SainTech
Fakultas Matematika dan
Ilmu Pengetahuan Alam
Universitas Udayana
ISSN: 2541-0636
“
Penguatan Riset Perguruan Tinggi untuk Pengembangan
Sains dan Teknologi yang Berkelanjutan”
PROSIDING SEMINAR NASIONAL SAINTECH 2016 ISSN: 2541-0636
Bukit Jimbaran – 19 November 2016 | i
TIM PROSIDING
Penanggung Jawab:
Drs. Ida Bagus Made Suaskara, M.Si.
Pengarah:
Drs. I Made Satriya Wibawa, M.Si. Anak Agung Bawa Putra, S.Si., M.Si. Drs. I Wayan Santiyasa, M.Si.
Editorial Team Chief-in-Editor
Dr. Dra. Wiwik Susanah Rita, M.Si.
Associate Editor
Desak Putu Eka Nilakusmawati, S.Si., M.Si.
Editorial Board:
Prof. Dr. Ni Nyoman Tri Puspaningsih, M.Si. (UNAIR) Prof. Dr. I Nyoman Budiantara (ITS)
Dr. I Ketut Gede Suhartana, S.Kom., M.Kom. (UNUD) Dr. Dra. Ni Wayan Bogoriani, M.Si. (UNUD)
Dr. Drs. I Made Oka Adi Parwata, M.Si. (UNUD) Made Susilawati, S.Si., M.Si. (UNUD)
Ir. I Komang Dharmawan, M.Math., Ph.D. (UNUD) Ir. G.K. Gandhiadi, M.T. (UNUD)
Dr. rer.nat. Drs. I Made Agus Gelgel Wirasuta, Apt., M.Si. (UNUD) Dr. Sagung Chandra Yowani, S.Si., Apt., M.Si. (UNUD)
Dr. Dra. Putu Adriani Astiti, M.Si. (UNUD)
Dr. Dra. Meitini Wahyuni Proborini, M.Sc.St. (UNUD) Dr. Drs. Anak Agung Ngurah Gunawan, M.Si. (UNUD) Dr. Ir. Herry Suyanto, M.T. (UNUD)
Dra. Luh Gede Astuti, M.Kom. (UNUD)
I Dewa Made Bayu Atmaja Darmawan, S.Kom., M.Cs. (UNUD)
Sekretariat:
Dr. I Nengah Wirajana, S.Si., M.Si. Dr. I Ketut Ginantra, S.Pd., M.Si. I Gusti Ayu Made Srinadi, S.Si., M.Si. Agus Muliantara, S.Kom., M.Kom.
Ni Made Pitri Susanti, S.Farm., M.Farm., Apt. I Gusti Agung Adnyana Putra, S.Si., M.Si.
Desain Grafis:
I Komang Ari Mogi, S.Kom., M.Si. I Gede Artha Wibawa, S.T., M.Kom.
PROSIDING SEMINAR NASIONAL SAINTECH 2016 ISSN: 2541-0636
ii | Bukit Jimbaran, Bali – 19 November 2016
KATA PENGANTAR
Pertama-tama, kita panjatkan puja dan puji syukur kehadirat Ida Sanghyang Widhi Wasa/Tuhan Yang Maha Esa, karena atas berkat_Nyalah maka Prosiding Seminar Nasional Sains dan Teknologi (SainTech) yang pertama (I) dapat selesai sesuai dengan harapan. Seminar Nasional Sains dan Teknologi (SainTech) yang pertama (I) ini mengambil tema “Penguatan Riset Perguruan Tinggi untuk Pengembangan Sains dan
Teknologi yang Berkelanjutan” yang diselenggarakan oleh Fakultas MIPA Universitas
Udayana pada tanggal 19 November 2016, bertempat di Universitas Udayana Kampus Bukit Jimbaran.
Saat ini, kesadaran akan pentingnya publikasi untuk pengembangan ilmu melalui berbagai penelitian khususnya bidang sains dan teknologi masih dipandang rendah. Sebagai pendidik, salah satu tugas pokok dan fungsi adalah melakukan penelitian yang kemudian dipublikasikan untuk dapat disebarkan kepada masyarakat luas. Sebagai mahasiswa salah satu syarat untuk dapat merah gelar S1 wajib mempunyai publikasi ilmiah. Oleh karena itu Fakultas MIPA yang bekerja sama dengan Badan Eksekutif Mahasiswa melaksanakan kegiatan pendidikan kepada masyarakat dalam bentuk seminar nasional SainTech ini .
Adapun tujuan dari kegiatan ini yaitu: meningkatkan pengetahuan dan pemahaman tentang keilmuan sains dan teknologi; meningkatkan kepedulian tentang pentingnya publikasi dari hasil penelitian Hibah Unggulan Program Studi (HUPS) dan dosen muda; memberikan wahana dalam publikasi ilmiah bagi peneliti, dosen, dan mahasiswa; dan sebagai sarana untuk lebih mempererat civitas akademika dan masyarakat lain.
Peserta kegiatan seminar nasional ini dihadiri oleh dosen, mahasiswa, dan peneliti lain yang berjumlah 60 pemakalah pendamping dan 300 peserta dan tamu undangan.
Invited speaker dalam seminar ini mengundang Prof. Dr. Ni Nyoman Tri Puspaningsih,
M.Si. (UNAIR) dan Prof. Dr. I Nyoman Budiantara (ITS). Atas nama panitia, kami mengucapkan terimakasih yang sebesar-besarnya atas kesediaan beliau semua hadir dalam acara ini.
Kami dari pihak panitia mengucapkan terima kasih kepada semua peserta dan pemakalah yang telah mengirimkan makalahnya untuk diterbitkan pada prosiding seminar ini. Terima kasih pula kepada Rektor Universitas Udayana, pihak Fakultas MIPA Universitas Udayana, pihak sponsor dan panitia baik dari staf dosen, staf pegawai, panitia mahasiswa, serta semua pihak yang turut memberikan kontribusi atas suksesnya pelaksanaan kegiatan ini.
Ketua Panitia
PROSIDING SEMINAR NASIONAL SAINTECH 2016 ISSN: 2541-0636
Bukit Jimbaran, Bali – 19 November 2016 | iii
DAFTAR ISI
Halaman Tim Prosiding... ... i Kata Pengantar... ... ii Daftar Isi ... iii
BIDANG MATEMATIKA, STATISTIKA, DAN KOMPUTASI
MERANCANG DAN MEMBUAT GAME SEDERHANA FROZEN LINUX DENGAN TEKNOLOGI GIDEROS
Nico Prasetya Sukamuljo, I Wayan Santiyasa . ... 1-5 PERAMALAN KUNJUNGAN WISATAWAN MANCANEGARA KE BALI
MENGGUNAKAN MODEL DERET WAKTU MULTIVARIAT
I Wayan Sumarjaya, Ni Ketut Tari Tastrawati ... 6-12 STUDI MODEL PEMBERDAYAAN PEDAGANG KAKI LIMA BERDASARKAN
KARAKTERISTIK SOSIAL EKONOMI
Made Susilawati, Desak Putu Eka Nilakusmawati ... 13-20 REKOMENDASI MUSIK BERDASARKAN KEMIRIPAN AUDIOMENGGUNAKAN
K-NEAREST NEIGHBOR
Gst. Ayu Vida Mastrika Giri ... 21-26 ANALISIS STRUKTURAL MODEL KUNJUNGAN ULANG WISATAWAN
KE KABUPATEN BADUNG
Eka N. Kencana, Trisna Darmayanti... 27-36 ANALISIS AVERAGE CASE RUNNING TIME ALGORITMA QUICKSORT
Kadek Arya Saputra, I Gusti Ngrh. Lanang Wijayakusuma ... 37-44 IMPLEMENTASI ALGORITMA MODERATE MULTIPLE REGRESSIONS
(MMR) DALAM OPTIMALISASI PEMBERIAN BEASISWA BANTUAN PENDIDIKAN DENGAN METODE CERTAINTY FACTOR
I Wayan Santiyasa, I Komang Ari Mogi ... 45-52 APLIKASI SISTEM PAKAR MENGGUNAKAN METODE
PENALARAN FORWARD CHAINNING BERBASIS WEB (STUDI KASUS SISTEM PAKAR PENDIA GNOSIS KEHAMILAN EKTOPIK) Luh Gede Astuti, Luh Arida Ayu Rahning Putri ... 53-58 PERSEPSI UMAT HINDU BALI TERHADAP KARAKTERISTIK PURA SAD
KAHYANGAN
Ketut Jayanegara, Eka N. Kencana, Komang Gde Sukarsa ... 59-66 RESEARCH CHALENGE PADA ELECTROENCEPHALOGRAPHY (EEG)
Agus Muliantara, I Made Widiartha, I Putu Gede Hendra Suputra,
PROSIDING SEMINAR NASIONAL SAINTECH 2016, pp. 45-52 ISSN: 2541-0636
45
IMPLEMENTASI ALGORITMA MODERATE MULTIPLE
REGRESSIONS (MMR) DALAM OPTIMALISASI PEMBERIAN
BEASISWA BANTUAN PENDIDIKAN DENGAN METODE
CERTAINTY FACTOR
I Wayan Santiyasa1§, I Komang Ari Mogi2
1
Jususan Ilmu Komputer, Fakultas MIPA Universitas Udayana
Email: santiyasa@cs.unud.ac.id
2
Jurusan Ilmu Komputer, Fakultas MIPA Universitas Udayana
Email: arimogi@cs.unud.ac.id
§
Penulis Korespondensi
ABSTRAK
Dari hasil observasi awal guna mendapatkan pola yang optimal dalam pemberian beasiswa bantuan belajar bagi mahasiswa Universitas Udayana pada umumnya dan mahasiswa Fakultas Matematika dan Ilmu Pengetahuan Alam (FMIPA) pada khususnya. Hasil observasi awal terhadap kriteria prestasi mahasiswa Indeks Prestasi (IPK) Mahasiswa, Program Kreativitas Mahasiswa (PKM), Lomba-lomba Ilmiah, Organisasi dan Kepanitiaan, merupakan lima kreteria yang dominan diikuti oleh mahasiswa. Sementara kriteria pengabdian mempunyai nilai bobot yang rendah yang dikarenakan kecilnya jumlah mahasiswa secara kumulatif yang mengikuti kegiatan pengabdian. Dari kelima kriteria tersebut, untuk mahasiswa di Fakultas MIPA Universitas Udayana, Kriteria IPK mempunyai nilai bobot secara marginal tertinggi (0,2286), Kriteria PKM mempunyai nilai bobot (0,1333), Kriteria Ilmiah mempunyai nilai bobot (0,0667), Kriteria Organisasi mempunyai nilai bobot (0,0189) dan Kriteria Kepanitiaan mempunyai nilai bobot (0,0163). Sedangkan nilai bobot kriteria secara multivariate antara IPK dengan PKM mempunyai nilai bobot (0,2184), antara IPK dengan Kegiatan Ilmiah mempunyai nilai bobot (0,115). Kalau kriteria organisasi, kepanitiaan, lomba-lomba dan seminar secara multivariate dijadikan satu bobot yaitu bobot inovasi, maka dengan menggunakan Moderate Multiple Regression (MMR) diperoleh nilai bobot (0,2605). Setelah semua nilai bobot secara manual ditentukan, maka langkah berikutnya melakukan proses coding sistem untuk membangun sebuah sistem perangkingan dalam pemberian beasiswa kepada mahasiswa. Proses coding yang sudah dikerjakan dalam penelitian ini adalah coding data input kriteria, coding berhitungan nilai bobot kriteria, coding perhitungan rangking mahasiswa menggunakan algoritma Moderate Multiple Regression (MMR), dan coding grafik simulasi prestasi mahasiwa pelamar beasiswa. Dalam penelitian Tahap I ini, proses coding dari sistem pemberian beasiswa sudah terselesaikan 100%. Termasuk proses coding untuk cetak dokumen , baik itu cetak dokumen kriteria, dokumen rangking, dan dokumen grafik simulasi prestasi mahasiswa.
I Wayan Santiyasa; I Komang Ari Mogi Implementasi Algoritma Moderate Multiple Regressions…
46
1. PENDAHULUAN
Pemberian beasiswa bantuan belajar kepada mahasiswa di Universitas Udayana pada umumnya dan di Fakultas Matematika dan Ilmu Pengetahuan Alam (FMIPA), setelah dianalisis hasilnya kurang berkorelasi positif terhadap prestasi mahasiswa di tingkat regional, nasional, maupun internasional. Dimana dari data yang ada khusunya di FMIPA, mahasiswa penerima beasiswa yang melakukan Perogram Kreativitas Mahasiswa (PKM) sebagai komponen kreativitas hanyalah 11,5% pada tahun ajaran 2015/2016 yaitu sebanyak 27 judul PKM, dari sekitar 312 mahasiswa penerima beasiswa. Sementara dari 27 judul PKMyang dikerjakan,hanya 2 (dua) yang lolos ketingkat nasional (PIMNAS). Sedangkan dari data yang ada, rata-rata IPK mahasiswa di FMIPA sudah diatas 3,0,sehingga menjadi pertanyaan besar yang ditak pernah dikaji, kenapa kemampuan akademik mahasiswa yang tinggi (IPK≥3,0) yang seharusnya kreativitas dan inovasinya juga tinggi, kenapa tidak berkorelasi secara baik.
Untuk itu perlu dimasukkan komponen lain selain IPK dalam pertimbangan pemberian beasiswa bantuan belajar kepada mahasiswa, yaitu komponen kreativitas yang dikerjakan seperti PKM dan kewirausahaan, dan juga memasukkan komponen inovasi yang dikerjakan. Dari ketiga komponen ini akan membentuk untaian benang merah prestasi mahasiswa, dimana mahasiswa yang IPK nya tinggi berarti penguasaan pengetahuannya baik. Bagi mahasiswa yang menguasai pengetahuan secara baik, maka akan mempunyai banyak ide kreatif dan inovatif sehingga menghasilkan suatu karya baik dalam bentuk PKM maipun inovasi lannya.
Dalam penelitian ini, dari berbagai kriteria prestasi mahasiswa seperti IPK, PKM, Lomba-lomba, Seminar, Organisasi, dan Kepanitiaan dijadikan kriteria untuk dihitung nilai bobotnya baik itu secara marginal maupun secara multivariat. Dari ke enam kriteria tersebut dibedakan menjadi tiga kriteria secara marginal yaitu IPK, PKM dan inovasi (lomba-lomba, seminar, organisasi, dan kepanitiaan). Selain itu juga dibentuk kriteria secara multivariate antara IPK dengan PKM dan antara IPK dengan Inovasi dengan metode Moderate Multiple Regression (MMR).
Dari tiga variable marginal dan dua variable multivariat tersebut yang digunakan sebagai fitur dalam pembangunan sistem sehingga terdapat lima buah fitur yang digunakan sebagai kriteria dalam sistem keputusan beasiswa terhadap mahasiswa. Dengan menerapkan algoritma moderate multiple regression, metode perhitungan nilai regresi dari setiap mahasiswa dapat ditentukan, serta rangking dari setiap pelamar beasiswa bisa didapat. Dalam sistem, setiap nilai dari fitur diambil dari query data yang telah diimput oleh peserta, kemudian dilakukan perhitungan dengan algoritma moderate multiple regression, sehingga didapatkan skor total dari setiap peserta/pelamar beasiswa. Dari skor total ini dapat ditampilkan peringkat/rangking dari setiap peserta.
PROSIDING SEMINAR NASIONAL SAINTECH 2016, pp. 45-52 ISSN: 2541-0636
47
Dalam penelitian ini, tujuan yang ingin dicapai adalah bagaimana merumuskan pola pemberian beasiswa bantuan belajar kepada mahasiswa secara optimal.
1. Bagaimana mengimplementasikan algoritma moderate multiple regression (MMR) dalam perhitungan dan filtering bobot komponen beasiswa, serta bagaimana menerapkan metode
certainty factor dalam proses optimalisasi pola yang ada.
2. Melakukan proses probabilistik untuk mendapatkan model pola yang terbaik dengan mencari probabilitas tertinggi menggunakan metode certainty factor.
Beasiswa merupakan bantuan biaya pendidikan bagi mereka yang menempuh pendidikkan atau kulian guna membantu dalam menyelesaikan pendidikannya. Bantuan beasiswa akan diberikan kepada mereka yang berprestasi. Menurut Undang-undang Nomor 20 Tahun 2003 tentang Pendidikan Nasional, pemerintah wajib memberikan beasiswa bagi peserta didik yang orang tuanya tidak mempunyai kemampuan dalam membiayai pendidikannya, dan bagi mereka yang berprestasi, yang dituangkan dalam pasal 12 ayat 1c. Selain itu, Undang-undang Nomor 12 Tahun 2012 tentang Pendidikan Tinggi, pasal 76 ayat 2a juga menyebutkan bahwa pemerintah harus memberikan beasiswa bagi mahasiswa yang berprestasi.
Bantuan biaya pendidikan terutama beasiswa peningkatan prestasi akademik (PPA) diberikan pemerintah berdasarkan kriteria: (1) Mahasiswa yang mempunyai keterbatasan kemampuan ekonomi; (2) Mahasiswa yang mempunyai prestasi ko/ekstra kurikuler (penalaran, minat dan bakat) tingkat nasional atau internasional; dan (3) Mahasiswa yang mempunyai IPK≥3,0, sehingga prestasi bidang penalaran, minat dan bakat merupakan salah satu syarat penting dalam pemberian beasiswa kepada mahasiswa, yang selama ini dikesampingkan dalam pertimbangan pemberian beasiswa dan hanya terfokus pada IPK saja.
Sedangkan tingginya IPK mahasiswa akan berkorelasi dengan daya nalar mahasiswa tersebut untuk menghasilkkan prestasi dibidang kreativitas dan inovasi dari mahasiswa. Kreativitas dan inovasi perupakan prestasi bidang penalaran, minnat dan bakat mahasiswa yang perlu untuk dimasukkan sebagai faktor pertimbangan yang harus dimasukkan dalam model/pormulasi, guna merangsang mahasiswa untuk berprestasi dibidang penalaran, minat dan bakat kalau ingin mendapatkan beasiswa dan tidak cukup hanya mempunyai IPK tinggi.
Algoritma Moderate Multiple Regression (MMR), merupakan algoritma untuk mengetahui pengaruh suatu efek tertentu (Xi) terhadap faktor tertentu (Y) untuk mendapatkan bobot dari setiap efek yang ada terhadap faktor yang akan dicari [1]. Algoritma MMR ini akan memberikan bobot pada setiaf efek yang ditambahkan pada efek Xi (misalkan efek pertama X, kemudian ditambahkan efek K dan I) sebagai berikut :
Y = b1X + b2K + b3I + b4XK + b5XI
dimana :
b1, b2, b3 = bobot masing-masing efek X, K, dan I
b4, b5 = bobot basis dari efek XK dan XI
I Wayan Santiyasa; I Komang Ari Mogi Implementasi Algoritma Moderate Multiple Regressions…
48
K = variabel Kreativitas I = variabel Inovasi XK = korelasi efek X dan K XI = korelasi efek X dan I
Cara kerja dari algoritma MMR ini pertama mekalukan forward chaining dari efek X, M dan W secara marginal, kemudian melakukan proses forward chining terhadap efek X dengan efek M dan W sehingga membentuk interaksi segi tiga [2] dengan melakukan perhitungan nilai korelasi antara variabel utama X dengan variabel tambahan yang berkorelasi dengan X yaitu variabel K dan variabel I seperti bagan berikut :
Gambar 1. Alur Kerja Algoritma MMR
Certainty Factor merupakan salah satu teknik yang dipergunakan untuk mengatasi
ketidakpastian dalam pengambilan keputusan. Certainty factor (factor kepastian) menurut Nur Anjas Sari [3] menyatakan kepercayaan dalam sebuah kejadian (fakta atau hipotesa) berdasarkan bukti atau penilaian pakar. Certainty fackor menggunakan suatu nilai untuk mengasumsikan derajat keyakinan terhadap suatu data sebagai berikut:
CF(K,I) = MB(K,I) – MD(K,I) dimana :
CF(K,I) = Certainty factor hipotesa yang dipengaruhi oleh epidence e diketahui dengan pasti
MB(K,I) = Measure of belief terhadap hipotesis K jika diberikan epidence e (antara 0 dan 1)
MD(K,I) = Measure of disbelief terhadap hipotesis I jika diberikan epidence e (antara 0 dan 1)
Dari beberapa pola yang dihasilkan secara forward chaining dari algoritma MMR, akan dihitung nilai probabilitasnya dengan metode certainty factor. Setiap nilai probabilitas yang diperoleh deperbandingkan untuk mendapatkan nilai probabilitas tertinggi untuk mendapatkan tingkat keyakinan/kepastian dari model yang dipilih.
X
M W XM XW YPROSIDING SEMINAR NASIONAL SAINTECH 2016, pp. 45-52 ISSN: 2541-0636
49
2. METODE PENELITIAN
2.1 Kriteria Pola Pemberian Beasiswa yang Diusulkan
Guna memacu prestasi mahasiswa dibidang kurikuler, ko-kurikuler dan ekstrakurikuler, dalam penelitian ini peneliti mengusulkan kriteria pola pemberian beasiswa kepada mahasiswa khususnya beasiswa Peningkatan Prestasi Akademik (PPA). Beasiswa ini diambil sebagai focus penelitian dikarenakan jenis beasiswa PPA mensyaratkan IPK dan keaktipan mahasiswa calon penerima beasiswa. Dalam penelitian ini keaktipan diterjemahkan dalam bentuk PKM (PKM-GT, PKM-M, PKM-P, PKM-KC, PKM-W, PKM-AI) sebagai variabel kreativitas dan mengikuti lomba-lomba nasional, organisasi serta kepanitiaan sebagai variabel inovasi.
Kreativitas dan inovasi dari mahasiswa dalam penelitian ini akan dicari nilai koefesien bobotnya baik secara marginal maupun secara terkorelasi.seperti ditunjukkan pada flowchart gambar 2.
Gambar 2. Flowchart Pola Beasiswa yang Diusulkan
2.2 Algoritma Moderate Multiple Regression (MM)
Sebelum melakukan proses MMR, maka terlebih dahulu dilakukan proses pemberian bobot. Nilai bobot dalam penelitian ini dibedakan menjadi dua yaitu 1) bobot variabel marginal dan 2) bobot variabel korelasi. Semua bobot akan dihitung berdasarkan skala
I Wayan Santiyasa; I Komang Ari Mogi Implementasi Algoritma Moderate Multiple Regressions…
50
ordinal (bi=1,2,3, 4, 5), dimana bobot tertinggi diberikan pada variabel IPK, bobot kedua
tertinggi diberikan pada variabel prestasi tertinggi (PKM atau Inovasi), dan bobot terendah diberikan pada variabel korelasi terendah.
Setelah semua variabel dilengkapi dengan bobot masing-masing, selanjutnya dilakukan proses MMR dengan menetapkan variabel X (IPK) sebagai variabel utama sesuai dengan langkah algoritma MMR. Berikutnya mulai memasukkan variabel kedua, ketiga, dan seterusnya hingga semua variabel marginal masuk dalam pola/model, kemudian dilanjutkan dengan memasukkan variabelk korelasi antar variabel marginal dengan variabel X ke dalam model. Sehingga didapat model algoritma MMR sebagai berikut:
Gambar 3 : Forward Chaining Algoritma MMR
3. HASIL DAN PEMBAHASAN
Dalam penelitian awal dipergunakan 175 mahasiswa penerima beasiswa dari Fakiltas MIPA digunakan sebagai sampel dalam perhitungan nilai bobot dari setiap fitur yang digunakan. Perhitungan nilai bobot dilakukan dengan menggunakan metode moderate
multiple regression (MMR) dari enam kriteria yang digunakan dalam penentuan beasiswa di
Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Udayana yaitu : IPK, PKM, Lomba-lomba, Organisasi, Kepanitiaan dan Kegiatan Ilmiah sebagai tolak ukur prestasi, kreativitas, dan inovasi dari mahasiswa.
Dalam penelitian ini, dari keenam kriteria tersebut, untuk mahasiswa di Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Udayana, Kriteria IPK mempunyai nilai bobot (0,2285), Kriteria PKM mempunyai nilai bobot secara marginal tertinggi (0,1333), Kriteria Kegiatan Ilmiah mempunyai nilai bobot (0,1667), Kriteria Organisasi mempunyai nilai bobot (0,0189) dan Kriteria Kepanitiaan mempunyai nilai bobot (0,0163), seperti pada Tabel 1 s/d 3 berikut.
Tabel 1. Rerata Bobot Kegiatan Mahasiswa
Kegiatan Bobot IPK 0,2285711 PKM 0.1333333 Ilmiah 0.0666667 Organisasi 0.0189325 Kepanitiaan 0.0163142 Y = 5 X + 4 ? + 3 ? + 2 ?? + 1 ??
PROSIDING SEMINAR NASIONAL SAINTECH 2016, pp. 45-52 ISSN: 2541-0636
51
Tabel 2. Prosentase Keterkaitan Kegiatan Mahasiswa dengan IPK
IPK Kegiatan 3,0 - <3,25 3,25 - <3,5 3,5 - <3,75 3,75 - 4,0 Jumlah PKM 0.068966 0.114943 0.02298851 0.011494 0.218391 Ilmiah 0.002299 0.004598 0.0045977 0 0.011494 Organisasi 0.16092 0.126437 0.06896552 0.011494 0.367816 Kegiatan 0.195402 0.137931 0.05747126 0.011494 0.402299
Sumber: Data Olahan
Tabel 3. Nilai Bobot Kriteria Prestasi, Kreativitas dan Inovasi Mahasiswa
Kriteria Marginal Multivariat Keterangan
IPK 0,2285711 - PKM 0.1333333 0.218391 Kreativitas Kepanitiaan 0.0189325 0.011494 Inovasi Mean(i) Organisasi 0.0163142 0.367816 Lomba-lomba Ilmiah 0.0666667 0.402299
Sumber : Diolah Dari Perhitungan MMR
Dari data bobot kriteria tersebut di atas, dapat disusum sebuah model oderate Multiple Ragression (MMR) yang dapat digunakan sepagai formulasi dalam penentuan rangking mahasiswa pelamar beasiswa bantuan pendidikan sebagai berikut:
Y = 0,23 IPK + 0,13 PKM + 0,067 Inovasi + 0,22 (IPK,PKM) + 0,26 (IPK,Inovasi)
4. KESIMPULAN DAN SARAN
Dengan menggunakan metode Moderate Multiple Regression (MMR), dapat diperoleh perhitungan bobot kriteria Kreativitas (PKM) dan Inovasi dari mahasiswa secara marginal sangat bermakna dimasukkan dalam model beasiswa bantuan belajar. Keterkaitan antara IPK mahasiswa dengan kriteria PKM dan Inovasi juga secara signifikan berpengaruh pada model dengan factor pengaruh 22% kreativitas dan 26% inovasi.
Berdasarkan hasil penelitian, beberapa saran yang perlu diperhatikan: (1) Dalam pertimbangan pemberian beasiswa bantuan belajar kepada mahasiswa disarankan untuk mempertimbangkan kriteria lain seperti PKM dan Inovasi dari mahasiswa tersebut, dan (2) Sistem yang dibangun agar mampu berbasis WEB sehingga dalam implementasinya mempunyai jangkauan lebih luas.
I Wayan Santiyasa; I Komang Ari Mogi Implementasi Algoritma Moderate Multiple Regressions…
52
DAFTAR PUSTAKA
[1] Adrew F. Hayes, 2014, Comparing conditional effects in moderated multiple regression
Implementation using process for SPSS and SAS, The Ohio State University
[2] Laurenz L. Meier, 2008, The Double Maening of Control: Tree-Ways Interactions Between Internal Resources , Job Control, and Streeors at Work, Journal of Occupational Health
Psychology, Vol. 13, no. 3, hal. 244-258
[3] Nur Anjas Sari, 2013, Sistem pakar pendiagnosa penyakit demam berdarah menggunakan metode certainty factor, Delta Informatika Budi Darma, Volume IV no. 3 Agustus 2013