untuk mendapatkan dugaan parameter dengan MLE diawali dengan membuat fungsi likelihood.
Penduga untuk β dapat diperoleh dengan cara memaksimumkan fungsi
likelihood, yaitu dengan cara mendapatkan turunan pertama dari fungsi ln-likelihood.
Tinjauan Pustaka
(11)
Regresi Logistik Ordinal
(4)Uji Parsial
1
:
H
β
k≠
0
, k=1,2,…,p
Statistik uji:
Tolak H
oapabila
>
atau P-Value <
α
0
:
k0
H
β
=
2 2ˆ
ˆ
(
)
k k kW
SE
β
β
=
2 k Wχ
( )2α,1Tinjauan Pustaka
(12)
Regresi Probit Ordinal
(4)Uji Serentak
0
:
1 2...
p0
H
β
=
β
= =
β
=
1
:
H
Minimal ada satu
β
k≠
0
, k=1,2,…,p
Statistik uji:
Ω
−
=
)
ˆ
(
)
ˆ
(
ln
2
L
L
G
ω
Tinjauan Pustaka
(13)
Multikolinieritas
Multikolinieritas merupakan suatu kasus dimana terdapat hubungan
yang linear atau korelasi antara variabel bebas yang signifikan pada
model regresi.
Deteksi Multikolinieritas (Hocking, 1996)
Variance Inflation Factors (VIF) =
, j=1,2,…,p
VIF > 10 dikatakan terdapat kasus multikolinieritas.
2
1
1
jR
−
Tinjauan Pustaka
(14)
Kriteria Pemilihan Model Terbaik
Akaike’s Information Criterion (AIC)
n
p
n
P
L
p
AIC
(
)
=
−
2
ln
(
)
+
2
Schwardz Bayessian Information Criterion (SBIC)
Pseudo R
2McFadden
0 1 2log
1
LogL
L
R
MF=
−
Tinjauan Pustaka
(15)
Metode Bootstrap
Metode yang digunakan untuk mengestimasi suatu distribusi populasi
yang tidak diketahui dengan distribusi empiris yang diperoleh dari
proses resampling atau pengambilan sampel secara berulang disebut
metode bootstrap (Efron & Tibshirani, 1993).
Meskipun jumlah replikasi bootstrap kecil (misal B=25), biasanya
sudah cukup informatif. Tetapi dengan B=50 sudah sangat cukup
untuk memberikan estimasi yang akurat (Efron & Tibshirani, 1993).
Jumlah replikasi bootstrap yang besar (missal B=200), biasanya
tidak perlu dilakukan dalam hal mengestimasi standar eror. Jumlah
replikasi bootstrap yang besar diperlukan dalam hal interval
Tinjauan Pustaka
(16)
Masa Studi Mahasiswa
Peraturan Akademik Institut Teknologi Sepuluh Nopember Surabaya Tahun 2009 BAB
VIII tentang Kelulusan Pasal 25 menyebutkan bahwa predikat kelulusan ditetapkan
berdasarkan IPK dan masa studi.
IPK adalah angka yang didapat dari hasil bagi jumlah mutu kumulatif dengan jumlah satuan kredit semester kumulatif. Sedangkan masa studi adalah masa untuk penyelesaian beban studi dalam mengikuti proses pendidikan pada program studinya (Warsa, 2004).
Tinjauan Pustaka
(17)
FAKTOR-FAKTOR YANG MEMPENGARUHI MASA STUDI MAHASISWA
Menurut Thoha (2003), masa studi S2 dipengaruhi oleh empat faktor, yaitu jenis kelamin, status perkawinan, nilai IPK S1, dan jenis pekerjaan.
Wulandari (2004) menyatakan bahwa masa studi paling dipengaruhi oleh kesesuaian program studi S1 dan S2, status perguruan tinggi asal, dan sumber biaya.
Penghasilan orang tua dan usia berpengaruh signifikan terhadap keberhasilan studi mahasiswa (Syafrudin, 2006).
Skor Test Potensi Akademik (TPA), kesesuaian bidang studi, IPK saat S1, status perkawinan, dan asal perguruan tinggi saat S1 mempengaruhi prestasi mahasiswa pascasarjana ITS periode lulusan 96-102 dalam hal lama tempuh studi (Hadi & Suhartono, 2012).
Ada lima variabel prediktor yang mempengaruhi keberhasilan studi mahasiswa antara lain, nilai IPK jenjang sarjana, dana perkuliahan, nilai Test Potensi Akademik (TPA), nilai Test of English
Metodologi Penelitian
(1)
Sumber Data
Pascasarjana Institut Teknologi Sepuluh Nopember (ITS) Surabaya
Data lulusan mahasiswa pascasarjana program magister ITS Surabaya
periode Maret 2008 sampai dengan Maret 2011.
Metodologi Penelitian
(2)
Variabel Penelitian
(1)Variabel
Keterangan
Kategori
Y Masa studi 0 : > 4 Semester 1 : = 4 Semester 2 : = 3 Semester X1 Nilai Tes Potensi Akademik (TPA)
-X2 Nilai TOEFL
-X3 Jenis kelamin 0 : Perempuan 1 : Laki-laki
X4 Kesesuaian bidang studi 0 : Tidak Sesuai 1 : Sesuai
-Metodologi Penelitian
(3)
Variabel
Keterangan
Kategori
X7 Sumber dana 0 : Sendiri 1 : Beasiswa X8 Status perkawinan 0 : Menikah
1 : Belum Menikah
X9 Jenis pekerjaan 0 : Pegawai negeri/BUMN
1 : Pegawai swasta/wiraswasta 2 : Belum bekerja
X10 Usia
-X11 Fakultas FMIPA (0), FTI (1), FTSP (2),
Metodologi Penelitian
(4)
D
i
a
g
r
a
m
A
l
i
r
Analisis dan Pembahasan
(1)
Statistika Deskriptif
Variabel Respon
> 4 Semester = 4 Semester = 3 Semester kategori 161, 12.5% 768, 59.8% 355, 27.6%
Analisis dan Pembahasan
(2)
Statistika Deskriptif
Variabel Prediktor Kontinu
Variabel
Minimum Maksimum Rata-rata Standar Deviasi
X
1(TPA)
43,21
212,11
131,46
29,16
X
2(TOEFL)
183
656
435,16
65,43
X
5(IPK S1)
2
4
3,0891
0,3317
X
6(Lama Tunggu)
0
32
5,336
4,771
Analisis dan Pembahasan
(3)
Statistika Deskriptif
Variabel Prediktor Kategori
(1)Perempuan Laki-laki kategori 801, 62.4% 483, 37.6% Tidak Sesuai Sesuai Kategori 875, 68.1% 409, 31.9%
Analisis dan Pembahasan
(4)
Statistika Deskriptif
Variabel Prediktor Kategori
(2)Biaya Sendiri Beasiswa BPPS Beasiswa Instansi Beasiswa Lain Kategori 239, 18.6% 303, 23.6% 395, 30.8% 347, 27.0% Sudah Menikah Belum Menikah Kategori 591, 46.0% 693, 54.0%
Analisis dan Pembahasan
(5)
Statistika Deskriptif
Variabel Prediktor Kategori
(3)Pegawai Negeri / BUMN Pegawai Swasta / Wiraswasta Belum Bekerja Kategori 250, 19.5% 351, 27.3% 683, 53.2% FMIPA FTI FTSP FTK FTIF Kategori 96, 7.5% 110, 8.6% 215, 16.7% 440, 34.3% 423, 32.9%
Analisis dan Pembahasan
(6)
Statistika Deskriptif
Cross Tabulation
(1)Masa Studi Jenis Kelamin Total
Perempuan Laki-laki
>4 Semester 127 228 355 =4 Semester 311 457 768 =3 Semester 45 116 161
Total 483 801 1284
Masa Studi Kesesuaian Bidang Total
Tidak Sesuai Sesuai
>4 Semester 134 221 355 =4 Semester 229 539 768 =3 Semester 46 115 161
Analisis dan Pembahasan
(7)
Statistika Deskriptif
Cross Tabulation
(2)Masa Studi Status Pernikahan Total Menikah Belum Menikah >4 Semester 196 159 355 =4 Semester 405 363 768 =3 Semester 92 69 161
Masa Studi Sumber Pendanaan Total
Biaya Sendiri Beasiswa BPPS Beasiswa Instansi Beasiswa Lainnya
>4 Semester 112 120 83 40 355 =4 Semester 192 249 159 168 768 =3 Semester 43 26 61 31 161
Analisis dan Pembahasan
(8)
Statistika Deskriptif
Cross Tabulation
(3)Masa Studi Fakultas Total
FMIPA FTI FTSP FTK FTIF
>4 Semester 52 137 105 26 35 355 =4 Semester 308 248 95 64 53 768 =3 Semester 63 55 15 20 8 161
Total 423 440 215 110 96 1284
Masa Studi Jenis Pekerjaan Total
Pegawai Negeri / BUMN Pegawai Swasta / Wiraswasta Belum Bekerja
>4 Semester 152 121 82 355 =4 Semester 437 191 140 768 =3 Semester 94 39 28 161
Analisis dan Pembahasan
(9)
Uji Multikolinieritas
Variabel Nilai VIF Variabel Nilai VIF
X
11,252
X
8;01,867
X
21,271
X
9;04,183
X
3;01,164
X
9;12,937
X
4;01,099
X
105,722
X
51,540
X
11;04,474
X
64,965
X
11;14,045
X
7;074,938
X
11;25,607
X
7;135,264
X
11;39,083
X
7;219,819
Analisis dan Pembahasan
(10)
Regresi Logistik Ordinal
Uji Parsial
Variabel Koefisien Std. Error P-Value Keputusan
Konstanta(0) 3,4395 1,0207 11,3552 0,0008 Konstanta(1) 6,6290 1,0366 40,8927 0,0000 X1 0,0021 0,0022 0,9137 0,3391 Terima H0 X2 0,0023 0,0010 5,4571 0,0195 Tolak H0 X3;0 -0,2518 0,1244 4,0985 0,0429 Tolak H0 X4;0 -0,2666 0,1266 4,4357 0,0352 Tolak H0 X5 1,0575 0,2113 25,0442 0,0000 Tolak H0 X6 0,0118 0,0263 0,2003 0,6545 Terima H0 X8;0 -0,0837 0,1504 0,3099 0,5778 Terima H0 X9;0 0,2985 0,1839 2,6343 0,1046 Terima H0 X9;1 -0,0357 0,1854 0,0370 0,8474 Terima H0 X10 0,0011 0,0214 0,0028 0,9577 Terima H0 X11;0 0,4835 0,1095 19,5077 0,0000 Tolak H0 2 k W
Analisis dan Pembahasan
(11)
Regresi Logistik Ordinal
Uji Serentak
Model
P-value
Intercept Only
Analisis dan Pembahasan
(12)
Regresi Logistik Ordinal
Estimasi Parameter
Variabel B S.E. Wald Sig. Exp(B)
Konstanta(0) 2,753 0,603 4,569 0,000 15,689 Konstanta(1) 5,922 0,625 9,482 0,000 373,323 X2 0,002 0,001 2,429 0,015 1,002 X3;0 -0,293 0,121 -2,417 0,016 0,746 X3;1 X4;0 -0,273 0,126 -2,167 0,030 0,761 X4;1 X5 1,001 0,182 5,512 0,000 2,721 X11;0 0,534 0,106 5,037 0,000 1,706 X11;1 -0,220 0,103 -2,140 0,032 0,802 X11;2 -0,874 0,124 -7,073 0,000 0,417 X11;3 0,397 0,162 2,447 0,014 1,487
Analisis dan Pembahasan
(13)
Regresi Logistik Ordinal
Model Terbaik
(1)11;3 11;2 11;1 11;0 5 4;0 0 ; 3 2 1
X
397
,
0
X
874
,
0
X
22
,
0
X
534
,
0
X
001
,
1
X
273
,
0
293
,
0
002
,
0
753
,
2
)
ˆ
(
+
−
−
+
+
+
−
−
+
=
X
X
Logit
γ
11;3 11;2 11;1 11;0 5 4;0 0 ; 3 2 2X
397
,
0
X
874
,
0
X
22
,
0
X
534
,
0
X
001
,
1
X
273
,
0
293
,
0
002
,
0
922
,
5
)
ˆ
(
+
−
−
+
+
+
−
−
+
=
X
X
Logit
γ
Analisis dan Pembahasan
(14)
Regresi Logistik Ordinal
Model Terbaik
(2)( )
( )
( )
A
A
y
exp
1
exp
ˆ
1+
=
π
( )
( )
( )
B
( )
y
B
y
1 2ˆ
exp
1
exp
ˆ
π
π
−
+
=
( )
( )
B
y
exp
1
1
ˆ
3+
=
π
11;3 11;2 11;1 11;0 5 4;0 0 ; 3 2 X 397 , 0 X 874 , 0 X 22 , 0 X 534 , 0 X 001 , 1 X 273 , 0 293 , 0 002 , 0 753 , 2 + − − + + + − − + = X X A 11;3 11;2 11;1 11;0 5 4;0 0 ; 3 2 X 397 , 0 X 874 , 0 X 22 , 0 X 534 , 0 X 001 , 1 X 273 , 0 293 , 0 002 , 0 922 , 5 + − − + + + − − + = X X BAnalisis dan Pembahasan
(15)
Regresi Logistik Ordinal
Uji Kesesuaian Model
Statistik Uji
P-value
Analisis dan Pembahasan
(16)
Regresi Logistik Ordinal
Ukuran Kebaikan Model
Aktual
Prediksi
Total
>4 Semester =4 Semester =3 Semester
>4 Semester
66
289
0
355
=4 Semester
41
727
0
768
=3 Semester
6
155
0
161
Total
113
1171
0
1284
% 76 , 61 % 100 1284 0 1284 727 1284 66 = + + xKriteria Pemilihan Model
Nilai
Analisis dan Pembahasan
(17)
Regresi Probit Ordinal
Uji Parsial
Variabel Koefisien Std. Error P-Value Keputusan
Konstanta(0) 1,8870 0,5846 10,4176 0,0012 Konstanta(1) 3,7597 0,5903 40,5687 0,0000 X1 0,0013 0,0012 1,1566 0,2822 Terima H0 X2 0,0013 0,0006 5,6281 0,0177 Tolak H0 X3;0 -0,1552 0,0714 4,7257 0,0297 Tolak H0 X4;0 -0,1413 0,0724 3,8053 0,0511 Terima H0 X5 0,5983 0,1202 24,7815 0,0000 Tolak H0 X6 0,0083 0,0151 0,3061 0,5801 Terima H0 X8;0 -0,0515 0,0855 0,3635 0,5466 Terima H0 X9;0 0,1706 0,1056 2,6069 0,1064 Terima H0 X9;1 -0,0045 0,1058 0,0018 0,9661 Terima H0 X10 -0,0014 0,0123 0,0137 0,9069 Terima H0 X11;0 0,2662 0,0624 18,2126 0,0000 Tolak H0 X11;1 -0,0958 0,0591 2,6261 0,1051 Terima H0 2 k W
Analisis dan Pembahasan
(18)
Regresi Probit Ordinal
Uji Serentak
Model
P-value
Intercept Only
Analisis dan Pembahasan
(19)
Regresi Probit Ordinal
Estimasi Parameter & Model
Variabel B S.E. Wald Sig. Exp(B)
Konstanta(0) 1,635 0,345 4,735 0,000 5,128 Konstanta(1) 3,496 0,354 9,878 0,000 32,985 X2 0,001 0,006 2,657 0,008 1,001 X3;0 -0,172 0,069 -2,476 0,013 0,842 X3;1 X5 0,568 0,103 5,495 0,000 1,764 X11;0 0,324 0,059 5,464 0,000 1,382 X11;1 -0,106 0,058 -1,834 0,067 0,900 X11;2 -0,498 0,071 -7,019 0,000 0,608 X11;3 0,184 0,087 2,104 0,035 1,202 X11;4
(
Y
)
[
( )
C
]
P
ˆ
=
0
=
Φ
1
,
635
−
(
1
)
[
3
,
496
( )
]
ˆ
(
0
)
ˆ
Y
=
=
Φ
−
C
−
P
Y
=
P
(
Y
)
[
( )
C
]
P
ˆ
=
2
=
1
−
Φ
3
,
496
−
+ − − + + − =Analisis dan Pembahasan
(20)
Regresi Probit Ordinal
Efek Marginal
Efek Marginal Nilai TOEFL
(
)
[
]
00021
,
0
ˆ
ˆ
0
ˆ
1 2 2−
=
−
−
=
∂
=
∂
β
x
TX
Y
P
β
φ
γ
(
)
{
[
] [
]
}
5 2 1 2 210
.
8
,
9
ˆ
ˆ
ˆ
1
ˆ
−−
=
−
−
−
=
∂
=
∂
β
x
β
x
T TX
Y
P
β
φ
γ
φ
γ
(
)
[
]
000307
,
0
ˆ
ˆ
2
ˆ
2 2 2=
−
=
∂
=
∂
β
x
TX
Y
P
β
φ
γ
Analisis dan Pembahasan
(21)
Regresi Probit Ordinal
Uji Kesesuaian Model
Statistik Uji
P-value
Analisis dan Pembahasan
(22)
Regresi Probit Ordinal
Ukuran Kebaikan Model
Aktual
Prediksi
Total
Aktual
Prediksi
Total
>4 Semester =4 Semester =3 Semester
>4 Semester
55
300
0
355
=4 Semester
34
734
0
768
=3 Semester
5
156
0
161
Kriteria Pemilihan Model
Nilai
Pseudo R
2McFadden
0,0569
%
45
,
61
%
100
1284
0
1284
734
1284
55
=
+
+
x
Analisis dan Pembahasan
(23)
Perbandingan
Data Empiris
Model
Ketepatan Klasifikasi
Regresi Logistik Ordinal
61,76%
Regresi Probit Ordinal
61,45%
Kriteria
Nilai
Logistik Probit
Pseudo R
2McFadden
0,0601
0,0569
AIC
1,7510
1,7554
Analisis dan Pembahasan
(24)
Perbandingan
Data Resampling
50 40 30 20 10 0 0.09 0.08 0.07 0.06 0.05 0.04 B Ps eu do R -S q Mc Fa dd en Logit Probit 50 40 30 20 10 0 1.825 1.800 1.775 1.750 1.725 1.700 1.675 1.650 B AI C Logit Probit 50 40 30 20 10 0 1.86 1.84 1.82 1.80 1.78 1.76 1.74 1.72 1.70 B SB IC Logit Probit
Kesimpulan dan Saran
(1)
Kesimpulan
(1)Lulusan mahasiswa program magister ITS mayoritas memiliki masa studi 4 semester dimana mayoritas lulusan tersebut berjenis kelamin laki-laki, memiliki kesesuaian bidang antara jenjang sarjana dan magister, dan paling banyak berasal dari FMIPA. Adapun rata-rata nilai TOEFL lulusan tersebut pada saat masuk S2 sebesar 435 dan rata-rata IPK pada saat S1 sebesar 3,09.
Kesimpulan dan Saran
(2)
Kesimpulan
(2)Berdasarkan analisis regresi logistik ordinal, faktor yang berpengaruh terhadap masa studi lulusan mahasiswa program magister ITS adalah nilai TOEFL, jenis kelamin, kesesuaian bidang studi, nilai IPK S1, dan asal fakultas. Nilai odds ratio menunjukkan bahwa semakin tinggi nilai TOEFL dan nilai IPK S1 maka probabilitas untuk lulus dalam waktu 3 semester akan cenderung semakin tinggi. Selain itu, lulusan yang berjenis kelamin laki-laki dan memiliki kesesuaian bidang memiliki probabilitas yang lebih besar untuk lulus lebih cepat daripada lulus perempuan dan tidak memiliki kesesuaian bidang studi. Dilihat dari asal fakultasnya, probabilitas terbesar untuk lulus lebih cepat berasal dari lulusan FMIPA. Dengan menggunakan análisis regresi probit ordinal, faktor yang berpengaruh terhadap masa studi lulusan mahasiswa program magister ITS adalah nilai TOEFL, jenis kelamin, nilai IPK S1, dan asal fakultas. Dilihat dari nilai efek marginalnya, nilai TOEFL, nilai IPK S1, dan asal fakultas dari FMIPA dan FTK memberikan pengaruh yang besar terhadap probabilitas untuk lulus lebih cepat. Sedangkan jenis kelamin
Kesimpulan dan Saran
(3)
Kesimpulan
(3)Pada studi kasus faktor-faktor yang mempengaruhi masa studi lulusan mahasiswa program magister ITS, análisis regresi logistik ordinal lebih baik daripada análisis regresi probit ordinal karena menghasilkan ketepatan klasifikasinya dan nilai Pseudo R2 McFadden yang lebih besar, serta nilai
Akaike’s Information Criterion (AIC), dan Schwardz Bayessian Information Criterion (SBIC) yang lebih kecil. Berdasarkan pola kriteria pemilihan model
dari hasil resampling dapat diketahui bahwa model regresi logistik ordinal tidak selalu lebih baik daripada model regresi probit ordinal, tergantung pada permasalahan yang dianalisis.
Kesimpulan dan Saran
(4)
Saran
Pada penelitian selanjutnya disarankan untuk dikembangkan dengan menggunakan kriteria pemilihan model yang lebih konsisten, yaitu AICc karena software statistik Eviews hanya menyediakan fasilitas kriteria pemilihan model berdasarkan Pseudo
R2McFadden, AIC, dan SBIC.
Berdasarkan metode estimasi yang digunakan, pada penelitian selanjutnya disarankan untuk menggunakan Almost Unbiased Liu Estimator (AULE) untuk mengatasi kasus multikolinieritas.
Daftar Pustaka
(1)
Agresti, A. (2002). Categorical Data Analysis (2nd Edition). New York: John Wiley & Sons, Inc.
Akbar, M.S., Mukarromah, A., & Paramita, L. (2010). Bagging Regresi Logistik Ordinal pada Status Gizi Balita. Media Statistika, III(2), 103-116.
Bhattacharyya, G.K., & Johnson, R.A. (1977). Statistical Concepts and Methods. New York: John Wiley & Sons, Inc.
Efron, B. & Tibshirani, J.R. (1993). An Introduction to the Bootstrap. New York: Champman & Hall, Inc.
Fathurahman, M. (2008). Pemodelan Regresi Probit Ordinal: Studi Kasus Indeks Prestasi
Kumulatif Lulusan Magister Program Pasca Sarjana ITS Surabaya. Surabaya: Tesis
Jurusan Statistika FMIPA ITS.
Finney, D.J. (1971). Probit Analysis (3th Edition). Cambridge: Cambridge University Press.
Fuks, M., & Salazar, E. (2008). Applying Models for Ordinal Logistic Regression to the Analysis of Household Electricity Consumption Classes in Rio de Janeiro, Brazil. Energy
Daftar Pustaka
(2)
Guillory, C.W. (2008). A Multilevel Discrete Time Hazard Model of Retention Data in Higher
Education. Disertasi Louisiana State University. Louisiana.
Gujarati, D.N. (2003). Basic Econometric (4th Edition). New York: McGraw-Hill Companies.
Hadi, W.A., & Suhartono. (2012). Pemodelan Faktor-faktor yang Mempengaruhi Prestasi Mahasiswa Pascasarjana ITS dengan Regresi Logistik dan Neural Network, Jurnal Sains
dan Seni ITS, I(1), 136-140.
Hocking, R.R. (1996). Methods and Applications of Linear Models: Regression and Analysis of
Variance. New York: John Wiley & Sons, Inc.
Hosmer, D.W., & Lemeshow, S. (2000). Applied Logistic Regression. New York: John Wiley & Sons, Inc.
Jumaidin. (2009). Bias Pada Model Regresi Logistik Ordinal dan Regresi Probit Ordinal untuk
Mengetahui Faktor-faktor yang Mempengaruhi Nilai UNAS. Surabaya: Tesis Jurusan
Statistika FMIPA ITS.
Kockelman, K.M., & Kweon, Y.J. (2002). Driver Injury Severity: An Application of Ordered Probit Models. Accident Analysis and Prevention, XXXIV, 313-321.
Daftar Pustaka
(3)
Kutner, M.H., Nachtsheim, C.J., & Nether, J. (2008). Applied Linier Regression Models. New York: McGraw-Hill Companies.
Padmini, I.A.S., Suciptawati, N.L.P., & Susilawati, M. (2012). Analisis Waktu Kelulusan Mahasiswa Dengan Metode Chaid: Studi Kasus Pada FMIPA Universitas Udayana.
e-Jurnal Matematika, I(1), 89-93.
Ratnasari, V. (2012). Estimasi Parameter dan Uji Signifikansi Model Probit Bivariat. Surabaya. Disertasi Jurusan Statistika FMIPA ITS.
Starck, P.L., Love, K., & McPherson, R. (2008). Calculating Graduation Rates. Journal of
Professional Nursing, XXIV(4), 197-204.
Thoha, I.F. (2003). Studi Tentang Tingkat Keberhasilan Mahasiswa S2 Program Pascasarjana
IPB. Bogor: Skripsi Departemen Statistika FMIPA IPB.
Walpole, R.E. (1995). Pengantar Statistika (Edisi Ketiga). Jakarta: PT Gramedia Pustaka Utama.
Warsa, U.C. (2004). Keputusan Rektor Universitas Indonesia Nomor 478/SK/R/UI/2004
Pembimbing I :
Dra. Madu Ratna, M.Si.
Pembimbing II :
Dr. Vita Ratnasari, S.Si., M.Si.
Penguji :
Dr. Dra. Ismaini Zain, M.Si.
Prof. Dr. Drs. I Nyoman Budiantara, M.Si.
IMAM AHMAD AL FATTAH
1309 100 093
Analisis Faktor-faktor yang Mempengaruhi
Masa Studi Lulusan Mahasiswa Program Magister
Institut Teknologi Sepuluh Nopember (ITS) Surabaya
Menggunakan Regresi Logistik Ordinal
dan Regresi Probit Ordinal
S E M I N A R H A S I L