Peubah yang diamati sebagai peubah respon adalah peubah indikator keberhasilan mahasiswa, sedangkan peubah lainnya digunakan sebagai peubah penjelas.
|
|
- Budi Widjaja
- 6 tahun lalu
- Tontonan:
Transkripsi
1 5 diamati sebagai peubah respon adalah peubah indikator keberhasilan mahasiswa, sedangkan peubah lainnya digunakan sebagai peubah penjelas. Metode Analisis Tahapan-tahapan dilakukan dalam penelitian ini adalah sebagai berikut:. Melakukan eksplorasi data mahasiswa pada setiap program studi meliputi pembuatan: a. Plot sebaran mahasiswa aktif per tahun studi. b. Diagram sebaran mahasiswa keluar per tahun studi. c. Box plot peubah IPK akhir dan masa studi.. Mengelompokkan program studi berdasarkan peubah :. Persentase mahasiswa lulus dengan masa studi 3 tahun. Persentase mahasiswa keluar 3. Rataan IPK akhir 4. Rataan masa studi. Kelompok program studi selanjutnya digunakan sebagai peubah penjelas dalam eksplorasi peubah dan pemodelan. 5. Melakukan eksplorasi pada peubah respon untuk setiap peubah penjelas. IPK akhir dan masa studi dengan box plot dan peubah keberhasilan studi dengan diagram batang. 6. Membuat model keberhasilan studi dengan regresi logistik biner. 7. Membuat model IPK akhir dengan regresi logistik biner. 8. Membuat model masa studi dengan regresi cox berdasarkan kejadian lulus dalam masa studi 36 bulan. PEMBAHASAN Data digunakan dalam penelitian ini mencakup mahasiswa sudah lulus, keluar, baik karena DO atau mengundurkan diri, dan masih aktif. Deskripsi dari 36 program studi diamati dapat dilihat pada Lampiran. Eksplorasi Data Mahasiswa per Program Studi Sebaran Mahasiswa Aktif per Tahun Studi Sebaran mahasiswa aktif per tahun studi dibentuk dengan membuat plot rata-rata persentase mahasiswa aktif pada setiap selang masa studi (t) dalam tahun, yaitu: t0 = t = 0 t = 0 < t tahun t = < t tahun t3 = < t 3 tahun t4 = 3 < t 4 tahun t5 = 4 < t 5 tahun Data digunakan hanya data mahasiswa sudah lulus dan masih aktif angkatan 00 sampai 005. Angkatan 006 tidak diikutsertakan karena masih didominasi oleh mahasiswa masih aktif. Masa studi normal bagi mahasiswa program Magister adalah tahun. Apabila lebih dari 4 tahun sudah dikatakan mahasiswa kadaluarsa dan terancam dikeluarkan dari SPs-IPB. Sebaran mahasiswa aktif per tahun studi ideal adalah menurun tajam dari t ke t3 dan sudah mencapai 0% pada t4. Selisih persentase mahasiswa aktif t dengan t3 dapat menunjukkan persentase mahasiswa berhasil lulus tepat waktu, dalam hal ini adalah masa studi kurang dari 3 tahun. Oleh karena itu bentuk sebaran mahasiswa aktif per tahun studi dapat menjadi salah satu penilaian terhadap performa program studi. Sebaran mahasiswa aktif per tahun studi ideal dimiliki oleh program studi mempunyai persentase lulusan dalam masa studi 3 tahun terbesar. Perbandingan dengan bentuk ideal akan menunjukkan seberapa jauh sebaran mahasiswa aktif suatu program studi dari pola idealnya. Pada Lampiran dapat dilihat sebaran mahasiswa aktif per tahun studi untuk setiap program studi, telah diurutkan berdasarkan persentase lulusan tepat waktu (masa studi 3tahun) dari terkecil dan dibandingkan dengan sebaran mahasiswa aktif program studi KMV. Pada Tabel dapat dilihat kelompok program studi berdasarkan kategori persentase lulusan tepat waktu. Tabel Kelompok program studi berdasarkan persentase lulusan tepat waktu Persentase Program Studi lulusan < 50 STK, EPN, TIP, ENK, BTK, TNH, DAS, ESK, IPN, BIK MIT, ARL, AGR, PWD, BIO, TEP, IPK, BRP, PSL, PRM > 60 GMK, IKL, TKL, SVT, AIR, SPL, PTK, ENT, KIM, AGK, TPP, KMP, FIT, PPN, SPD, KMV
2 6 Program studi berada dalam satu kelompok memiliki kemiripan dalam bentuk sebaran mahasiswa aktif per tahun studi. Pada Gambar dapat dilihat sebaran mahasiswa aktif pada program studi STK mempunyai persentase lulusan tepat waktu terkecil (%) dan KMV mempunyai persentase lulusan tepat waktu terbesar (86%) t0 t t t3 t4 t5 STK KMV Gambar Sebaran mahasiswa aktif program studi STK dan KMV Program studi KMV mempunyai pola sebaran mahasiswa aktif lebih ideal dibanding program studi lainnya, karena mempunyai persentase mahasiswa lulus dengan masa studi 3 tahun terbesar, pada tahun studi keempat hanya terdapat 4% mahasiswa aktif dan sudah mencapai 0% pada tahun kelima. Program studi STK cenderung menghasilkan lulusan dengan masa studi lebih lama dibandingkan lulusan program studi KMV, terlihat dari posisi sebaran jauh di sebelah kanan sebaran program studi KMV. Dengan menganggap program studi KMV sebagai program studi mempunyai sebaran mahasiswa aktif per tahun studi ideal, maka kelompok program studi mempunyai persentase mahasiswa lulus tepat waktu lebih besar dari program studi KMV dapat mempunyai indikasi performa kurang baik. Secara visual dapat dilihat dari sebaran mahasiswa aktif cenderung jauh di sebelah kanan pola sebaran mahasiswa aktif program studi KMV, seperti dimiliki oleh program studi mempunyai persentase mahasiswa lulus tepat waktu kurang dari 50%. Dengan demikian, peforma program studi lebih baik diperoleh program studi mempunyai pola sebaran mahasiswa aktif per tahun studi mendekati sebaran mahasiswa aktif program studi KMV, seperti ditunjukkan oleh sebagian besar program studi dalam kelompok persentase lulusan tepat waktu lebih besar dari 60%. Sebaran Mahasiswa Keluar per Tahun Studi Performa program studi tidak dapat dilihat hanya dari besarnya lulusan dihasilkan per tahun studi, tetapi perlu dilihat pula dari besarnya mahasiswa keluar pada setiap tahun studinya. Oleh karena itu, dibentuk sebaran persentase mahasiswa keluar per tahun studi melalui diagram batang terlihat pada Lampiran 3. Program studi performanya baik harusnya memiliki persentase lulusan besar dan persentase mahasiswa keluar kecil. Program studi pada diagram tersebut sudah terurut berdasarkan persentase mahasiswa keluar pada setiap tahun studi mulai paling besar. Pada Tabel dapat dilihat kelompok program studi berdasarkan persentase mahasiswa lulus tepat waktu dengan persentase mahasiswa keluar pada tahun pertama. Tabel Kelompok program studi berdasarkan persentase lulusan dan mahasiswa keluar % % Mahasiswa keluar tahun pertama Lulusan < > 7 < 50 TIP TNH ESK ARL BIO BRP > 60 GMK TKL AIR PTK ENT AGK TPP FIT AGK IPN BIK MIT TEP IPK PSL PRM KIM SPL KMV PPN STK ENK EPN BTK DAS AGR PWD IKL SVT SPD Sebagian besar program studi mempunyai persentase lulusan rendah juga mempunyai persentase mahasiswa keluar tinggi dan sebaliknya. Berdasarkan kedua hasil eksplorasi ini indikasi performa program studi kurang baik ditunjukkan oleh program studi mempunyai persentase lulusan rendah dan persentase mahasiswa keluar tinggi, seperti program studi STK, ENK, EPN, BTK dan DAS.
3 7 Box plot IPK Akhir dan Masa Studi Box plot dapat digunakan untuk pemeriksaan bentuk atau pola sebaran data. Informasi didapat dari box plot adalah lokasi pemusatan data yaitu median, rataan, rentangan penyebaran data terlihat dari panjang kotak, dan kemiringan pola sebaran terlihat dari panjang kotak relatif terhadap median. Data digunakan adalah data mahasiswa angkatan 00 sampai 006 sudah lulus. Pada penelitian ini box plot digunakan untuk memeriksa sebaran data IPK akhir dan masa studi mahasiswa sudah lulus. Pada Lampiran 4 dapat dilihat box plot IPK akhir dan masa studi setiap program studi dikelompokkan berdasarkan fakultas. Fakultas digunakan sebagai dasar pengelompokkan karena setiap keputusan diambil oleh program studi tidak lepas dari kebijakan fakultas. Program studi memiliki box plot IPK akhir berada pada rentangan nilai lebih tinggi dengan nilai median di atas 3.50 dan box plot masa studi berada pada rentangan nilai lebih rendah dengan rentangan sempit disekitar nilai 4 sampai 36 bulan menunjukkan performa program studi baik, dan sebaliknya menunjukkan performa program studi kurang baik berdasarkan perolehan prestasi akademik mahasiswa. Pada Tabel 3 dapat dilihat program studi memiliki performa kurang baik dibanding program studi lainnya dalam satu fakultas berdasarkan rentangan nilai IPK akhir dan masa studi mahasiswanya, karena sebagian besar mahasiswanya mempunyai IPK akhir di bawah 3.5 dan masa studi tinggi hingga cenderung lebih dari 40 bulan. Tabel 3 Daftar program studi per fakultas mempunyai performa IPK akhir dan masa studi kurang baik Kode Fakultas IPK Masa Studi A TNH ARL, TNH B ENK ENK C SPL F TEP TIP G STK BIK, STK H EPN EPN I GMK GMK P PRM Program studi PTK dan IPK tidak ditampilkan karena tidak ada pembanding program studi lainnya. Rentangan IPK akhir dan masa studi dari kedua program studi tersebut masih tergolong mempunyai performa baik. Program studi memiliki rentangan nilai IPK akhir rendah dan rentangan nilai masa studi tinggi ditunjukkan oleh TNH, ENK, STK, EPN dan GMK. Apabila ditelusuri dari hasil eksplorasi sebelumnya, beberapa program studi termasuk ke dalam daftar tersebut sudah disebut sebagai program studi mempunyai indikasi performa kurang baik berdasarkan nilai persentase mahasiswa lulus dalam masa studi 3 tahun rendah dan persentase mahasiswa keluar tinggi, antara lain STK, EPN dan ENK. Hal ini menunjukkan adanya keterkaitan antara hasil eksplorasi data mahasiswa per program studi dapat dijadikan dasar dalam pengelompokkan program studi berdasarkan performanya. Kelompok performa program studi tentunya dapat terdiri atas performa baik dan kurang baik. Akan tetapi, tidak menutup kemungkinan ada program studi belum dapat dikatakan keduanya atau berada dalam posisi antara baik dan kurang baik. Oleh karena itu, diperlukan suatu analisis dapat mengelompokkan program studi ke dalam kelompok performa program studi baik, kurang baik dan berada diantara keduanya. Pengelompokkan Program Studi Pengelompokkan program studi dapat dilakukan dengan analisis gerombol k-rataan dengan jumlah gerombol diinginkan sebanyak tiga, agar didapat kelompok program studi mempunyai performa baik, kurang baik dan pertengahan. digunakan adalah:. Persentase lulusan tepat waktu (masa studi 3 tahun). Persentase mahasiswa keluar 3. Rataan IPK 4. Rataan Masa Studi Program studi mempunyai performa baik seharusnya mempunyai persentase lulusan tepat waktu tinggi, persentase mahasiswa keluar rendah, rataan IPK akhir tinggi, dan rataan masa studi rendah. Performa kurang baik dapat ditunjukkan oleh kriteria sebaliknya. Hasil pengelompokkan program studi berdasarkan keempat peubah tersebut dapat dilihat pada Tabel 4.
4 8 Tabel 4 Kelompok program studi hasil analisis gerombol k-rataan Gerombol Program Studi AIR, ENT, FIT, IKL, IPK, KMP, KMV, PTK, SPD, SVT, TEP, TKL, TPP AGK, AGR, ARL, BIK, BIO, BRP, BTK, DAS, ENK, ESK, GMK, IPN, KIM, MIT, PPN, PRM, PSL, PWD, SPL, TIP, TNH 3 STK, EPN Rataan keempat peubah digunakan sebagai dasar pengelompokkan untuk setiap kelompok program studi dapat dilihat pada Tabel 5. Tabel 5 Rataan nilai peubah pada masingmasing gerombol Rataan Kel. % Lulusan tepat waktu % Mahasiswa Keluar IPK Masa studi Tujuan pengelompokkan program studi dengan analisis gerombol k-rataan dapat dinyatakan tercapai. Berdasarkan nilai rataan keempat peubah penciri performa program studi tersebut terlihat bahwa kelompok program studi memiliki kombinasi nilai terbaik adalah kelompok ke- dan kurang baik adalah kelompok ke-3. Rataan keempat peubah pada kelompok ke- berada diantara kelompok ke- dan kelompok ke-3. Nilai jarak antar pusat gerombol dapat dilihat pada Tabel 6. Tabel 6 Jarak antar gerombol. Gerombol Jarak tersebut menunjukkan tingkat kemiripan antar gerombol. Jarak antara gerombol dan lebih dekat dibandingkan jarak gerombol dan 3 maupun dan 3. Berdasarkan nilai rataan keempat peubah diperoleh masing-masing gerombol, gerombol dapat dinyatakan sebagai kelompok program studi mempunyai performa baik dan gerombol 3 sebagai kelompok program studi mempunyai performa kurang baik. Karena gerombol mempunyai jarak lebih dekat dengan gerombol dibandingkan gerombol 3, maka gerombol dapat dinyatakan sebagai kelompok program studi mempunyai performa cukup baik. Hasil pengelompokkan program studi ini selanjutnya digunakan sebagai peubah penjelas dalam pemodelan sehingga diketahui tingkat keberhasilan mahasiswa dapat diperoleh pada setiap kelompok program studi. Eksplorasi Data Mahasiswa per Sebelum masuk ke dalam tahap pemodelan perlu dilakukan eksplorasi hubungan peubah penjelas dengan peubah respon untuk melihat indikasi awal pengaruh setiap peubah penjelas terhadap peubah respon. Eksplorasi dilakukan untuk peubah IPK akhir dan masa studi menggunakan box plot, sedangkan untuk peubah keberhasilan studi menggunakan diagram persentase mahasiswa pada setiap kategori keberhasilan studi yaitu lulus dan keluar. Hasil eksplorasi untuk peubah IPK akhir dapat dilihat pada Lampiran 5, peubah masa studi pada Lampiran 6 dan peubah keberhasilan studi pada Lampiran 7. Demi mempermudah interpretasi hasil eksplorasi ini maka nilai peubah numerik disekat menjadi peubah kategorik. IPK asal dikategorikan menjadi empat kategori yaitu:. IPK < IPK < IPK < IPK 3.5 sedangkan peubah usia dikategorikan menjadi tiga kategori yaitu;. Usia 5 tahun. 5 < Usia 35 tahun 3. IPK > 3.5 Data dipakai dalam eksplorasi data mahasiswa per peubah dan pada pemodelan adalah data mahasiswa angkatan 004 sampai 006, karena hanya angkatan ini mempunyai nilai peubah status perguruan tinggi asal. Pengaruh peubah penjelas akan terlihat jelas jika selang penyebaran data pada masing-masing kategorinya berbeda. Perbandingan box plot antar kategori dalam satu peubah penjelas terlihat jelas perbedaannya pada peubah IPK akhir adalah peubah IPK asal, status perguruan tinggi asal dan kelompok program studi. Pada peubah masa studi perbedaanya paling jelas
5 9 hanya IPK asal dan kelompok program studi. Persentase mahasiswa untuk setiap kategori peubah penjelas terhadap keberhasilan studi tidak menunjukkan perbedaan besar hanya peubah status kawin, peubah lainnya cukup terlihat adanya perbedaan. Fenomena terlihat adalah perolehan nilai IPK akhir mahasiswa mempunyai IPK asal kategori ke- mempunyai rentangan nilai IPK akhir lebih tinggi dibanding kategori ke-3 dan mempunyai rentangan nilai masa studi lebih rendah dibanding kategori ke-3. Dengan demikian, mahasiswa dengan IPK asal di bawah.75 mampu mempunyai IPK akhir dan masa studi sama baiknya dengan mempunyai IPK asal di atas Secara umum mahasiswa mempunyai IPK asal tinggi, berasal dari perguruan tinggi BHMN dan memilih program studi kelompok pertama cenderung lulus dengan IPK akhir tinggi dan masa studi normal. Faktor mempengaruhi kelulusan sendiri lebih didominasi oleh mahasiswa berjenis kelamin perempuan, mendapat beasiswa, berasal dari perguruan tinggi BHMN, mempunyai usia di bawah 5 tahun, IPK asal pada selang kategori.75 sampai 3.00 dan memilih program studi pada kelompok pertama. Pemodelan dijadikan indikator untuk mengetahui performa program studi adalah keberhasilan studi, IPK akhir dan masa studi. Pemodelan dilakukan pun mencakup ketiga peubah tersebut sehingga dapat diketahui pengaruh karakteristik mahasiswa terhadap kriteria performa program studi. Model Keberhasilan Studi dengan Regresi Logistik Biner Keberhasilan studi terdiri atas dua kategori yaitu lulus dan keluar. Model dibentuk dengan menyertakan seluruh peubah penjelas mempunyai nilai statistik-g sebesar dengan nilai-p <0.00, sehingga dapat dinyatakan bahwa terdapat peubah penjelas berpengaruh nyata terhadap respon. Berdasarkan hasil uji wald pada Tabel 7 terlihat bahwa peubah penjelas berpengaruh nyata dengan taraf nyata 5% terhadap respon hanya peubah jenis kelamin, sumber biaya, usia dan kelompok program studi. Tabel 7 Koefisien regresi dan hasil uji wald pada model keberhasilan studi Wald Nilai-p Intersep <.000 Jenis Kelamin Status Kawin Sumber Biaya <.000 Usia Usia IPK Asal IPK Asal IPK Asal Status PT Status PT Kelompok PS Kelompok PS Interpretasi untuk setiap kategori peubah penjelas dapat dilihat berdasarkan nilai rasio odd pada Tabel 8. Tabel 8 Rasio odd peubah penjelas pada model keberhasilan studi SK 95% Rasio odd Bawah Atas Jenis Kelamin vs Status Kawin vs Sumber Biaya vs Usia vs Usia vs IPK Asal 4 vs IPK Asal 3 vs IPK Asal vs Status PT vs Status PT vs Kelompok PS vs Kelompok PS vs Berdasarkan nilai rasio odd pada peubah berpengaruh nyata terhadap respon diketahui bahwa mahasiswa perempuan mempunyai kecenderungan lulus.4 kali dibandingkan mahasiswa laki-laki, sedangkan mahasiswa mendapat beasiswa mempunyai kecenderungan lulus kali dibandingkan dengan biaya sendiri. Mahasiswa dengan usia dibawah 5 tahun mempunyai kecenderungan lulus 3.6 kali dan berusia antara 5 sampai 35 tahun memiliki kecenderungan lulus.933 kali, dibandingkan dengan berusia diatas 35 tahun. Mahasiswa pada kelompok program studi ke- memiliki kecenderungan lulus kali dan pada kelompok program studi ke- memiliki kecenderungan lulus 6.5 kali, dibandingkan dengan mahasiswa pada kelompok program studi ke-3.
6 0 Secara umum, kecenderungan seorang mahasiswa lulus akan lebih besar jika berjenis kelamin perempuan, sudah menikah, memperoleh beasiswa, berusia kurang dari 35 tahun, memiliki IPK asal lebih besar dari 3.5, berasal dari perguruan tinggi BHMN dan memilih program studi pada kelompok ke-. Tabel 9 Tabel klasifikasi hasil prediksi pada model keberhasilan studi Prediksi Aktual Total CCR % % Total % Pada Tabel 9 terlihat bahwa total nilai persentase klasifikasi benar (CCR) diperoleh dengan batasan nilai peluang 0.85 adalah 69.06%. Nilai tersebut menunjukkan bahwa tingkat akurasi model dalam memprediksi masih tergolong kurang baik atau belum memuaskan. Hal ini dapat disebabkan oleh kurangnya peubah dipakai untuk menjelaskan respon. Kelulusan dan prestasi mahasiswa sangat didukung oleh pemahaman dan pengalaman mahasiswa pada bidang program studi diambil, indikatornya dapat dilihat dari besarnya nilai mata kuliah S berhubungan dengan mata kuliah program studi dipilih pada S, prestasi mahasiswa pernah diperoleh dan kesesuaian pekerjaan mahasiswa dengan program studi dipilih. Model IPK Akhir dengan Regresi Logistik Biner Respon model regresi logistik adalah kelas IPK akhir yaitu IPK < 3.50 dan IPK Pengkelasan tersebut berdasarkan pertimbangan syarat untuk melanjutkan ke program doktor dengan status biasa, yaitu memperoleh IPK S di atas Model regresi dihasilkan dengan menyertakan seluruh peubah penjelas menghasilkan statistik-g sebesar dengan nilai-p <0.00 atau kurang dari taraf nyata 5%, sehingga dapat dinyatakan bahwa paling tidak ada satu peubah penjelas berpengaruh terhadap respon. Berdasarkan hasil uji wald dengan taraf nyata 5% terlihat pada Tabel 0, diketahui hanya tiga peubah penjelas berpengaruh nyata terhadap respon, yaitu IPK asal, status perguruan tinggi asal dan kelompok program studi. Tabel 0 Koefisien regresi dan hasil uji wald pada model IPK akhir Wald Nilai-p Intersep Jenis Kelamin Status Kawin Sumber Biaya Usia Usia IPK Asal IPK Asal IPK Asal Status PT <.000 Status PT Kelompok PS <.000 Kelompok PS Kecenderungan seorang mahasiswa dengan suatu kategori peubah memperoleh IPK akhir diatas 3.50 dibandingkan dengan memiliki kategori lainnya dapat diketahui melalui nilai rasio odd, terlihat pada Tabel. Tabel Rasio odd peubah penjelas pada model IPK akhir SK 95% Rasio odd Bawah Atas Jenis Kelamin vs Status Kawin vs Sumber Biaya vs Usia vs Usia vs IPK Asal 4 vs IPK Asal 3 vs IPK Asal vs Status PT vs Status PT vs Kelompok PS vs Kelompok PS vs Seperti terlihat dari hasil eksplorasi ternyata hasil pemodelan IPK akhir juga memperlihatkan bahwa mahasiswa dengan IPK asal di bawah.75 mempunyai kecenderungan peluang IPK akhir di atas 3.50 lebih tinggi dibanding IPK asal antara.75 sampai 3.5. Secara umum, nilai rasio odd menunjukkan bahwa peluang mahasiswa mempunyai IPK akhir di atas 3.50 akan lebih besar jika mahasiswa berjenis kelamin lakilaki, sudah menikah, biaya sendiri, mempunyai usia kurang dari 35 tahun, memiliki IPK asal diatas 3.5, berasal dari perguruan tinggi BHMN dan memilih program studi termasuk dalam kelompok ke-.
7 Tabel Tabel klasifikasi hasil prediksi pada model IPK akhir Prediksi Aktual Total CCR % % Total % Pada Tabel terlihat bahwa model IPK akhir dengan batasan nilai peluang sebesar 0.7 mempunyai persentase klasifikasi benar (CCR) sebesar 7.4%. Nilai ini dapat dinyatakan cukup baik walaupun masih belum memuaskan. Model Masa Studi dengan Regresi Cox Kejadian diperhatikan dalam model ini adalah masa studi mahasiswa lulus dalam 36 bulan. Jenis sensor digunakan adalah sensor kanan jenis sensor waktu. Data dipakai adalah data mahasiswa sudah lulus, keluar dan masih aktif. Kelebihan dari regresi cox adalah dapat menggunakan data dengan kejadian sudah terjadi maupun belum terjadi. Hanya saja untuk pengamatan wakti kejadiannya belum diketahui diberikan status tersensor. Masa studi mahasiswa aktif diikutkan dalam model dihitung sampai waktu pengambilan data. Statistik uji dipakai dalam model ini sama dengan dipakai dalam regresi logistik biner. Statistik uji-g dihasilkan sebesar dengan nilai-p sehingga dapat dinyatakan bahwa terdapat peubah penjelas berpengaruh nyata terhadap respon. Berdasarkan hasil uji parsialnya terlihat pada Tabel 3 diketahui bahwa peubah berpengaruh nyata adalah jenis kelamin, sumber biaya, kelompok program studi dipilih dan IPK asal. Tabel 3 Koefisien regresi dan uji wald pada model masa studi Wald Nilai-P Jenis Kelamin Status Kawin Sumber Biaya Status PT Status PT Kelompok PS Kelompok PS IPK Asal IPK Asal IPK Asal Usia Usia Interpretasi untuk setiap kategori peubah penjelas pada model regresi cox menggunakan nilai rasio hazard dapat dilihat pada Tabel 4. Rasio tersebut menunjukkan resiko relatif seorang mahasiswa dengan karakteristik tertentu lulus dengan masa studi 36 bulan dibandingkan mahasiswa dengan karakteristik lainnya. Dengan kata lain, interpretasi dari rasio hazard sama dengan interpretasi rasio odd. Tabel 4 Rasio hazard peubah penjelas pada model masa studi SK 95% Rasio Hazard Bawah Atas Jenis Kelamin vs Status Kawin vs Sumber Biaya vs Usia vs Usia vs IPK Asal 4 vs IPK Asal 3 vs IPK Asal vs Status PT vs Status PT vs Kelompok PS vs Kelompok PS vs Secara umum, nilai rasio hazard menunjukkan bahwa peluang seorang mahasiswa lulus dalam masa studi 36 bulan akan lebih tinggi jika berjenis kelamin perempuan, belum menikah, memperoleh beasiswa, berumur lebih dari 35 tahun, mempunyai IPK asal di atas 3.5, berasal dari perguruan tinggi negeri dan memilih program studi dalam kelompok ke-. Berdasarkan interpretasi setiap kategori peubah dari ketiga model dibentuk diketahui bahwa kecenderungan mahasiswa untuk lulus dengan IPK akhir diatas 3.50 dan masa studi kurang dari 36 bulan lebih besar pada mahasiswa berjenis kelamin perempuan, sudah menikah, mendapat beasiswa, berusia kurang dari 35 tahun, mempunyai IPK asal diatas 3.5, berasal dari perguruan tinggi BHMN dan memilih program studi pada kelompok ke-. Sebaliknya, kecenderungan mahasiswa untuk lulus dengan IPK akhir diatas 3.50 dan masa studi kurang dari 36 bulan lebih kecil pada mahasiswa berjenis kelamin laki-laki, sudah menikah, biaya sendiri, berusia diatas 35 tahun, mempunyai IPK asal antara.75 sampai 3.00, berasal dari perguruan tinggi swasta dan memilih program studi pada kelompok ke-3, yaitu STK dan EPN.
I 1 Ilmu Gizi Masyarakat Dan Sumberdaya Manusia 2 Komunikasi Pembangunan Pertanian dan
LAMPIRAN 4 Lampiran. Daftar program studi yang diteliti Fakultas Kode No Program Studi Kode Fakultas Pertanian A Ilmu Pengolahan Daerah Aliran Sungai DAS Ilmu Tanah TNH Agoronomi AGR 4 Entomologi ENT 5
Lebih terperinciKAJIAN PERFORMA PROGRAM STUDI MAGISTER SEKOLAH PASCASARJANA IPB INDAH PERMATASARI
KAJIAN PERFORMA PROGRAM STUDI MAGISTER SEKOLAH PASCASARJANA IPB INDAH PERMATASARI DEPARTEMEN STATISTIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR BOGOR 9 RINGKASAN INDAH PERMATASARI.
Lebih terperinciIDENTIFIKASI KARAKTERISTIK LULUSAN KELOMPOK PROGRAM STUDI MAGISTER IPB BERDASARKAN KEBERHASILAN STUDI MAHASISWA
Xplore, 2013, Vol 2(1):e5(1-8) c 2013 Departemen Statistika FMIPA IPB IDENTIFIKASI KARAKTERISTIK LULUSAN KELOMPOK PROGRAM STUDI MAGISTER IPB BERDASARKAN KEBERHASILAN STUDI MAHASISWA Yoga Primanda, Anik
Lebih terperinciBiaya Pendidikan Program Magister (S2) Tahun Akademik 2011/2012
No. Biaya Pendidikan Program Magister (S2) Tahun Akademik 2011/2012 SPP Biaya Thesis Fakultas/Departemen/Program Studi Sem. 1 s.d 3 Sem. 4 s.d 6 Sem. 7 s.d 8 Tahap I Tahap II Fakultas Pertanian Departemen
Lebih terperinciIDENTIFIKASI KARAKTERISTIK LULUSAN KELOMPOK PROGRAM STUDI MAGISTER IPB BERDASARKAN KEBERHASILAN STUDI MAHASISWA YOGA PRIMANDA
IDENTIFIKASI KARAKTERISTIK LULUSAN KELOMPOK PROGRAM STUDI MAGISTER IPB BERDASARKAN KEBERHASILAN STUDI MAHASISWA YOGA PRIMANDA DEPARTEMEN STATISTIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN INSTITUT PERTANIAN
Lebih terperinciHASIL. yang berlebihan. kotak garis (box-plot) yaitu, Bersubsidi. untuk KPR Bersubsidi. 2. Membangun. analisis. keseluruhan
4 HASIL DAN PEMBAHASAN Ekplorasi Seluruh Data KPR Bersubsidi Secara kesulurahan persentase macet pada data Kredit Pemilikan Rumah Bersubsidi dalam penelitian ini sebesar 6,05%. Gambar 3 menggambarkan perbandingan
Lebih terperinciHASIL DAN PEMBAHASAN. (a) (b) (c)
5 b. Analisis data daya tahan dengan metode semiparametrik, yaitu menggunakan regresi hazard proporsional. Analisis ini digunakan untuk melihat pengaruh peubah penjelas terhadap peubah respon secara simultan.
Lebih terperinciSALINAN KEPUTUSAN REKTOR INSTITUT PERTANIAN BOGOR Nomor : 159/I3/PP/2010 Tentang PEMBERIAN BANTUAN BIAYA PENDIDIKAN BAGI MAHASISWA PROGRAM PENDIDIKAN
Menimbang Mengingat SALINAN KEPUTUSAN REKTOR INSTITUT PERTANIAN BOGOR Tentang PEMBERIAN BANTUAN BIAYA PENDIDIKAN BAGI MAHASISWA PROGRAM PENDIDIKAN PASCASARJANA REKTOR INSTITUT PERTANIAN BOGOR : a. bahwa
Lebih terperinci4 HASIL DAN PEMBAHASAN
9 4 HASIL DAN PEMBAHASAN Deskripsi Mahasiswa Pascasarjana IPB 2005-2010 Berhenti Studi Pada Tabel 1 terlihat bahwa persentase mahasiswa pascasarjana IPB yang berhenti studi tahun 2005-2010 menurun tetapi
Lebih terperinciHASIL DAN PEMBAHASAN. penelitian ini adalah MS.Excell 2003, Answertree 2.01 dan SPSS for Windows versi Tabel 1. Karakteristik debitur
Software yang digunakan dalam penelitian ini adalah MS.Excell 2003, Answertree 2.01 dan SPSS for Windows versi 15.0. HASIL DAN PEMBAHASAN Gambaran Umum Karakteristik Debitur Banyaknya debitur kredit konsumtif
Lebih terperinciSALINAN KEPUTUSAN REKTOR INSTITUT PERTANIAN BOGOR Nomor : 235/IT3/DT/2012 Tentang PROGRAM STUDI (MAYOR) PENDIDIKAN PASCASARJANA INSTITUT PERTANIAN
SALINAN KEPUTUSAN REKTOR INSTITUT PERTANIAN BOGOR Nomor : 235/IT3/DT/2012 Tentang PROGRAM STUDI (MAYOR) PENDIDIKAN PASCASARJANA INSTITUT PERTANIAN BOGOR REKTOR INSTITUT PERTANIAN BOGOR Menimbang : a. bahwa
Lebih terperinciIII. METODOLOGI PENELITIAN
22 III. METODOLOGI PENELITIAN 2.5. Data Penelitian Data dalam penelitian ini menggunakan data sekunder yang diperoleh dari bagian Akademis POLBAN serta data pendukung yang merupakan data primer (persepsi)
Lebih terperinci2 Telepon tetap 0 (1) X 3 Kepemilikan. 1 Memiliki telepon 1 telepon Tidak memiliki 2 telepon (1) (2) (3) (4) X 4 Uang muka (%) 1 <
L A M P I R A N Lampiran Peubah-peubah penjelas yang digunakan beserta peubah boneka yang dibentuk Peubah Kategori Keterangan Peubah Boneka () () () X Tipe motor Bebek kelas bawah Bebek kelas atas Motor
Lebih terperinci4. HASIL DAN PEMBAHASAN
19 4. HASIL DAN PEMBAHASAN 4.1 Deskripsi Pasien ART Rendahnya imunitas dan beratnya keadaan klinis pasien saat memulai ART mempengaruhi lamanya proses perbaikan imunologis maupun klinis pasien. Tabel 2
Lebih terperinciMetode Statistika STK211/ 3(2-3)
Metode Statistika STK211/ 3(2-3) Pertemuan II Statistika Deskripsi dan Eksplorasi Septian Rahardiantoro - STK IPB 1 Misalkan diketahui data sebagai berikut Data 1 No Jenis Kelamin Tinggi Berat Agama 1
Lebih terperinciPEMODELAN DENGAN REGRESI LOGISTIK. Secara umum, kedua hasil dilambangkan dengan (sukses) dan (gagal)
PEMODELAN DENGAN REGRESI LOGISTIK 1. Data Biner Data biner merupakan data yang hanya memiliki dua kemungkinan hasil. Secara umum, kedua hasil dilambangkan dengan (sukses) dan (gagal) dengan peluang masing-masing
Lebih terperinciKelas 2. Kelas 1 Mahasiswa. Mahasiswa. Gambar 1 Struktur data kelompok dalam pengukuran berulang pada data Metode Statistika
4 Kelas 2 Kelas 1 N3 N4 N3 N4 Gambar 1 Struktur data kelompok dalam pengukuran berulang pada data Metode Statistika BAHAN DAN METODE Bahan Data yang digunakan adalah data nilai capaian mahasiswa dalam
Lebih terperinciMetode Statistika STK211/ 3(2-3)
Metode Statistika STK211/ 3(2-3) Pertemuan II Statistika Deskripsi dan Eksplorasi Septian Rahardiantoro - STK IPB 1 Misalkan diketahui data sebagai berikut Data 1 No Jenis Kelamin Tinggi Berat Agama 1
Lebih terperinciPREDIKSI KEBERHASILAN MAHASISWA PROGRAM MAGISTER SAINS IPB MENGGUNAKAN METODE POHON REGRESI DATA LENGKAP DAN DATA TERSENSOR SUCI KHARISMA LARASATI
PREDIKSI KEBERHASILAN MAHASISWA PROGRAM MAGISTER SAINS IPB MENGGUNAKAN METODE POHON REGRESI DATA LENGKAP DAN DATA TERSENSOR SUCI KHARISMA LARASATI DEPARTEMEN STATISTIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN
Lebih terperinciHASIL DAN PEMBAHASAN
HASIL DAN PEMBAHASAN Karakteristik Siswa Gambar 1 memperlihatkan Karakteristik siswa SMA Negeri Ulu Siau berdasarkan jurusan. Berdasarkan Gambar 1 umumya siswa lebih memilih jurusan IPA daripada jurusan
Lebih terperinciHASIL DAN PEMBAHASAN
HASIL DAN PEMBAHASAN Eksplorasi Data Diagram kotak garis (boxplot) merupakan salah satu teknik untuk memberikan gambaran tentang lokasi pemusatan data, rentangan penyebaran, dan kemiringan pola sebaran.
Lebih terperinciHASIL DAN PEMBAHASAN Deskripsi Karakteristik Responden Berdasarkan Peubah Penjelas
19 HASIL DAN PEMBAHASAN Deskripsi Karakteristik Responden Berdasarkan Peubah Penjelas Hasil analisis mengenai persentase responden berdasarkan peubah-peubah penjelas ditunjukkan pada Gambar 2. Usia responden
Lebih terperinciBAB III PEMBAHASAN. extended untuk mengatasi nonproportional hazard dan penerapannya pada kasus
BAB III PEMBAHASAN BAB III PEMBAHASAN Pada Bab III ini akan dibahas tentang prosedur pembentukan model Cox extended untuk mengatasi nonproportional hazard dan penerapannya pada kasus kejadian bersama yaitu
Lebih terperinciPEMODELAN REGRESI TIGA LEVEL PADA DATA PENGAMATAN BERULANG. Indahwati, Yenni Angraeni, Tri Wuri Sastuti
S-25 PEMODELAN REGRESI TIGA LEVEL PADA DATA PENGAMATAN BERULANG Indahwati, Yenni Angraeni, Tri Wuri Sastuti Departemen Statistika FMIPA IPB Email : Indah_stk@yahoo.com Abstrak Pemodelan multilevel adalah
Lebih terperinciBAHAN DAN METODE HASIL DAN PEMBAHASAN
5 Jika hipotesis nol benar, maka statistik uji-w akan menyebar mengikuti sebaran normal baku. Hipotesis nol ditolak jika W > Z α/2 (Hosmer & Lemeshow 1989). Interpretasi koefisien untuk model regresi logistik
Lebih terperinciRMSE = dimana : y = nilai observasi ke-i V PEMBAHASAN. = Jenis kelamin responden (GENDER) X. = Pendidikan responden (EDU) X
pembilang persamaan (3) adalah rataan jumlah kuadrat galat, N jumlah pengamatan dan M jumlah himpunan bagian. Penyebutnya merupakan fungsi nilai kompleks, dengan C(M) adalah nilai kompleksitas model yang
Lebih terperinciHASIL DAN PEMBAHASAN
HASIL DAN PEMBAHASAN Hasil Eksplorasi Data Diagram kotak garis merupakan salah satu teknik untuk memberikan gambaran tentang lokasi pemusatan data, rentangan penyebaran, dan kemiringan pola sebaran. Gambaran
Lebih terperinciSEMINAR NASIONAL MATEMATIKA DAN PENDIDIKAN MATEMATIKA UNY 2016
SEMINAR NASIONAL MATEMATIKA DAN PENDIDIKAN MATEMATIKA UNY 2016 Aplikasi Regresi Logistik Biner untuk Menganalisis Faktor Faktor yang Mempengaruhi Waktu Kelulusan Mahasiswa (Studi Kasus Mahasiswa Bidik
Lebih terperincidapat diidentifikasi karakteristiknya sebanyak 604 orang. Dari 604 mahasiswa tersebut
5 HSIL DN PEMHSN Deskripsi Mata ahasa Inggris Pada setiap awal semester I mahasiswa baru Sekolah Pascasarjana IP (SPs-IP) diwajibkan mengikuti ujian awal untuk menentukan status kemampuan bahasa inggrisnya.
Lebih terperinciMetode Statistika (STK211)
Ilustrasi Quiz: Apa Jenis Data Kita? (coret yang salah) Survei Kemampuan Bayar Pelanggan Listrik (studi kasus Kelurahan Sukamakmur). Mengetahui gambaran kemampuan bayar pelanggan listrik masyarakat. Menentukan
Lebih terperinci4 HASIL DA PEMBAHASA
4 HASIL DA PEMBAHASA 4.1 Pengumpulan Data Pada proses pengumpulan data, diperoleh data awal berjumlah 5883 mahasiswa non aktif Program Studi Matematika FMIPA-UT dengan 33 atribut kategori dan numerik.
Lebih terperinciOthers Institution Credit Job Code
4. Residence status (status kepemilikan rumah) yang dinotasikan dengan RS. Peubah ini dibagi menjadi enam kelompok. 5. Job code (kode pekerjaan) yang dinotasikan dengan JC. Peubah ini dibagi menjadi lima
Lebih terperinciPOHON KLASIFIKASI DAN POHON REGRESI KEBERHASILAN MAHASISWA PASCASARJANA PROGRAM STUDI STATISTIKA IPB
Forum Statistika dan Komputasi, April 2005, p: 15 21 ISSN : 08538115 Vol. 10 No. 1 POHON KLASIFIKASI DAN POHON REGRESI KEBERHASILAN MAHASISWA PASCASARJANA PROGRAM STUDI STATISTIKA IPB Ida Mariati H. 1),
Lebih terperinciIDENTIFIKASI FAKTOR-FAKTOR YANG MEMPENGARUHI MAHASISWA PASCASARJANA IPB BERHENTI STUDI MENGGUNAKAN ANALISIS CHAID DAN REGRESI LOGISTIK
IDENTIFIKASI FAKTOR-FAKTOR YANG MEMPENGARUHI MAHASISWA PASCASARJANA IPB BERHENTI STUDI MENGGUNAKAN ANALISIS CHAID DAN REGRESI LOGISTIK Mohamad Jajuli Teknik Informatika, Fakultas Ilmu Komputer, Universitas
Lebih terperinciPENERAPAN REGRESI LOGISTIK ORDINAL MULTILEVEL TERHADAP NILAI AKHIR METODE STATISTIKA FMIPA IPB IIN MAENA
PENERAPAN REGRESI LOGISTIK ORDINAL MULTILEVEL TERHADAP NILAI AKHIR METODE STATISTIKA FMIPA IPB IIN MAENA DEPARTEMEN STATISTIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR BOGOR
Lebih terperinciHASIL DAN PEMBAHASAN
HASIL DAN PEMBAHASAN Implementasi Biplot Kanonik dan Analisis Procrustes dengan Mathematica Biplot biasa dengan sistem perintah telah terintegrasi ke dalam beberapa program paket statistika seperti SAS,
Lebih terperinciHASIL DAN PEMBAHASAN
3 HASIL DAN PEMBAHASAN Analisis Dekriptif Analisis deskripsi merupakan teknik eksplorasi data untuk melihat pola data secara umum. Dari data TIMSS 7 rata-rata capaian matematika siswa Indonesia sebesar
Lebih terperinciKLASIFIKASI DAN KAJIAN PERFORMA NASABAH USAHA EKONOMI DESA SIMPAN PINJAM (UED-SP) DESA PISANG BEREBUS ABRAR SETIAWAN
KLASIFIKASI DAN KAJIAN PERFORMA NASABAH USAHA EKONOMI DESA SIMPAN PINJAM (UED-SP) DESA PISANG BEREBUS ABRAR SETIAWAN DEPARTEMEN STATISTIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN
Lebih terperinciSTK 211 Metode statistika. Materi 2 Statistika Deskriptif
STK 211 Metode statistika Materi 2 Statistika Deskriptif 1 Statistika Deskriptif Merupakan teknik penyajian dan peringkasan data sehingga menjadi informasi yang mudah dipahami Penyajian data dapat dilakukan
Lebih terperinciIDENTIFIKASI KARAKTERISTIK ANAK PUTUS SEKOLAH DI JAWA BARAT DENGAN REGRESI LOGISTIK
IDENTIFIKASI KARAKTERISTIK ANAK PUTUS SEKOLAH DI JAWA BARAT DENGAN REGRESI LOGISTIK Tina Aris Perhati 1, Indahwati 2, Budi Susetyo 3 1 Dept. of Statistics, Bogor Agricultural University (IPB), Indonesia,
Lebih terperinciHASIL DAN PEMBAHASAN. Data
Transformasi data, mengubah data ke bentuk yang dapat di-mine sesuai dengan perangkat lunak yang digunakan pada penelitian. Penentuan Data Latih dan Data Uji Dalam penelitian ini data terdapat dua metode
Lebih terperinciPANDUAN PENDAFTARAN BEASISWA PENDIDIKAN PASCASARJANA (BPPS)
PANDUAN PENDAFTARAN BEASISWA PENDIDIKAN PASCASARJANA (BPPS) Pendaftaran Beasiswa Pendidikan Pascasarjana (BPPS) Direktorat Jenderal Pendidikan Tinggi dilakukan secara on-line oleh pelawan itu sendiri.
Lebih terperinciAda 3 tiga variabel yang diteliti yaitu minat (X 1 ), dan motivasi. deskripsinya, ketiga variabel dapat dinyatakan secara kategorik.
digilib.uns.ac.id 41 A. Deskripsi Variabel Penelitian Ada 3 tiga variabel yang diteliti yaitu minat (X 1 ), dan motivasi menjadi bidan (X 2 ), serta prestasi belajar (Y). Ketiga variabel tersebut dinyatakan
Lebih terperinciANALISIS KEBERHASILAN STUDI MAHASISWA PROGRAM MAGISTER SEKOLAH PASCASARJANA IPB SITI KHOIRIYAH
ANALISIS KEBERHASILAN STUDI MAHASISWA PROGRAM MAGISTER SEKOLAH PASCASARJANA IPB SITI KHOIRIYAH DEPARTEMEN STATISTIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN INSTITUT PERTANIAN BOGOR BOGOR 2014 PERNYATAAN
Lebih terperinciPEMILIHAN MODEL REGRESI LINIER MULTILEVEL TERBAIK (Choice the Best Linear Regression Multilevel Models)
, Oktober 2009 p : 1-7 ISSN : 0853-8115 Vol 14 No.2 PEMILIHAN MODEL REGRESI LINIER MULTILEVEL TERBAIK Bertho Tantular 1, Aunuddin 2, Hari Wijayanto 2 1 Jurusan Statistika FMIPA Universitas Padjadjaran
Lebih terperinciJurnal Informatika Mulawarman Vol. 12, No. 1, Februari ISSN
Jurnal Informatika Mulawarman Vol. 12, No. 1, Februari 2017 50 APLIKASI KLASIFIKASI ALGORITMA C4.5 (STUDI KASUS MASA STUDI MAHASISWA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM UNIVERSITAS MULAWARMAN
Lebih terperinciPERMOHONAN MENDAFTAR PADA SEKOLAH PASCASARJANA (Harap diisi dengan huruf cetak) 1. Nama :...
Formulir A PERMOHONAN MENDAFTAR PADA (Harap diisi dengan huruf cetak) 1. Nama :... Tempat lahir :...... Tanggal lahir : Kewarganegaraan : Indonesia Asing Jenis kelamin : Laki-laki Perempuan Status perkawinan
Lebih terperinci3 HASIL DAN PEMBAHASAN
10 3 HASIL DAN PEMBAHASAN Gambaran Umum Tempat Penelitian Kampus STAKPN Tarutung berada di Kecamatan Tarutung Kabupaten Tapanuli Utara Propinsi Sumatera Utara yang berdiri sejak tahun 1999. STAKPN Tarutung
Lebih terperinciADE (Analisis Data Eksplorasi)
3 3 DATA BERPASANGAN & PERSAMAAN GARIS LURUS 1. GARIS RESISTEN 2. PROSES ITERASI DALAM GARIS RESISTEN D10F-3003 / 4 (3-1) SKS ADE (Analisis Data Eksplorasi) Tim Teaching ADE DATA BERPASANGAN & PERSAMAAN
Lebih terperinciAPLIKASI REGRESI DUA LEVEL TERHADAP NILAI AKHIR METODE STATISTIKA. Indahwati, Dian Kusumaningrum, Wiwid Widiyani
S-4 APLIKASI REGRESI DUA LEVEL TERHADAP NILAI AKHIR METODE STATISTIKA Indahwati, Dian Kusumaningrum, Wiwid Widiyani Departemen Statistika FMIPA IPB Email : Indah_stk@yahoo.com Abstrak Metode Statistika
Lebih terperinciSTK 211 Metode statistika. Agus Mohamad Soleh
STK 211 Metode statistika Merupakan teknik penyajian dan peringkasan data sehingga menjadi informasi yang mudah dipahami Apa yang disajikan dan diringkas? --> PEUBAH Univariate vs Bivariate vs Multivariate
Lebih terperinciMemodelkan regresi logistik biner data set hasil sampel bootstrap B.
B O O T S T R A P A G G R E G A T I N G 1 2 3 4 5 6 7 Tinjauan Pustaka Algoritma Bagging Regresi Logistik Biner Mengambil sampel bootstrap sebanyak n dari data set dengan pengulangan sebanyak n. Pengambilan
Lebih terperinciPemodelan Regresi Probit Ordinal Pada Kasus Penentuan Predikat Kelulusan Mahasiswa FMIPA Universitas Mulawarman Tahun 2014
Prosiding Seminar Sains dan Teknologi FMIPA Unmul Pemodelan Regresi Probit Ordinal Pada Kasus Penentuan Predikat Kelulusan Mahasiswa FMIPA Universitas Mulawarman Tahun 2014 Dewi Andriani 1, Sri Wahyuningsih
Lebih terperinciBAB IV ANALISIS DATA DAN PEMBAHASAN. mahasiswa. Setiap responden mempunyai karakteristik yang berbeda. Oleh
43 BAB IV ANALISIS DATA DAN PEMBAHASAN A. Deskripsi Data Jumlah responden yang diambil dalam penelitian ini ada sebanyak 72 mahasiswa. Setiap responden mempunyai karakteristik yang berbeda. Oleh karena
Lebih terperinci4. HASIL DAN PEMBAHASAN
16 4. HASIL DAN PEMBAHASAN Hasil uji validitas dan reliabilitas dari kuesioner pada lampiran 1 menunjukkan bahwa kuesioner tersebut valid dan realibel. Kuesioner di katakan valid jika nilai Alpha Cronbach
Lebih terperinciLedhyane Ika Harlyan Jurusan Pemanfaatan Sumberdaya Perikanan & Kelautan Universitas Brawijaya 2013
UKURAN STATISTIK BAGI DATA Ledhyane Ika Harlyan Jurusan Pemanfaatan Sumberdaya Perikanan & Kelautan Universitas Brawijaya 2013 Konten Definisi: -Data dan Jenis Data -Parameter dan Statistik -Ukuran Statistik
Lebih terperinciBAB 4 HASIL DAN PEMBAHASAN. mahasiswa lulusan yang berasal dari School of Computer Science BINUS. datanya adalah seperti yang tertera pada Tabel 4.1.
BAB 4 HASIL DAN PEMBAHASAN 4.1 Hasil Analisis Data dan Pembahasan Jumlah keseluruhan data yang peneliti peroleh adalah sebanyak 718 data mahasiswa lulusan yang berasal dari School of Computer Science BINUS
Lebih terperinciSTATISTIKA DASAR MAF Dosen: Dr. Lutfi Rohman Wenny Maulina, M.Si
STATISTIKA DASAR MAF 1212 Dosen: Dr. Lutfi Rohman Wenny Maulina, M.Si Pokok Bahasan Pokok Bahasan KONTRAK PERKULIAHAN UTS 35% UAS 35% TUGAS/QUIZ 20% KEHADIRAN 10% REFERENSI: Walpole, Ronald E. 2011. Probability
Lebih terperinciKAJIAN KEBERHASILAN STUDI MAHASISWA PROGRAM DOKTOR MANAJEMEN BISNIS SEKOLAH PASCASARJANA IPB FAHMY ANDRIYAN NUGRAHA
KAJIAN KEBERHASILAN STUDI MAHASISWA PROGRAM DOKTOR MANAJEMEN BISNIS SEKOLAH PASCASARJANA IPB FAHMY ANDRIYAN NUGRAHA DEPARTEMEN STATISTIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN
Lebih terperinciIDENTIFIKASI FAKTOR-FAKTOR YANG BERHUBUNGAN DENGAN MAHASISWA PUTUS KULIAH DI IPB ANGKATAN 2008 MENGGUNAKAN ANALISIS SURVIVAL
Xplore, 2013, Vol. 2(1):e1(1-6) c 2013 Departemen Statistika FMIPA IPB IDENTIFIKASI FAKTOR-FAKTOR YANG BERHUBUNGAN DENGAN MAHASISWA PUTUS KULIAH DI IPB ANGKATAN 2008 MENGGUNAKAN ANALISIS SURVIVAL Fadjrian
Lebih terperinciBAB V PEMBAHASAN. Data dikumpulkan dari 239 alumni Prodi Statistika FMIPA UII, sebagai
32 BAB V PEMBAHASAN Klasifikasi lama penyeesaian skripsi Prodi Statistika FMIPA UII akan digunakan sebagai contoh penerapan I-CHAID dalam klasifikasi. Data alumni diambil dari Bagian Akademik FMIPA UII
Lebih terperinciTINJAUAN PUSTAKA Perilaku konsumen
TINJAUAN PUSTAKA Perilaku konsumen Perilaku konsumen adalah semua kegiatan, tindakan serta proses psikologis yang mendorong tindakan tersebut pada saat sebelum membeli, ketika membeli, menggunakan, menghabiskan
Lebih terperinciSTUDI PENENTUAN FAKTOR-FAKTOR PENGARUH TINGKAT KECENDERUNGAN RENOVASI RUMAH DI PERUMAHAN DENGAN MENGGUNAKAN ANALISIS SURVIVAL
STUDI PENENTUAN FAKTOR-FAKTOR PENGARUH TINGKAT KECENDERUNGAN RENOVASI RUMAH DI PERUMAHAN DENGAN MENGGUNAKAN ANALISIS SURVIVAL Fenty Fahminnansih, Retno Indryani, Nur Iriawan Bidang Keahlian Manajemen Proyek
Lebih terperinciHubungan Indeks Prestasi Kumulatif (IPK) dengan Nilai Ujian Akhir Nasional (UAN): Studi Kasus di FMIPA Unsyiah
Statistika, Vol. 15 No. 1, 17 23 Mei 2015 Hubungan Indeks Prestasi Kumulatif (IPK) dengan Nilai Ujian Akhir Nasional (UAN): Studi Kasus di FMIPA Unsyiah Ridha Ferdhiana, 1,2, Ira Julita 1, Asep rusyana
Lebih terperinciANALISIS STATISTIKA. Pertemuan 2 Statistika Dasar (Basic Statistics)
ANALISIS STATISTIKA Pertemuan Statistika Dasar (Basic Statistics) Statistika Deskripsi dan Eksplorasi Merupakan teknik penyajian dan peringkasan data sehingga menjadi informasi yang mudah dipahami. Tehnik
Lebih terperinciStatistika Deskriptif
Statistika Deskriptif Materi 2 - STK511 AnalisisStatistika September 26, 2017 Sep, 2017 1 Merupakan teknik penyajian dan peringkasan data sehingga menjadi informasi yang mudah dipahami Apa yang disajikan
Lebih terperincidimana: n1= jumlah sampel dalam tiap kecamatan
IV METODE PENELITIAN 4.1 Lokasi dan Waktu Penelitian Penelitian ini dilakukan di wilayah Kota Bogor. Pemilihan lokasi dilakukan secara sengaja (purposive) dengan pertimbangan Kota Bogor merupakan kota
Lebih terperinci10 Departemen Statistika FMIPA IPB
Suplemen Responsi Pertemuan ANALISIS DATA KATEGORIK (STK35) 0 Departemen Statistika FMIPA IPB Pokok Bahasan Sub Pokok Bahasan Referensi Waktu Tabel Kontingensi Struktur peluang tabel kontingensi Perbandingan
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Latar Belakang Menurut Kamus Besar Bahasa Indonesia, Kesejahteraan adalah hal atau keadaan sejahtera, keamanan, keselamatan, ketentraman. Dalam istilah umum, sejahtera menunjuk ke
Lebih terperinciHASIL DAN PEMBAHASAN Karakteristik Sosiodemografi Responden
HASIL DAN PEMBAHASAN Pengumpulan data lapangan dilakukan pada tanggal 19- Mei 12dan tanggal 26-27 Mei 12 serentak di empat wilayah DKI. Responden secara keseluruhan ditargetkan sebanyak orang. Beberapa
Lebih terperinciMA2081 Statistika Dasar
Catatan Kuliah MA2081 Statistika Dasar Orang Cerdas Belajar Statistika Dosen: Khreshna I.A. Syuhada, MSc. PhD. Kelompok Keilmuan Statistika - FMIPA Institut Teknologi Bandung 2015 1 Tentang MAK6281 Topik
Lebih terperinciSTATISTIKA DESKRIPTIF. Wenny Maulina, S.Si., M.Si
STATISTIKA DESKRIPTIF Wenny Maulina, S.Si., M.Si Statistika Deskripsi Merupakan teknik penyajian dan peringkasan data sehingga menjadi informasi yang mudah dipahami. Teknik Penyajian Data Tabel Gambar
Lebih terperinciSTUDI PENENTUAN FAKTOR-FAKTOR PENGARUH TINGKAT KECENDERUNGAN RENOVASI RUMAH DI PERUMAHAN DENGAN MENGGUNAKAN ANALISIS SURVIVAL
STUDI PENENTUAN FAKTOR-FAKTOR PENGARUH TINGKAT KECENDERUNGAN RENOVASI RUMAH DI PERUMAHAN DENGAN MENGGUNAKAN ANALISIS SURVIVAL Fenty Fahminnansih, Retno Indryani, Nur Iriawan Jurusan Manajemen Proyek Program
Lebih terperinciBAB IV HASIL DAN PEMBAHASAN. mendapatkan model dan faktor-faktornya, terlebih dahulu akan dibahas. bagaimana mendapatkan sampel dalam penelitian ini.
BAB IV HASIL DAN PEMBAHASAN Pada bab ini akan dijelaskan hasil dari penelitian yang meliputi model terbaik dari indeks prestasi kumulatif mahasiswa dan faktor-faktor apa saja yang berpengaruh terhadap
Lebih terperinciMetode Statistika STK211/ 3(2-3)
Metode Statistika STK211/ 3(2-3) Pertemuan III Statistika Deskripsi dan Eksplorasi (2) Septian Rahardiantoro - STK IPB 1 Misalkan diketahui data sebagai berikut Data 1 No Jenis Kelamin Tinggi Berat Agama
Lebih terperinciAnalisis Log Linier. Uji K-Way: efek interaksi order ketiga tidak terdapat dalam model
Statistika Deskriptif Hubungan Variabel Analisis Log Linier Uji K-Way: efek interaksi order ketiga tidak terdapat dalam model Uji Asosiasi Parsial: ada hubungan antara lama kelulusan dengan asal instansi
Lebih terperinciVI. FAKTOR-FAKTOR YANG MEMPENGARUHI PERSEPSI DAN SIKAP RESPONDEN TERHADAP PRODUK OREO SETELAH ADANYA ISU MELAMIN
VI. FAKTOR-FAKTOR YANG MEMPENGARUHI PERSEPSI DAN SIKAP RESPONDEN TERHADAP PRODUK OREO SETELAH ADANYA ISU MELAMIN Penelitian ini menggunakan regresi logistik untuk mengetahui faktorfaktor yang mempengaruhi
Lebih terperinciPEMODELAN RISIKO KREDIT PEMILIKAN RUMAH BERSUBSIDI (KPR BERSUBSIDI) DENGAN ANALISIS REGRESI LOGISTIK BINER YULIA TRIWIJIWATI
i PEMODELAN RISIKO KREDIT PEMILIKAN RUMAH BERSUBSIDI (KPR BERSUBSIDI) DENGAN ANALISIS REGRESI LOGISTIK BINER YULIA TRIWIJIWATI DEPARTEMEN STATISTIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT
Lebih terperinciTINJAUAN PUSTAKA Kredit
TINJAUAN PUSTAKA Kredit Kredit adalah kemampuan untuk melaksanakan suatu pemberian atau mengadakan suatu pinjaman dengan suatu janji pembayarannya akan dilakukan pada suatu jangka waktu yang disepakati.
Lebih terperinciANALISIS REGRESI LOGISTIK ORDINAL PADA FAKTOR-FAKTOR BERPENGARUH TERHADAP PENYAKIT MATA KATARAK BAGI PASIEN PENDERITA DI KLINIK MATA UTAMA GRESIK
LAPORAN TUGAS AKHIR ANALISIS REGRESI LOGISTIK ORDINAL PADA FAKTOR-FAKTOR BERPENGARUH TERHADAP PENYAKIT MATA KATARAK BAGI PASIEN PENDERITA DI KLINIK MATA UTAMA GRESIK Latar Belakang Katarak Indonesia Klinik
Lebih terperinciBAB IV HASIL DAN PEMBAHASAN
7 BAB IV HASIL DAN PEMBAHASAN Metode yang digunakan untuk menganalisis keberlanjutan studi dalam wajib belajar 6 tahun (SD/MI) adalah metode Life Table, Kaplan-Meier, dan hazard proporsional Cox. 4.1 Metode
Lebih terperinciBAB IV HASIL PENELITIAN DAN PEMBAHASAN
Bab IV Hasil Penelitian dan Pembahasan 54 BAB IV HASIL PENELITIAN DAN PEMBAHASAN 4.1 Uji Validitas Untuk mengetahui tingkat validitas dari setiap pernyataan dalam kuisioner, digunakan rumus korelasi product
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Latar Belakang Seiring dengan kemajuan ilmu pengetahuan dan teknologi mendorong masyarakat untuk semakin memperlihatkan derajat kesehatan demi peningkatan kualitas hidup yang lebih
Lebih terperinciBAB 4 HASIL DAN PEMBAHASAN. Pada penelitian ini menggunakan sampel berjumlah 83 yaitu mahasiswa
BAB 4 HASIL DAN PEMBAHASAN 4.1 Deskripsi Sampel Penelitian Pada penelitian ini menggunakan sampel berjumlah 83 yaitu mahasiswa Psikologi Bina Nusantara angkatan 2015. Setelah peneliti melakukan penyebaran
Lebih terperinciBAB IV HASIL DAN PEMBAHASAN. berupa hasil perhitungan statistik yang datanya diperoleh dari responden. Hasil
49 BAB IV HASIL DAN PEMBAHASAN A. Deskripsi Hasil Penelitian Dalam bab ini dibahas mengenai hasil penelitian yang dilaksanakan, yaitu berupa hasil perhitungan statistik yang datanya diperoleh dari responden.
Lebih terperincidi masa yang akan datang dilihat dari aspek demografi dan kepuasannya. PENDAHULUAN
1 PENDAHULUAN Latar Belakang Saat ini ada dua teknologi yang diusung oleh perusahaan-perusahaan telekomunikasi Indonesia yaitu teknologi Global System for Mobile communication (GSM) dan teknologi Code
Lebih terperinciBAB 4 METODOLOGI PENELITIAN
BAB 4 METODOLOGI PENELITIAN 4.1 Desain Penelitian Penelitian ini merupakan penelitian yang menganalisis data sekunder dari hasil Survei Demografi Kesehatan Indonesia ( SDKI) tahun 2007, dengan menggunakan
Lebih terperinci5. ANALISIS HASIL DAN INTERPRETASI DATA
33 5. ANALISIS HASIL DAN INTERPRETASI DATA 5.1. Gambaran Responden Untuk mendapatkan gambaran subyek, dilakukan penghitungan distribusi frekuensi berdasarkan data responden yang terdapat pada bagian akhir
Lebih terperinciResume Regresi Linear dan Korelasi
Rendy Dwi Ardiansyah Putra 7410040018 / 2 D4 IT A Statistika Resume Regresi Linear dan Korelasi 1. Regresi Linear Regresi linear merupakan suatu metode analisis statistik yang mempelajari pola hubungan
Lebih terperinciPENGARUH NILAI UJIAN NASIONAL FISIKA DAN KIMIA TERHADAP HASIL NILAI UJIAN NASIONAL MATEMATIKA SISWA KELAS AKSELERASI IPA DI SMAN 3 BANDUNG
PENGARUH NILAI UJIAN NASIONAL FISIKA DAN KIMIA TERHADAP HASIL NILAI UJIAN NASIONAL MATEMATIKA SISWA KELAS AKSELERASI IPA DI SMAN 3 BANDUNG 1. Pendahuluan Latar Belakang Ujian Nasional biasa disingkat UN
Lebih terperinciANALISIS STATUS KREDIT MIKRO DENGAN REGRESI LOGISTIK TJIPTO AJI SUDARSO
ANALISIS STATUS KREDIT MIKRO DENGAN REGRESI LOGISTIK TJIPTO AJI SUDARSO DEPARTEMEN STATISTIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR 2008 RINGKASAN TJIPTO AJI SUDARSO. Analisis
Lebih terperinciPENERAPAN METODE CHAID DAN REGRESI LOGISTIK DALAM ANALISIS SEGMENTASI PASAR KONSUMEN AQUA DIMAS FAJAR AIRLANGGA
PENERAPAN METODE CHAID DAN REGRESI LOGISTIK DALAM ANALISIS SEGMENTASI PASAR KONSUMEN AQUA DIMAS FAJAR AIRLANGGA DEPARTEMEN STATISTIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR
Lebih terperinciBAB IV ANALISIS DAN BAHASAN
4.1 Analisis BAB IV ANALISIS DAN BAHASAN 4.1.1 Karakteristik Demografi Online Investor Analisis karakteristik responden digunakan untuk memperoleh gambaran sampel dalam penelitian ini. Data yang menggambarkan
Lebih terperinciBAB 2 LANDASAN TEORI. 2.1 Analisis Survival
BAB 2 LANDASAN TEORI Pada bab ini akan dipaparkan teori-teori yang menjadi dasar dan landasan dalam penelitian sehingga membantu mempermudah pembahasan bab selanjutnya dan pembahasan utama dalam penelitian
Lebih terperinciBAB IV HASIL DAN ANALISIS
51 BAB IV HASIL DAN ANALISIS 4.1 Deskripsi Data Penelitian 4.1.1 Profil Obyek Penelitian Obyek penelitian dalam penelitian ini adalah Pasar Sleman. Pasar Sleman merupakan pasar terbesar di Kecamatan Sleman.
Lebih terperinciBAB V HASIL DAN PEMBAHASAN
BAB V HASIL DAN PEMBAHASAN.1. Karakteristik Data Pengamatan karakteristik tegakan hutan seumur puspa dilakukan pada dua plot di Hutan Pendidikan Gunung Walat dengan luas masing-masing plot berukuran 1
Lebih terperinciHASIL DAN PEMBAHASAN
18 HASIL DAN PEMBAHASAN Deskripsi Karakteristik Responden Pra Pemilu 2009 Karakteristik responden berdasarkan peubah demografi yang diamati terdapat pada Gambar 3 sampai Gambar 6. Pada Gambar 3 dapat diketahui
Lebih terperinci4 HASIL DAN PEMBAHASAN
16 4 HASIL DAN PEMBAHASAN Pada bab ini dibahas mengenai kajian simulasi dan kajian terapan. Simulasi dilakukan untuk mengevaluasi penduga yang diperoleh dengan menggunakan metode pendugaan klasik dan metode
Lebih terperinciHASIL DAN PEMBAHASAN. Analisis data menggunakan software SPSS 11.5 for windows, Microsoft Excel, dan SAS 9.1. Profil Responden
disusun ke dalam bentuk kartu stimuli, diantara tiap kartu berisi kombinasi dari taraftaraf atribut yang berbeda dengan kartu-kartu lainnya (Lampiran 4). 3. Pengumpulan data melalui penyebaran kuesioner.
Lebih terperinciPersyaratan Pendaftaran Magister Sains kelas khusus dan Magister Profesional, serta Program Doktor Kelas Khusus.
Persyaratan Pendaftaran Magister Sains kelas khusus dan Magister Profesional, serta Program Doktor Kelas Khusus. 1. Mengisi formulir pendaftaran yang disediakan SPs-IPB (Formulir A), 2. Mengisi Formulir
Lebih terperinci