Pemodelan Faktor-faktor yang Mempengaruhi Prestasi Mahasiswa Pasca Sarjana ITS dengan Regresi Logistik dan Neural Network

Transkripsi

1 JURNAL SAINS DAN SENI ITS Vol., No., (Spt. 202) ISSN: X D-36 Pmodlan Faktor-faktor yang Mmpngaruhi Prstasi Mahasiswa Pasca Sarjana ITS dngan Rgrsi Logistik dan Nural Ntwork Wijdani Anindya Hadi dan Suhartono Jurusan Statistika, Falkultas Matmatika dan Ilmu Pngtahuan Alam, Institut Tknologi Spuluh Nopmbr (ITS) Jl. Arif Rahman Hakim, Surabaya 60 () (2) Abstrak Aspk yang scara langsung dapat dilihat ktika mahasiswa yang baru saja lulus adalah lama studi yang ditmpuh mahasiswa trsbut apakah tpat waktu atau mlbihi waktu yang ditntukan juga Indks Prs-tasi atau yang lbih diknal dngan IP. Mtod yang digunakan untuk mmodlkan faktor-faktor yang mmpngaruhi prstasi mahasiswa Pasca Sarjana ITS dngan rspon katgorik adalah rgrsi logistik dan Nural Ntwork. Rgrsi logistik pada variabl rspon IPK faktor yang mmpngaruhi adalah TOEFL, Usia, IPK saat S, Lama Tunggu, Status Prkawinan, dan Asal prguruan Tinggi saat S. Sdangkan untuk variabl rspon lama tmpuh studi yaitu skor TPA, kssuaian bidang, IPK S, status prkawinan dan asal prguruan tinggi S. Pada mtod Nural Ntwork nuron pada hiddn layr dngan sluruh variabl untuk katgori IPK dan lama tmpuh studi masing-masing jum-lahnya sbanyak 8 dan 0 nuron. Sdangkan dngan mnggunakan variabl yang signifikan baik IPK maupun lama tmpuh studi hiddn layr yang trbntuk sbanyak 8 nuron. Ktpatan klasifikasi yang trtinggi dngan mnggunakan mtod Nural Ntwork. Kata Kunci Pasca Sarjana, Rgrsi Logistik Binr, Nural Ntwork, nuron E I. PENDAHULUAN VALUASI kmajuan blajar stiap mahasiswa Pasca Sarjana di Institut Tknologi Spuluh Nopmbr (ITS) Surabaya dilakukan stiap akhir smstr yang dicapai mulai smstr awal masa studi. Untuk dapat mlanjutkan studi, sorang mahasiswa harus dapat mmnuhi kritria yang tlah ditrapkan, dan pada dasarnya harus dapat mnylsaikan masa studinya dalam jangka waktu dua tahun. Ttapi, tidak smua mahasiswa Pasca Sarjana dapat mnylsaikan studinya tpat waktu. Pada pnlitian ini, mtod yang digunakan untuk mmodlkan faktor-faktor yang mmpngaruhi prstasi mahasiswa Pasca Sarjana ITS dngan rspon katgorik adalah rgrsi logistik binr karna hanya mmpunyai 2 katgori di masing-masing rsponnya. Slain rgrsi logistik binr, klasifikasi juga dapat dilakukan mnggunakan jaringan saraf tiruan (Nural Ntwork). Nural Ntwork adalah salah satu rprsntasi buatan dari otak manusia yang slalu mncoba untuk mnsimulasikan pross pmblajaran pada otak manusia trsbut []. Dalam bbrapa kasus, Nural Ntwork mmbrikan ktpatan hasil klasifikasi yang lbih baik jika dibandingkan dngan rgrsi logistik, namun hal trsbut blum dapat brlaku scara umum jika ditrapkan pada data simulasi. II. LANDASAN TEORI A. Mahasiswa Mahasiswa dalam praturan pmrintah RI No.30 tahun 990 adalah psrta didik yang trdaftar dan blajar di prguruan tinggi trtntu. B. Lama Tmpuh Studi Pada Praturan Akadmik BAB VII tntang Evaluasi Masa Studi bagian ktiga Program Magistr yang trtra pada Pasal 22 mnyatakan bahwa masa studi paling lama untuk mahasiswa program magistr adalah 8 smstr dimana valuasi masa studi mahasiswa dilakukan stiap smstr, dimulai pada smstr dua. C. Rgrsi Logistik Binr Rgrsi logistik mrupakan suatu mtod analisis data yang mndskripsikan antara variabl rspon dngan satu atau lbih variabl prdiktor. Rgrsi logistik binr variabl rsponnya yang brsifat dikotomus yang trdiri dari dua katgori yaitu 0 dan, shingga variabl rspon akan mngikuti distribusi Brnoulli dngan fungsi probabilitas sbagai brikut [2]. y i y i f ( yi ) xi xi dngan y i 0, Brdasarkan [2] modl rgrsi logistik adalah sbagai brikut. xp g x x () xp g x Mtod Maximum Liklihood Estimator (MLE) adalah mtod yang digunakan untuk mnduga paramtr-paramtr yang trdapat dalam modl rgrsi logistik. Mtod ini mnduga dngan mmaksimumkan fungsi liklihood. Fungsi liklihood yang dimaksimumkan adalah p n n p L ln l y i xij j ln xp j xij (2) j 0 i i j 0

2 JURNAL SAINS DAN SENI ITS Vol., No., (Spt. 202) ISSN: X D-37 Prsamaan didfrnsialkan trhadap, stlah didfrnsialkan trhadap kmudian disamakan dngan nol, namun cara ini sring kali diprolh hasil yang implisit shingga dilakukan mtod itrasi Nwton Rhapson untuk mmaksimumkan fungsi liklihood [3]. Pngujian paramtr dalam rgrsi logistik binr dilakukan baik scara srntak maupun individu. Statistik uji yang digunakan dalam uji srntak adalah statistik uji G atau liklihood ratio tst. Sdangkan statistik uji yang digunakan dalam uji parsial adalah statistik uji Wald [4]. Salah satu ukuran yang digunakan untuk mngintrprtasi kofisin variabl prdiktor adalah Odds ratio. Tabl 2. mnunjukkan nilai modl rgrsi logistik dngan variabl prdiktor brsifat dikotomus.. Fungsi softmax f(x) = E. Evaluasi Prformansi Modl Evaluasi prformansi modl yang digunakan pada pnlitian ini adalah classification accuracy, snsitivity, dan spcificity. Snsitivity mrupakan ukuran ktpatan dari suatu kjadian yang diinginkan. Spcificity mrupakan suatu ukuran yang mnyatakan prsntas kjadian-kjadian yang tidak diinginkan. Tabl 2. Ktpatan Klasifikasi Actual Prdictd Positiv=class 0 Ngativ =class Positiv =class 0 Ngativ=class Tru Positiv (TP) Fals Ngativ (FN) Fals Positiv (FP) Tru Ngativ (TN) Tabl. Nilai Modl Rgrsi Logistik dngan Prdiktor Brsifat Dikotomus. Prdiktor (X) Rspon (Y) x x 0 y 0 y 0 Total Statistik uji yang dipakai untuk uji kssuaian modl adalah statistik Hosmr-Lmshow (Ĉ ) D. Nural Ntwork Nural Ntwork biasa digunakan dalam masalah klasifikasi (di mana outputnya adalah variabl katgoris) atau rgrsi (outputnya kontinyu). Nural Ntwork dimulai dngan layr input, dimana tiap simpul brkorspondnsi dngan variabl prdiktor. Simpul-simpul input ini trhubung k bbrapa simpul dalam hiddn layr. Tiap simpul input trhubung dngan tiap simpul dalam hiddn layr. Simpul dalam hiddn layr bisa jadi trhubung k simpul lain dalam hiddn layr, atau k output layr. Output layr trdiri dari satu atau bbrapa variabl rspon. Tiga hal yang mmbdakan antara Nural Ntwork yang satu dngan yang lain adalah arsitrtur jaringan, platihan jaringan dan fungsi aktivasi yang digunakan [3]. Nural Ntwork mrupakan suatu bntuk arsitktur yang brdistribusi parall dngan sjumlah bsar nod dan hubungan antara tiap nod trsbut. Titik hubung antara nod satu dngan nod yang lain mmpunyai nilai yang diasosiasikan dngan bobot. Fungsi aktifasi yang ada pada Nural Ntwork antara lain : a. Fungsi Indntitas, untuk smua nilai x b. Fungsi Sigmoid = c. Fungsi Thrshold =, jika x 0 0, jika x < 0 d. Fungsi Tangnt Hiprbola III. METODOLOGI Data yang digunakan dalam pnlitian kali ini mrupakan data skundr tntang prstasi yang mliputi lama tmpuh dan status klulusan dari mahasiswa Pasca Sarjana ITS priod lulusan Data ini diprolh dari Pasca Sarjana ITS. Langkah-langkah analisis yang dilakukan pada pnlitian ini adalah sbagai brikut.. Pngumpulan litratur yang brasal dari buku, jurnal srta hompag yang mnunjang sumbr ilmiah untuk pnlitian. Tinjauan litratur yang digunakan trbagi mnjadi dua antara lain dilihat dari aspk statistik dan aspk non-statistik. Pngumpulan data dari Pasca Sarjana ITS tntang prstasi mahasiswa Pasca Sarjana ITS priod klulusan Mmbagi data mnjadi dua yaitu training dan tsting dimana data training digunakan untuk mmbntuk modl dan data tsting digunakan untuk mlihat ktpatan modl. Data dipartisi sbanyak lima kali yaitu 90:0, 80:20, 70:30, 60:40, dan 50:50 untuk masingmasing variabl rspon dngan rplikasi sbanyak 0 kali untuk masing-masing partisi data. 3. Mlakukan pngolahan data dngan mnggunakan Rgrsi Logistik dan Nural Ntwork. Rgrsi Logistik a. Mlakukan pmodlan dngan rgrsi logistik dngan mnggunakan sluruh variabl prdiktor. b. Mlakukan pngujian paramtr modl rgrsi logistik scara srntak maupun individu. c. Mlakukan pngujian hipotsis untuk mnntukan apakah modl rgrsi logistik tlah ssuai atau tidak. d. Mlihat faktor-faktor apa saja yang mmpngaruhi prstasi mahasiswa pasca sarjana ITS.. Mngtahui hasil ktpatan klasifikasi brdasarkan modl rgrsi logistik. f. Mlakukan langkah a- untuk varibl yang signifkan untuk masing-masing variabl rspon. Nural Ntwork a. Mlakukan prprosssing untuk mntransformasi data dngan rumus : = (z-min)/(maks-min). b. Mnntukan banyak input. Pada Nural Ntwork input mrupakan variabl prdiktor.

3 JURNAL SAINS DAN SENI ITS Vol., No., (Spt. 202) ISSN: X D-38 c. Mnntukan jumlah unit nuron pada hiddn layr. d. Mnntukan optimasi backpropagation.. Mlakukan pngolahan data dngan masing-masing variabl rspon (output) dngan sluruh input kmudian mmodlkannya. f. Mlakukan pngolahan data dngan masing-masing variabl rspon (output) dngan input yang signifikan dari rgrsi logistik dan mmodlkannya. g. Mlakukan pngolahan data dngan sluruh katgori pada variabl rspon (output) dngan sluruh input kmudian mmodlkannya. h. Mlakukan pngolahan data dngan sluruh katgori pada variabl rspon (output) dngan input yang signifikan dari rgrsi logistik dan mmodlkannya. 4. Mmbandingkan hasil ktpatan klasifikasi dari masingmasing mtod yaitu Rgrsi Logistik dan Nural Ntwork. pnlitian yang digunakan dalam mngvaluasi dan mmprdiksi prstasi mahasiswa Pasca Sarjana ITS priod lulusan trdiri dari variabl rspon (Y) dan variabl prdiktor (X) brjumlah 002 data yang trdiri dari jurusan yang mmpunyai program Magistr di ITS. pada pnlitian ini ditunjukkan pada Tabl 3. Tabl 3. pnlitian Rspon (Y) Y = Indks Prstasi Kumulatif (IPK) 0 = < 3,50 = 3,50 Y 2 = lama tmpuh studi 0 = Tidak tpat waktu = Tpat Waktu Prdiktor (X) Ktrangan X = TPA X2 = TOEFL X3 = Usia 0 = Prmpuan X4 = Jnis Klamin = Laki-laki 0 = Tidak Ssuai X5 = Kssuaian Bidang = Ssuai X6 = IPK saat S X7= Lama Tunggu 0 = Biaya Sndiri X8 = Sumbr Dana = Basiswa 0 = Blum Mnikah X9 = Status Prkawinan = Mnikah 0 = Surabaya = Luar Jawa Timur (tapi masih Pulau X0 = Asal Darah Jawa) 2 = Non Surabaya (Jawa Timur) 3 = Luar Jawa 0 = Lulusan ITS X = Lulusan S = Lulusan Non-ITS Ngri 2 = Lulusan Non-ITS Swasta IV. ANALISIS DAN PEMBAHASAN A. Analisis Dskriptif Mahasiswa Pasca Sarjana ITS dari sluruh jurusan yang mmpunyai IPK 3,5 adalah sbanyak 55 orang sdangkan yang IPKnya <3,5 ada sbanyak 487 orang. Untuk mahasiswa yang lama tmpuh studinya tpat waktu ( 4 smstr) brjumlah 739 mahasiswa sdangkan untuk mahasiswa yang lama tmpuh studinya tidak tpat waktu (>4 smstr) brjumlah 263 orang.ipk mahasiswa Pasca Sarjana ITS yang < 3,5 adalah sbsar 3,29 dngan IPK minimum sbsar 2,68 dan maksimum sbsar 3,33. Sdangkan untuk rata-rata dari mahasiswa Pasca Sarjana yang IPK 3,5 adalah sbsar 3,68 dngan IPK minimum pada katgori ini adalah sbsar 3,5 dan IPK maksimum sbsar 3,98. Sdangkan lama tmpuh studi dari katgori > 4 smstr lama tmpuh rata-ratanya adalah sbsar 5,5 smstr sdangkan untuk lama tmpuh 4 smstr rata-rata lama tmpuhnya adalah 3,78 smstr. B. Pmodlan Prstasi Mahasiswa Pasca Sarjana ITS dngan Rgrsi Logistik Binr Sblum mlakukan analisis rgrsi logistik data dibagi mnjadi training dan tsting dngan partisi 50:50, 60:40, 70:30, 80:20 dan 90:0. Analisis dilakukan untuk partisi data 90:0 dngan mlibatkan sluruh variabl dan variabl yang signifikan. Dngan sbsar 5% diktahui bahwa P- valu=0,000 mnunjukkan bahwa P-valu < shingga dapat dikatakan scara srntak kofisin yang didapatkan baik untuk IPK maupun lama tmpuh studi yang mlibatkan sluruh variabl ataupun variabl yang signifikan signifikan trhadap modl rgrsi logistik binr. Analisis rgrsi logistik parsial dngan mnggunakan data partisi 90:0, yang digunakan dalam pmbntukan modl adalah sluruh variabl yang signifikan dari pmodlan awal dngan variabl rspon IPK (y) dan lama tmpuh studi (y2). Mtod yang digunakan dalam pmbntukan modl adalah mtod ntr dngan mmasukkan smua variabl prdiktor. Dngan mnggunakan partisi data training dan tsting 90:0. Prstasi mahasiswa Pasca Sarjana ITS dilihat dari IPK (y) dipngaruhi olh skor TOEFL, usia, IPK saat S, status prkawinan, dan prguruan tinggi saat lulus S. Dngan p-valu <. Shingga fungsi logit dari modl trsbut adalah sbagai brikut : Prstasi mahasiswa Pasca Sarjana ITS dilihat dari lama tmpuh studi (y2) dipngaruhi olh skor TPA, kssuaian bidang, IPK saat S, status prkawinan dan asal prguruan tinggi saat S. Dngan p-valu < modl logitnya adalah sbagai brikut : Sdangkan dngan mlibatkan variabl yang signifikan dari rgrsi logistik sblumnya untuk variabl IPK (y) modl logit yang didapatkan adalah sbagai brikut : Untuk modl logit yang trbntuk dari variabl yang signifikan dari rgrsi logistik sblumnya untuk variabl lama tmpuh studi (y2) modl logit yang didapatkan adalah sbagai brikut : Brikut mrupakan intrprtasi kofisin paramtr brdasarkan nilai odds ratio dngan mnggunakan partisi data training dan tsting 90:0 untuk variabl rspon IPK :

4 JURNAL SAINS DAN SENI ITS Vol., No., (Spt. 202) ISSN: X D-39 Tabl 4. Nilai Odds Ratio IPK odds ratio TOEFL,08 Usia 0,93 IPK S,96 Lama Tunggu,07 Status (),69 Lulusan S () 0,43 Lulusan S (2) 0,29 Brdasarkan pada Tabl 4 bsarnya pngaruh masing-masing variabl prdiktor yang signifikan dapat dijlaskan brdasarkan odds ratio sbagai brikut. ) Skor TOEFL Mahasiswa yang skor TOEFLnya mningkat sbanyak 0 satuan maka brpluang untuk mmiliki IPK 3,5 mningkat sbsar,0 kali. 2) Usia Sbsar 0,93 kali mahasiswa yang brusia lbih tua tahun, brpluang mmiliki IPK 3,5. 3) IPK S Mahasiswa yang IPK Snya mngalami knaikan sbanyak 0,5 satuan maka brpluang untuk mndapatkan IPK 3,5 mningkat,96 kali. 4) Lama Tunggu Mahasiswa pasca sarjana yang lama tunggunya lbih bsar satu satuan akan brpluang mmiliki IPK 3,5 sbsar,07 kali. 5) Status Prnikahan Mahasiswa Pasca sarjana yang brstatus blum mnikah akan mmiliki pluang sbsar,69 kali untuk mndapatkan IPK 3,5 dibandingkan dngan mahasiswa yang tlah mnikah. 6) Prguruan Tinggi S Mahasiswa Pasca sarjana lulusan Prguruan Tinggi Ngri slain ITS mmiliki pluang 0,43 kali untuk mmiliki IPK 3,5 dibandingkan mahasiswa ITS. Sdangkan mahasiswa yang brasal dari prguruan tinggi swasta mmiliki pluang 0,29 kali untuk mndapatkan IPK 3,5 dibandingkan dngan mahasiswa ITS. Untuk intrprtasi variabl rspon lama tmpuh studi adalah sbagai brikut : Tabl 5. Nilai Odds Ratio Lama Tmpuh odds ratio Kssuaian Bidang (),96 IPK S,69 Lulusan S (2) 0,33 ) Kssuaian Bidang Mahasiswa yang bidang ssuai akan mmiliki pluang sbsar,96 kali untuk tpat waktu dalam mnmpuh lama studi dibandingkan dngan mahasiswa yang bidangnya tidak ssuai. 2) IPK S Mahasiswa yang IPK Snya mngalami knaikan sbanyak 0 satuan maka brpluang untuk tpat waktu dalam mnmpuh studi mningkat,69%. 3) Prguruan Tinggi S Mahasiswa Pasca sarjana yang brasal dari prguruan tinggi swasta mmiliki pluang 0,33 kali untuk mnmpuh lama studi lbih dari 4 smstr atau tidak tpat waktu dibandingkan dngan mahasiswa ITS. C. Pmodlan Prstasi Mahasiswa Pasca Sarjana ITS dngan Nural Ntwork Stlah mmodlkan dngan rgrsi logistik binr slanjutnya data Prstasi mahasiswa Pasca Sarjana ITS akan dimodlkan dan dilihat ktpatan klasifikasinya dngan mnggunakan mtod Nural Ntwork. Arsitktur yang digunakan adalah Multilayr Prcptron dan fungsi aktifasi yang digunakan adalah softmax. Pada Nural Ntwork variabl prdiktor akan digunakan sbagai input shingga, input yang digunakan adalah ksluruhan variabl untuk masing-masing variabl rspon shingga trbntuk dngan sblas input. Dngan partisi data 90:0 jumlah nuron pada hiddn layr pada variabl IPK yang mnunjukkan ktpatan klasifikasi yang trtinggi adalah sbanyak 8 nuron sdangkan pada lama tmpuh studi ktpatan klasifikasi yang trtinggi dngan mnggunakan 0 nuron. Untuk Nural Ntwork dngan mnggunakan input yang signifikan pada partisi data 90:0 trnyata didapatkan ktpatan klasifikasi yang trtinggi baik untuk variabl IPK maupun lama tmpuh studi dngan jumlah nuron pada hiddn layr yaitu sbanyak 8 nuron. Brikut mrupakan variabl-variabl yang signifikan dari sluruh partisi data. Tabl 6. yang Signifikan sbagai Input 90:0 80:20 70:30 60:40 50:50 y y2 y y2 y y2 y y2 y y2 x x v x v x v x v x x x2 v x v v v x x x v x x3 v x v x v x v v v v x4 x x x x v x x x x x x5 x v x v x v x v x x x6 v v v v v v v v x v x7 v x v x x x x x v v x8 x x x x x x x x x x x9 v v v x v x x x v x x0 x x x x x x x x x x x v v v v v v v v v v v) variabl signifikan D. Prbandingan antara Rgrsi Logistik dngan Nural Ntwork Stlah dilakukan pmbahasan untuk masing-masing variabl rspon yaitu IPK dan lama tmpuh studi baik mlibatkan sluruh variabl prdiktor maupun dngan variabl yang signifikan kmudian akan dibandingkan ktpatan klasifikasi dari stiap mtod. Adapun hasil prbandingan klasifikasinya adalah sbagai brikut:

5 JURNAL SAINS DAN SENI ITS Vol., No., (Spt. 202) ISSN: X D-40 Tabl 7. Prbandingan Ktpatan Klasifikasi Rgrsi Logistik Nural Ntwork variabl partisi sluruh yang sluruh variabl yang data variabl signifikan variabl signifikan y y2 y y2 y y2 y y2 90:0 74,25 80,9 73,26 73,27 72,27 79,2 76,23 80,9 80:20 68,5 75,2 67,6 74,62 64,67 7,05 70,4 76,85 70:30 65, 72,86 67, 59,68 6,2 7,85 69, 73,8 60:40 7,25 74,3 65,5 73,8 64,75 75,27 65,75 78,65 50:50 67,46 73,85 69,44 73,85 65,26 67,46 69,67 74,23 Dari Tabl 5 dapat diktahui bahwa ktpatan klasifikasi yang trbsar untuk variabl IPK dan lama tmpuh studi dngan mlibatkan sluruh variabl prdiktor adalah dngan mnggunakan mtod rgrsi logistik. Sdangkan untuk klasifikasi untuk variabl yang signifikan baik untuk variabl IPK maupun lama tmpuh studi ktpatan klasifikasinya lbih baik dngan mnggukan mtod Nural Ntwork. Ttapi, untuk kasus ini dapat dikatakan Nural Ntwork mrupakan mtod yang mmiliki ktpatan klasifikasi yang tinggi. V. KESIMPULAN DAN SARAN Stlah dilakukan analisis dan pmbahasan maka ksimpulan yang dapat diambil adalah sbagai brikut:. Sbanyak 5% mahasiswa pasca sarjana ITS priod lulusan mmpunyai IPK < 3,5 dngan rata-rata IPK sbsar 3,29 dan 49% yang mmiliki IPK 3,5 dngan rata-rata 3,68. Untuk lama tmpuh studi sbanyak 74% mahasiswa pasca sarjana ITS tpat waktu dalam mnmpuh studi sdangkan sisanya tidak tpat waktu. 2. Faktor-faktor yang mmpngaruhi prstasi mahasiswa pasca sarjana ITS priod lulusan pada partisi data 90:0 untuk variabl IPK adalah skor TOEFL, Usia, IPK saat S, Lama Tunggu, Status Prkawinan, dan Asal prguruan Tinggi saat S. Sdangkan untuk variabl lama tmpuh faktor-faktor yang mmpngaruhi skor TPA, kssuaian bidang, IPK saat S, status prkawinan dan asal prguruan tinggi saat S jika di tablkan untuk sluruh partisi data adalah sbagai brikut: 90:0 80:20 70:30 60:40 50:50 y y2 y y2 y y2 y y2 y y2 x x v x v x v x v x x x2 v x v v v x x x v x x3 v x v x v x v v v v x4 x x x x v x x x x x x5 x v x v x v x v x x x6 v v v v v v v v x v x7 v x v x x x x x v v x8 x x x x x x x x x x x9 v v v x v x x x v x x0 x x x x x x x x x x x v v v v v v v v v v v) faktor-faktor yang mmpngaruhi 3. Dngan mtod Nural Ntwork dari partisi data 90:0 untuk variabl IPK dngan mlibatkan sluruh prdiktor mmbntuk ktpatan klasifikasi yang trtinggi dngan jumlah nuron pada hiddn layr sbanyak 8 nuron. Untuk variabl lama tmpuh studi jumlah nuron pada hiddn layr yang mmbntuk ktpatan klasifikasi yang ttinggi yaitu dngan jumlah 0 nuron. Untuk Nural Ntwork yang mlibatkan variabl yang signifikan baik untuk variabl IPK dan lama tmpuh studi ktpatan klasifikasi yang trtinggi yaitu dngan jumlah nuron pada hiddn layr sbanyak 8 nuron. 4. Jika dilihat dari ktpatan klasifikasi yang paling tinggi dari sluruh partisi data didapatkan sbsar 80,9% tpat diklasifikasikan baik dngan rgrsi logistik maupun nural ntwork dngan partisi data 90:0. Ktpatan klasifikasi antara Rgrsi Logistik dan Nural Ntwork dngan partisi data 90:0 untuk variabl IPK dan lama tmpuh studi yang mlibatkan sluruh prdiktor yang paling bsar adalah dngan mnggunakan rgrsi logistik yaitu sbsar 74,25% dan 80,9%. Sdangkan jika mlibatkan variabl yang signifikan ktpatan klasifikasi yang trtinggi yaitu dngan mnggunakan mtod Nural Ntwork dngan ktpatan klasifikasinya sbsar 76,23% dan 80,9% untuk masing-masing katgori IPK dan lama tmpuh studi. Pada kasus ini, Nural Ntwork mrupakan mtod yang lbih baik untuk mnglasifikasikan data prstasi mahasiswa pasca sarjana ITS dibanding rgrsi logistik. Brdasarkan hasil analisis dalam pnlitian ini, tlah ditunjukkan bahwa ktpatan klasifikasi Nural Ntwork hanya satu kali mmiliki ktpatan klasifikasi yang tinggi dari rgrsi logistik di variabl yang brbda shingga untuk pnlitian slanjutnya dapat mnggunakan arsitktur dan fungsi aktifasi yang brbda. DAFTAR PUSTAKA [] S. Kusumadwi, Mmbangun Jaringan Syaraf Tiruan Mnggunakan MATLAB dan Excl Link. Yogyakarta: Graha Ilmu (2004). [2] S. Manl, J.M. Dias and S.J. Ormrod, Comparing discriminant analysis, Nural Ntworks and logistic rgrssion for prdicting spcis distributions: a cas study with a Himalayan rivr bird. Ecological Modlling 20 (999) [3] D. Michi, D.J. Spiglhaltr, and C.C.Taylor, Machin Larning, Nural and Statistical Classification (994). [4] M. Brahmantyo, Analisis Faktor-Faktor yang Mmpngaruhi Prstasi Akadmik Mahasiswa Pasca Sarjana ITS. Tugas Akhir Jurusan Statistika Institut Tknologi Spuluh Nopmbr (200).