ANALISIS HASIL TRACER STUDY 2016 LULUSAN BERPROFESI WIRAUSAHA

Transkripsi

1 ANALISIS HASIL TRACER STUDY 2016 LULUSAN BERPROFESI WIRAUSAHA DR. UDJIANNA S. PASARIBU AULA TIMUR ITB, 10 APRIL 2017 KELOMPOK KEAHLIAN STATISTIKA, PROGRAM STUDI MATEMATIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT TEKNOLOGI BANDUNG

2 TUJUAN UTAMA 1. Menjelaskan proses dari hasil analisis pada BAB 10 (Analisis Statistik alumni angkatan 2009 dan berprofesi sebagai/melaksanakan wirausaha) 2. Menunjukkan Peranan Analisis Data Multivariat pada Big Data, khususnya Pada data parsial sesuai dengan keinginan user

3 Berapa banyak dari hadirin yang : Pernah mendengar tentang Analisis Klaster? Pernah memanfaatkannya? Bagaimana dengan Analisis Komponen Utama Pernah memanfaatkannya? Analisis Korespondensi?

4 TRACER STUDY 2016 Data diperoleh dari responden Alumni ITB Angkatan 2009 Banyak responden 2647 (93%) Total pertanyaan 233 Id. Pribadi Id. Pekerjaan PT dll Nama, Alamat, No. hp Nama, Alamat, No. tlp Kantor, dll Fasilitas, peran PT, ketepatan waktu lulus, organisasi kampus, dll

5 Analisis Multivariat Untuk Menggali Data Menggali Data Data kualitatif Data kuantitatif Statistika Inferensi dan Analisis Data Alat Intelegensi Artifisial (Jaringan Saraf) Teori Informasi Teori Pembaejaran Mesin (Mechine Learning Theory) Analisis Korespondensi Analisis Komponen Utama Analisis Faktor Analisis Klaster Analisis Diskriminan dll (S. Tufféry, 2011) Pengelompokan variabel acak (mengurangi) Pengelompokan objek (Program Studi) berdasarkan pertanyaan yang ditentukan.

6 PROFESI ALUMNI ITB (PERTANYAAN NO 12) Wirausaha Tidak bekerja Melanjutkan studi Status Pekerjaan Bekerja Bekerja + Wiraswasta 7.1% 4.7% BAGAIMANA PERANAN WIRAUSAHA DALAM 2 TH TERAKHIR SETELAH LULUS?

7 HISTORI PROPORSI WIRAUSAHA TERHADAP TOTAL 5.90% PROPORSI ALUMNI ITB BERPROFESI WIRAUSAHA TERHADAP TOTAL RESPONDEN SETIAP ANGKATAN 6.62% 5.89% 7.05% 6.85% 7.10% Target institusi : Entrepreneur University, sehingga perlu dianalisis lebih dalam Harapan : Profesi sesuai dengan latar belakang Prodi (prodi dapat mempersiapkan lebih baik untuk mencetak entrepreneur)

8 TREN PROPORSI WIRAUSAHA TERHADAP TOTAL DARI BEKERJA JUGA WIRASWASTA & WIRAUSAHA Proporsi alumni (setiap angkatan) yang berprofesi wirausaha memiliki tren kecenderungan semakin meningkat dari tahun ke tahun Dalam statistika: Proporsi marginal pada wirausaha 46.90% PROPORSI WIRAUSAHA TERHADAP TOTAL ALUMNI YANG BEKERJA + WIRASWASTA & WIRAUSAHA 59.42% 52.83% 59.48% 58.69% 60.06%

9 Analisis Klaster 2,... Teknik Geofisika Teknik Perminyakan Oseanografi

10 LATAR BELAKANG Fakultas di ITB Prodi sebanyak: Berdasarkan perkembangan IPTEK Kebebasan antar bidang ilmu semakin menurun KEDEKATAN atau KEBERGANTUNGAN Kedekatan antar prodi berdasarkan identitas/data pribadi responden dari A Website no 4? Masalah Menetapkan : Metode analisis multivatiat yang sesuai dan mudah dipahami Prodi adalah obyek yang mau dikelompokkan (bukan responden) Banyaknya variabel (acak)/karakteristik 4

11 ANALISIS KLASTER (PENGELOMPOKKAN) Ingat! data yang dimiliki perindividu (bukan per-prodi) Transformasi data o Menjumlahkan jawaban dari responden-responden pada prodi yang sama unt Jenis kelamin (A data pribadi no 2) vbl 1 o Merata-ratakan jawaban dari responden-responden pada pada prodi yang sama masing masing unt IP (A data pribadi no 5) vbl 2 lama mencari pekerjaan sebelum lulus (B data Pekerjaan Anda no 14a) vbl 1 sesudah lulus (B data Pekerjaan Anda no 14b) vbl 1

12 ANALISIS KLASTER (PENGELOMPOKKAN) Asumsi-asumsi pada analisis ini Observasinya diskrit (misal banyaknya wanita) atau kontinyu (IPK, lama tunggu dlm bulan) Variansi dari tiap variabel acak (karakteristik) hampir sama Variansi jenis kelamin, IP, Lama mencari pekerjaan sebelum lulus, dan sesudah lulus antar prodi hampir sama besar Banyak vbl acak banyak objek ( banyaknya variabel =4 < 37=banyaknya prodi)

13 Jumlahkan Jumlahkan CONTOH (transformasi data, pertanyaan no. 2): Nama Prodi JK # JK M. Abdul Teknik Material Pria 1 Dika Teknik Material Pria 1 Irham Teknik Material Pria 1 Ahmad Teknik Material Pria 1 Cepi Teknik Material Pria 1 Titis PWK Wanita 0 Reza PWK Pria 1 Tito PWK Pria 1 Surya PWK Pria 1 Irham PWK Pria 1 Icha PWK Wanita 0 Fahmuddin PWK Pria 1 Ilmi PWK Wanita 0 Misalkan: Pria = 1 dan Wanita =0 (boleh sebaliknya) Dengan menjumlahkan kolom # JK unutk setiap prodi, diperoleh tabel berikut Prodi Teknik Material 5 PWK 5 JK

14 Rata-ratakan Rata-ratakan CONTOH (transformasi data, pertanyaan no. 5): Nama Prodi IP M. Abdul Teknik Material 3.01 Dika Teknik Material 3.33 Irham Teknik Material 3.12 Ahmad Teknik Material 2.85 Cepi Teknik Material 3.30 Titis PWK 3.27 Reza PWK 2.72 Tito PWK 3.40 Surya PWK 3.60 Irham PWK 3.16 Icha PWK 3.41 Fahmuddin PWK 3.42 Ilmi PWK 2.71 Hitung rata-rata IP untuk setiap prodi: T. Material = = PWK = = Sehingga diperoleh Prodi IP Teknik Material 3.12 PWK 3.21

15 ALGORITMA ANALISIS KLASTER Pilih wirausaha (188 orang) Transformasi pada pertanyaan 2 dan 5 (37 prodi) 37 baris prodi dengan 4 vaiabel acak baru Standarisasi data setiap variabel acak Klaster (jarak Euclidian) Dendogram A1 (complete linkage) Pilih bekerja +wirausaha (125 orang) 34 baris prodi dengan 4 vaiabel acak baru Dendogram B1 Gabungan dari keduanya 37 baris prodi dengan 4 vaiabel acak baru Dendogram C1

16 d റxl, റx m = റx l റx m റx l റx m T 1 2 KLASTER DENGAN VARIABEL IDENTITAS (4 KOMPONEN) Pilih wirausaha (188 orang) Transformasi pada pertanyaan 2 dan 5 (37 prodi) 37 baris prodi dengan 4 vaiabel acak baru 1 2 Standarisasi data setiap variabel acak Klaster (jarak Euclidian) Dendogram A1 (complete linkage) Prodi JK IP sebelum sesudah T. Material PWK standarisasi Prodi JK IP sebelum sesudah T. Material PWK Perhatikan tabel, maka d TM,PWK = Untuk setiap komponen matriks x ij xҧ j S j, Dengan: x j ҧ : rataan dan S j : deviasi baku (kolom) ( ) ( ) 1 2

17 CONTOH : Prodi JK IP sebelum setelah Desain Produk Desain Interior Matematika PWK Teknik Informatika Standarisasi Prodi JK IP sebelum setelah Desain Produk Desain Interior Matematika PWK Teknik Informatika Pilih 5 prodi yang akan dikelompokan berdasarkan identitas responden 2. Standarisasi data yang dipilih 3. Klaster dengan menggunakan jarak Euclidian. Misalkan untuk jarak Desain Produk dan Desain Interior adalah sbb: d DP,DI = Buat dendogram berdasarkan prinsip jarak terjauh (Complete Linkage) T 1 2

18 ILUSTRASI : Diperoleh klaster sebagai berikut : Teknik Informatika Perencanaan Wilayah dan Kota Matematika Desain Interior Desain Produk Dendrogram Dissimilarity Klaster Kembali pada informasi awal: Prodi 1 Desain Produk 2 Matematika Desain Interior 3 Teknik Informatika PWk Prodi Desain Produk memiliki nilai IP yang paling tinggi dibandingkan dengan yang lain sehingga klasternya terpisah dengan yang lain Dari segi IP dan lama tunggu Prodi pada klaster 2 dan 3 tidak cukup mirip, tetapi pada jenis kelamin memiliki kemiripan (Pria di Klaster 2 < Klaster 3)

19 HASIL ANALISIS KLASTER (WIRAUSAHA) (PERTANYAAN NO. 2 DAN 5) Klaster 1 2 BW Manajemen T. Geodesi 3 T. Pertambangan T. Material T. Geologi 4 Desain Produk PWK 5 Kriya DKV 6 T. Mesin T. Informatika Fisika 7 8 Biologi Oseanografi 9 T. Kelautan Kimia FKK STF T. Perminyakan T. Sipil Arsitektur Seni Rupa Matematika T. Tenaga Listrik T. Industri Astronomi T. Lingkungan MRI STI T. Fisika T. Kimia T. Elektro Desain Interior T. Telekomunikasi Mikrobiologi Meteorologi Aeronotika

20 HASIL ANALISIS KLASTER (WIRAUSAHA) (PERTANYAAN NO. 2 DAN 5) Klaster 1 2 BW Manajemen T. Geodesi 3 T. Pertambangan T. Material T. Geologi 4 Desain Produk PWK 5 Kriya DKV 6 T. Mesin T. Informatika Fisika 7 8 Biologi Oseanografi T. Perminyakan T. Sipil Arsitektur Seni Rupa Matematika T. Tenaga Listrik T. Industri T. Fisika T. Kimia T. Elektro Desain Interior Klaster disamping berdasarkan dari IP dan Jenis Kelamin Perhatikan Klaster 4. Prodi MA dan PWK yang bukan serumpun masuk dalam 1 klaster. Hal tersebut disebabkan oleh banyak individu setiap prodinya cenderung sama dan didominasi oleh Pria dengan IP diatas 3 Hal yang sama juga terjadi pada klaster 8. Setiap prodi terdiri dari 4 orang dan berjenis kelamin Pria (kecuali Biologi) Pada klaster terakhir sebagian besar prodi hanya memiliki 1 orang alumni yang berprofesi sebagai wirausahawan. 9 T. Kelautan Kimia FKK STF Astronomi T. Lingkungan MRI STI T. Telekomunikasi Mikrobiologi Meteorologi Aeronotika INGAT! Jika hal seperti di atas terjadi, lihat kembali informasi/observasi yang dimiliki (data) sebelumya.

21 Analisis Komponen Utama (AKU) A1 A2 B A3

22 LATAR BELAKANG Semua pertanyaan selalu berkaitan baik antar /between A (questionere pendahuluan) dan B (questionere utama) ataupun antar pertanyaan dalam satu grup Besar/kecil Sebab-akibat Bisakah dibangun satu (atau lebih) karakteristik (kontinyu) baru yang merupakan kombinasi linier dari dua atau lebih karakteristik yang ditanyakan (kontinyu) Pereduksian variabel (acak) Manfaat bisa merepresentasikan big Data menjadi lebih sederhan (kecil)

23 LATAR BELAKANG (lanjutan) Masalah Kuisioner A dan B Kuisioner A (Pendahuluan) Kuisioner B (Utama)

24 LATAR BELAKANG (lanjutan) Dipilih yang kontinu masing 1 pertanyaan dari 2 grup : A kuisioner pendahuluan (ada 15 nomor) B kuisioner utama (ada 32 nomor) Metode yang sesuai dan benar Pemilihan no pertanyaan yang subtantif Batasan Masalah: Kompetensi Pertanyaan 27 bgn C sebanyak 27 pertanyaan Tidak lebih dari 3 karakteristik (variabel) baru

25 ANALISIS KOMPONEN UTAMA (AKU) Tujuan AKU Mereduksi dimensi data Asumsi-asumsi: Variabel acaknya kontinu Berdistribusi multivariat normal AKU bisa diterapkan Penetapan variabel: Pada kuisioner bagian A, ditetapkan IP (no 5) Pada kuisioner bagian B, pertanyaan no 27c memuat 27 kolom data sehingga dipilih kolom

26 PENETAPAN KOMPETENSI YANG DIDUGA BESAR PENGARUHNYA 1. Keterampilan internet 2. Keterampilan komputer 3. Keterampilan riset 4. Kemampuan analisis 5. Berpikir kritis 6. Kemampuan berkomunikasi 7. Manajemen waktu 8. Kemampuan memecahkan masalah 9. Negosiasi 10. Inisiatif jawaban dari 10 pertanyaan di atas adalah observasi ordinal 1,2, 5. Bagaimana supaya jadi kontinu?

27 VARIABEL ACAK PADA AKU Transformasi data o Mengubah data rank (sangat kecil sangat besar) menjadi kontinu 1 20% 2 40% 3 60% 4 80% 5 100% Hal yang sama dilakukan pada setiap variabel (kecuali IP) Prodi Berpikir Berpikir kritis kritis (%) DKV DKV 3 60 DKV 3 60 DKV 4 80 DKV 1 20 PWK PWK DP 2 40

28 ALGORITMA AKU Pilih wirausaha Tetapkan 11 variabel (no 5 dan 10 variabel dr 27c) Transformasi data ordinal menjadi data kontinu Standarisasi data (agar tidak berdimensi) Lakukan AKU Prosedur standarisasi data dilakukan seperti pada Analisis Klaster Metode yang digunakan 1. Dekomposisi Nilai Eigen, atau 2. Dekomposisi Nilai Singular

29 CONTOH : Ditentukan variabel yang akan dianalisis, yaitu: x 1 = Keterampilan internet x 2 = Keterampilan komunikasi x 3 = Memecahkan masalah Diagram pencar ketiga variabel, sbb: Melalui diagram kotak titik di atas menunjukan bahwa terdapat 4 datum yang menjadi pencilan bawah Mereka berpendapat bahwa kemampuan internet tidak terlalu besar perannya untuk pekerjaan mereka sebagai wirausaha

30 Kemampuan Komunikasi Memecahkan masalah Memecahkan masalah BIPLOT UNTUK 3 VARIABEL Kemampuan Komunikasi vs Keterampilan Internet Memecahkan masalah vs Keterampilan Internet Memecahkan masalah vs Kemampuan Komunikasi Keterampilan Internet Keterampilan Internet Kemampuan Komunikasi A B C Untuk gambar A, B, dan C dapat dilihat bahwa tidak ada responden yang memilih 1 untuk setiap kompetensi. Artinya paling tidak untuk setiap kompetensi responden menilai peran ketiga komptensi tersebut sedikit terhadap pekerjaan mereka. Berbeda dengan yang lain, gambar C menunjukan bahwa responden yang menjawab paling tidak peran kemampuan komunikasi dan memecahkan masalah sedikit diperlukan.

31 HASIL AKU (3 KOMPONEN) Factor Loading F1 F2 F3 Keterampilan Internet (x1) Kemampuan Komunikasi (x2) Memecahkan masalah (x3) Penyerapan variansi untuk faktor baru yang terbentuk: 1. 1 faktor (F1) 65,96% 2. 2 faktor (F1 dan F2) 86,67% 3. 3 faktor (F1, F2, dan F3) 100% Dengan: F 1 = 0.766x x x 3 F 2 = 0.608x x x 3 F 3 = 0.209x x x 3 Dengan demikian dapat direduksi menjadi 1 karakteristik baru yaitu: F 1 = 0.766x x x 3 yang dapat merepresentasikan data sebesar 65.96%

32 HASIL AKU (WIRAUSAHA, 11 VARIABEL ACAK) Penyerapan variansi untuk 3 faktor yang terbentuk adalah %. Hasil AKU tersebut adalah : y 1 = 0.837x x x x x x 8 y 2 = 0.902x x x x 7 y 3 = 0.930x 1 Faktor Zscore: IP (x 1 ) Zscore: Keterampilan Internet (x 2 ) Zscore: Keterampilan computer (x 3 ) Zscore: Keterampilan riset (x 4 ) Zscore: Kemampuan analisis (x 5 ) Zscore: Berpikir kritis (x 6 ) Zscore: Kemampuan berkomunikasi (x 7 ) Zscore: Manajemen waktu (x 8 ) Zscore: Memecahkan masalah (x 9 ) Zscore(Negosiasi) (x 10 ) Zscore(Inisiatif) (x 11 )

33 HASIL AKU (WIRAUSAHA, 11 VARIABEL ACAK) Melalui 3 faktor baru yang terbentuk, diperoleh hasil bahwa peran kompetensi yang diperlukan oleh wirausahawan dikategorikan menjadi 3, yaitu: 1. Faktor 1 (Kognitif ): keterampilan riset, kemampuan analisis, berpikir kritis, manajemen waktu, memecahkan masalah dan inisiatif 2. Faktor 2 (Afektif): keterampilan internet, keterampilan komputer, kemampuan berkomunikasi dan negosiasi 3. Faktor 3 (IP) Selanjutnya para wirausahawan ini dapat dikategorikan berdasarkan skor SoIV yang didapatkan dari jumlah perbandingan persentase masing-masing variansi faktor dibagi total variansi SoIV = Faktor kognitif + Faktor afektif + Faktor IP

34 HASIL AKU (WIRAUSAHA, 11 VARIABEL ACAK) Skor SoIV mengelompokkan wirausahawan kedalam 3 kategori. Diagram pencar untuk kategori wirausahawan Angkatan 2009 Kategori Batas Bawah Skor Batas Atas Skor Jumlah 1 (Pemula) (Menengah) (Profesional) Dapat disimpulkan bahwa Alumni angkatan 2009 yang berwirausaha sudah sebagian besar sudah masuk ke kategori menengah ke atas

35 Bidang Usaha Analisis Korespondensi (AK) AE AR AS BI BM DI DKV DP EL EP ET FI FKK GD GL IF II KI KL KR MA ME MRI MS MT OS PL SBM SI SR STF TA TF TI TK TL TM A B C D E F G H I J L M N P Q R S T Prodi

36 LATAR BELAKANG Serupa dengan latar belakang pada AKU, akan dikaitkan: Antar pertanyaan dalam grup A Antar pertanyaan dalam grup B Antar /between A (questionere pendahuluan) dan B (questionere utama) Bisakah dibangun satu (atau lebih) karakteristik kualitatif baru yang merupakan intepretasi, berupa visual dari dua karakteristik kualitatif yang ditanyakan Pereduksian variabel (acak) Manfaat bisa merepresentasikan Big Data menjadi lebih sederhana (kecil) Masalah : Menetapkan metode analisis multivatiat yang tepat Data berupa kualitatif (nominal/ordinal/rank)

37 LATAR BELAKANG (lanjutan) Dipilih 1 pertanyaan yang sudah merupakan data nominal dengan 2 kategori (dalam visualisasinya saling tegak lurus dalam R 2 ) o Secara teoritis: bisa dipilih 1 pertanyaan yang sudah memuat data nominal dengan 3 kategori tetapi dalam visualisasinya saling tegak lurus dalam R 3 dan cukup rumit meintepretasikannya Batasan Masalah: Kompetensi Pertanyaan 27 bgn C sebanyak 27 pertanyaan Tidak lebih dari 3 karakteristik (variabel) baru

38 ALGORITMA ANALISIS KORESPONDENSI (AK) Tetapkan 2 variabel acak Buat tabel kontingensi dan korespondensinya AK menggunakan Dekomposisi Nilai Eigen Peta Korespondensi Memuaskan Sangat Memuaskan Cumlaude Total Angkatan Angkatan Total Pada dasarnya pembuatan tabel kontingensi merupakan proses menghitung (frekuensi dari setiap kategori)

39 ALGORITMA ANALISIS KORESPONDENSI (AK) Tetapkan 2 variabel acak Buat tabel kontingensi dan korespondensinya AK menggunakan Dekomposisi Nilai Eigen Peta Korespondensi Hitung matriks distribusi gabungan empiris P Tentukan matriks baris R, kolom C Hitung matriks residual standar S = R 1 2 P റr റc t C 1 2 Hitung nilai eigen dari SS t dan S t S Estimasi koordinat utama baris dan kolom

40 CONTOH: 1. Pilih variabel acak Baris (pertanyaan no. 12) alumni berprofesi wiraswasta, angkatan 2008 dan 2009 Kolom (pertanyaan no. 5) IP, Memuaskan (M), Sangat Memuaskan (SM), dan Cumlaude (C ) 2. Buat tabel kontingensi seperti yang telah ditunjukan sebelumnya Memuaskan (M) Sangat Memuaskan (SM) Cumlaude (C) Total Angkatan Angkatan Total

41 CONTOH: 3. Hitung distribusi frekuensi relatif Angkatan # (%) 4. Matriks distribusi gabungan empiris P = 5. Dari kolom total (biru), diperoleh distribusi marginal untuk angkatan (vektor baris), yaitu IP Y 1 Y 2 Y 3 Total X 1 39 (10.63) 104 (28.34) 36 (9.81) 179 (48.77) X 2 40 (10.90) 53 (14.44) 95 (25.89) 188 (51.23) Total 79 (21.53) 157 (42.78) 131 (35.69) 367 (100) റr = dan dibangun matriks diagonalnya R =

42 CONTOH: 6. Dari kolom total (hijau), diperoleh distribusi marginal untuk IP (vektor kolom), yaitu റc = dibangun juga atriks diagonalnya C = dan 7. Hitung matriks residual standar S = R 1 2 P റr റc t C 1 2 = , yaitu matriks berukuran 2x3. Jika matriks diagonal R dan C posisinya ditukar, maka ukuran matriks yang diperoleh menjadi 3x2 8. Hitung matriks SS t (merepresentasikan angkatan) dan S t S (merepresentasikan IP), yaitu SS t = , St S =

43 CONTOH (lanjutan): 9. Hitung matriks nilai eigen D dan matriks vektor eigen U dari matriks SS t, yaitu D = , U = Hitung matriks nilai eigen D1 dan matriks vektor eigen V dari matriks S t S, yaitu D1 = , V = Bisa dipelajari lebih dalam pada jurnal Simplification of Correspondence Analysis For More Precise Calculation Which One Cualitative Variables in Two Categorical Data, Ginanjar I, dkk (2016) Estimasi koordinat utama dari baris dan kolom X = R 1Τ 2UD = Y = C 1Τ 2VD t = koordinat kolom koordinat baris dan 12. Gambar peta korespondensi 2008 M 2009 C -0.15SM

44 KESIMPULAN Melalui Analisis Data Multivariat, dapat dilakukan: 1. Mengelompokan kebergantungan satu/lebih prodi dengan prodi yang lain 2. Mengelompokan kemiripan dari kompetensi-kompetensi yang dibutuhkan oleh siswa 3. Membangun komponen baru dalam memperbaiki kurikulum 4. Menciptakan hal yang baru 5. Menganalisa data-data kualitatif lebih dalam baik dalam kebergantungan dua atau lebih karakteristik 6. Memvisualisasikan 2 atau 3 karakteristik dalam dua atau 3 dimensi sehingga pengelompokkan lulusan/prodi bisa dipelajari

45 DAFTAR PUSTAKA Budi, B.S., Dinan, A. (2015): Report Tracer Study ITB 2015, ITB Career Centre. Bandung Ginanjar, I. Pasaribu, U. P, Barra, A. (2016). Simplification of Correspondence Analysis For More Precise Calculation Which One Cualitative Variables in Two Categorical Data. ARPN Journal of Engieering and Applied Sciences. Vol 11 no. 3 ISSN Rencher A. C. (2002): Methods of Multivariate Analysis (2 nd ed), John Wiley & Sons, United States.

46 Terima kasih