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 UNIVERSITY. Dari 718 mahasiswa yang lulus pada tahun 2011 tersebut, seluruhnya akan peneliti gunakan di dalam penelitian ini. Adapun bentuk datanya adalah seperti yang tertera pada Tabel 4.1.
Tabel 4.1 Data Mahasiswa Lulusan
No.
Jenis Kelamin
Usia
IPK
Status Bekerja
1
L
21
2.77
0
2
P
21
2.78
0
3
L
21
3.03
0
: : :
: : :
: : :
: : :
: : :
716
L
23
3.04
1
717
L
23
3.21
1
718
P
25
3.68
1
Sebagai keterangan, untuk data jenis kelamin, ‘L’ mewakili laki-laki, dan ‘P’ mewakili perempuan. Untuk data usia menggunakan satuan tahun. Untuk data status bekerja, ‘0’ mewakili belum bekerja, dan ‘1’ mewakili sudah bekerja. Adapun data secara keseluruhan akan peneliti sertakan pada bagian Lampiran.
Beberapa deskriptif data dari data-data yang telah diperoleh pada penelitian ini ditunjukkan dalam Tabel 4.2 dan penyajian dalam bentuk diagramnya diberikan dalam Gambar 4.1.
Tabel 4.2 Deskriptif Data Penelitian
Data Laki-laki Perempuan Usia ≤ 23 Tahun Usia > 23 Tahun IPK < 3.00 IPK ≥ 3.00
Status
Jumlah
Bekerja
126
Tidak Bekerja
60
Bekerja
386
Tidak Bekerja
146
Bekerja
478
Tidak Bekerja
188
Bekerja
34
Tidak Bekerja
18
Bekerja
105
Tidak Bekerja
75
Bekerja
407
Tidak Bekerja
131
Gambar 4.1 Deskriptif Data Penelitian Dalam Bentuk Diagram
Data-data mahasiswa lulusan dalam bentuk variabel-variabel yang akan digunakan di dalam pembentukan persamaan regresi logistik adalah seperti yang ditunjukkan pada Tabel 4.3.
Tabel 4.3 Data Mahasiswa Lulusan Dalam Bentuk Variabel
No.
X1
X2
X3
Y
1
0
21
2.77
0
2
1
21
2.78
0
3
0
21
3.03
0
: : :
: : :
: : :
: : :
: : :
716
0
23
3.04
1
717
0
23
3.21
1
718
1
25
3.68
1
Variabel-variabel X1, X2, dan X3 merupakan variabel bebas, yang berturut-turut mewakili jenis kelamin, usia, dan IPK dari setiap mahasiswa lulusan. Dalam hal ini, nilai dari variabel X1 harus diubah agar dapat diproses di dalam perhitungan, yaitu menjadi ‘0’ untuk laki-laki, dan ‘1’ untuk perempuan. Variabel Y merupakan variabel tak bebas, yang mewakili status bekerja dari setiap mahasiswa lulusan. Adapun data yang diperoleh peneliti disimpan di dalam program Microsoft Excel, dengan nama Data.xls. Agar dapat diproses menggunakan Bahasa R, terlebih dahulu data tersebut harus dikonversikan ke dalam bentuk file yang dapat dibaca oleh program R, yaitu menjadi Data.txt. Selanjutnya, di dalam
program R data tersebut harus diimpor terlebih dahulu dan dimasukkan ke dalam sebuah variabel bernama data, menggunakan sintaks berikut ini. data <- read.delim("Direktori Data")
Setelah direktori data ditentukan, maka sintaks tersebut akan menjadi seperti sintaks di bawah ini. data <- read.delim("d:/My Documents/Data.txt")
Pada saat mengimpor data ke dalam program R, sintaks read.delim yang digunakan, karena data-data yang terdapat di dalam Data.txt dipisahkan oleh spasi. Adapun isi dari variabel data setelah data-data selesai diimpor adalah sebagaimana yang ditunjukkan di dalam Gambar 4.2.
: : :
: : :
Gambar 4.2 Isi Variabel data
Call: glm(formula = Y ~ X1 + X2 + X3, family = binomial) Deviance Residuals: Min 1Q Median -2.0077 -1.3491 0.7111 Coefficients:
3Q 0.8618
Max 1.2422
Estimate Std. Error z value Pr(>|z|) (Intercept) -1.51585 1.54763 -0.979 0.327 X1 -0.25389 0.18890 -1.344 0.179 X2 -0.05885 0.04997 -1.178 0.239 X3 1.26260 0.28508 4.429 9.47e-06 *** --Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1 (Dispersion parameter for binomial family taken to be 1) Null deviance: 860.68 Residual deviance: 835.78 AIC: 843.78
on 717 on 714
degrees of freedom degrees of freedom
Number of Fisher Scoring iterations: 4 Gambar 4.3 Output Model Regresi Logistik Dengan Program R
Gambar 4.3 menunjukkan bahwa sesuai dengan nilai Pr(>|z|) yang dimiliki oleh setiap variabel, maka variabel IPK (X3) signifikan, sedangkan kedua variabel bebas lainnya, yaitu jenis kelamin (X1) dan usia (X2), tidak signifikan. Untuk mengatasi masalah yang terjadi, maka peneliti mencoba untuk melakukan standarisasi/normalisasi terhadap variabel jenis kelamin (X1) dan usia (X2). Adapun metode normalisasi yang peneliti gunakan adalah dengan menggantikan nilai setiap pengamatan pada kedua variabel tersebut dengan sebuah nilai yang baru, mengikuti Persamaan 4.1.
x' =
x−μ
σ
(4.1)
Adapun x merupakan nilai pengamatan yang lama, μ merupakan nilai rata-rata, dan σ merupakan nilai simpangan baku dari populasi suatu variabel. Tampilan data setelah dilakukan normalisasi dan diimpor ke dalam program R adalah sebagaimana dapat dilihat pada Gambar 4.4.
: : :
: : :
: : :
: : :
Gambar 4.4 Isi Variabel data Setelah Dilakukan Normalisasi
Selanjutnya, kembali peneliti akan melakukan pengolahan data untuk memperoleh model regresi logistik dari data-data yang telah dinormalisasi tersebut. Call: glm(formula = Y ~ X1 + X2 + X3, family = binomial) Deviance Residuals: Min 1Q Median -2.0077 -1.3491 0.7111
3Q 0.8618
Max 1.2422
Coefficients: Estimate Std. Error z value Pr(>|z|) (Intercept) -3.15186 0.91476 -3.446 0.00057 *** X1 -0.11131 0.08282 -1.344 0.17893 X2 -0.09254 0.07858 -1.178 0.23891 X3 1.26260 0.28508 4.429 9.47e-06 *** --Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1 (Dispersion parameter for binomial family taken to be 1) Null deviance: 860.68 Residual deviance: 835.78 AIC: 843.78
on 717 on 714
degrees of freedom degrees of freedom
Number of Fisher Scoring iterations: 4 Gambar 4.5 Output Model Regresi Logistik Setelah Dilakukan Normalisasi
Gambar 4.5 menunjukkan, bahwa setelah dilakukan normalisasi pun kedua variabel tersebut (jenis kelamin dan usia) masih juga tidak signifikan. Pada akhirnya,
peneliti
memutuskan
untuk
membuang
dan
tidak
lagi
mengikutsertakan variabel jenis kelamin (X1) dan usia (X2) di dalam prosesproses analisis selanjutnya. Hal ini menyisakan hanya satu buah variabel bebas, yaitu IPK (X3), yang akan digunakan di dalam persamaan logit. Call: glm(formula = Y ~ X3, family = binomial) Deviance Residuals: Min 1Q Median -1.9770 -1.3650 0.7133
3Q 0.8687
Max 1.0471
Coefficients: Estimate Std. Error z value (Intercept) -3.2540 0.9091 -3.579 X3 1.2930 0.2834 4.562 --Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01
Pr(>|z|) 0.000344 *** 5.06e-06 *** ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
(Dispersion parameter for binomial family taken to be 1) Null deviance: 860.68 Residual deviance: 838.60 AIC: 842.6
on 717 on 716
degrees of freedom degrees of freedom
Number of Fisher Scoring iterations: 4 Gambar 4.6 Output Model Regresi Logistik Dengan Satu Variabel Bebas
Menurut Gambar 4.6, dikarenakan seluruh nilai variabel regresi logistik sudah signifikan, maka dapat ditentukan persamaan logit (Persamaan 4.2) yang akan peneliti gunakan di dalam proses analisis selanjutnya, sebagai berikut. g ( x) = −3.2540 + 1.2930 ⋅ X 3
(4.2)
Kita juga dapat mengetahui odds ratios dari variabel IPK (X3), yaitu dengan mengeksponenkan nilai koefisien X3, sehingga diperoleh hasil e1.293 = 3.6437 . Ini berarti, untuk setiap kenaikan satu unit nilai IPK, diharapkan kesempatan (odds) untuk memperoleh pekerjaan akan meningkat sebesar 3.6437 kali (264.37%). Dengan demikian, nilai peluang seorang mahasiswa lulusan baru untuk dapat memperoleh pekerjaan pun telah dapat ditentukan, yaitu dengan menggunakan Persamaan 4.3.
e −3.2540+1.2930⋅ X 3 π ( x) = 1 + e−3.2540+1.2930⋅ X 3
(4.3)
Sebagai analisis tambahan, peneliti juga hendak meneliti besarnya peluang seorang mahasiswa lulusan baru untuk memperoleh gaji di atas empat juta rupiah pada saat bekerja, apabila diketahui data-data jenis kelamin, usia, dan IPK dari mahasiswa tersebut. Dalam hal ini, variabel tak bebas (Y) dikelompokkan ke dalam dua kategori, yaitu gaji di bawah empat juta (0) dan gaji di atas empat juta (1). Untuk variabel bebas, di antaranya adalah jenis kelamin (X1), usia (X2), dan IPK (X3). Data-data dari 497 mahasiswa lulusan setelah diimpor ke dalam program R, tampak seperti Gambar 4.7.
: : :
: : :
: : :
Gambar 4.7 Data Mahasiswa Lulusan
Proses untuk memperoleh model regresi logistik sama persis dengan yang telah dilakukan sebelumnya. Hasil analisis data ditunjukkan oleh Gambar 4.8. Call: glm(formula = Y ~ X1 + X2 + X3, family = binomial) Deviance Residuals: Min 1Q Median -1.1668 -0.7009 -0.5521
3Q -0.4107
Max 2.4251
Coefficients: Estimate Std. Error z value Pr(>|z|) (Intercept) -3.1440 3.1517 -0.998 0.3185 X1 -0.6173 0.2964 -2.082 0.0373 * X2 -0.1492 0.1250 -1.194 0.2324 X3 1.7525 0.3774 4.644 3.42e-06 *** --Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1 (Dispersion parameter for binomial family taken to be 1) Null deviance: 499.06 Residual deviance: 469.22 AIC: 477.22
on 496 on 493
degrees of freedom degrees of freedom
Number of Fisher Scoring iterations: 5 Gambar 4.8 Output Model Regresi Logistik Dengan Program R
Gambar 4.8 menunjukkan bahwa sesuai dengan nilai Pr(>|z|) yang dimiliki oleh setiap variabel, maka variabel jenis kelamin (X1) dan IPK (X3)
signifikan, sedangkan variabel bebas lainnya, yaitu usia (X2), tidak signifikan. Untuk mengatasi masalah ini, maka peneliti memutuskan untuk membuang dan tidak lagi mengikutsertakan variabel usia (X2) di dalam proses-proses analisis selanjutnya. Hal ini menyisakan dua buah variabel bebas, yaitu jenis kelamin (X1) dan IPK (X3), yang akan digunakan di dalam persamaan logit. Call: glm(formula = Y ~ factor(X1) + X3, family = binomial) Deviance Residuals: Min 1Q Median -1.1462 -0.6924 -0.5470
3Q -0.4342
Max 2.3758
Coefficients: Estimate Std. Error z value (Intercept) -7.1999 1.2763 -5.641 X1 -0.5796 0.2948 -1.966 X3 1.7860 0.3763 4.746 --Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01
Pr(>|z|) 1.69e-08 *** 0.0493 * 2.07e-06 *** ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
(Dispersion parameter for binomial family taken to be 1) Null deviance: 499.06 Residual deviance: 471.00 AIC: 477
on 496 on 494
degrees of freedom degrees of freedom
Number of Fisher Scoring iterations: 4 Gambar 4.9 Output Model Regresi Logistik Dengan Dua Variabel Bebas
Menurut Gambar 4.9, dikarenakan seluruh nilai variabel regresi logistik sudah signifikan, maka dapat ditentukan persamaan logit (Persamaan 4.4) yang akan peneliti gunakan di dalam proses analisis selanjutnya, sebagai berikut. g ( x) = −7.1999 − 0.5796 ⋅ X 1 + 1.7860 ⋅ X 3
(4.4)
Untuk mengetahui odds ratio dari variabel jenis kelamin (X1), terlebih dahulu kita harus memperhatikan Tabel 4.4 berikut.
Tabel 4.4 Tabel Kontingensi Antara Besarnya Gaji dan Jenis Kelamin
Laki-laki
Perempuan
Gaji < 4 Juta
291
106
Gaji ≥ 4 Juta
83
17
Dari tabel di atas dapat ditentukan odds ratio antara laki-laki dan perempuan, yaitu
83 17 = 1.7785 . Ini berarti, mahasiswa lulusan yang berjenis kelamin 291 106
laki-laki memiliki kesempatan (odds) untuk memperoleh gaji di atas empat juta rupiah 1.7785 kali (77.85%) lebih besar dibandingkan mahasiswa lulusan yang berjenis
kelamin
perempuan.
Untuk
variabel
IPK
(X3),
dengan
mengeksponenkan koesifiennya, maka akan diperoleh e1.786 = 5.9655 . Ini berarti, jika variabel jenis kelamin dibiarkan tetap, maka untuk setiap kenaikan satu unit nilai IPK, diharapkan kesempatan (odds) untuk memperoleh gaji di atas empat juta rupiah akan meningkat sebesar 5.9655 kali (496.55%). Dengan demikian, nilai peluang seorang mahasiswa lulusan baru untuk dapat memperoleh gaji di atas empat juta rupiah pun telah dapat ditentukan, yaitu dengan menggunakan Persamaan 4.5.
e −7.1999−0.5796⋅ X1 +1.7860⋅ X 3 π ( x) = 1 + e −7.1999−0.5796⋅ X1 +1.7860⋅ X 3 4.2
(4.5)
Uji Coba Program Aplikasi Seperti yang telah peneliti utarakan sebelumnya, dikarenakan hanya variabel bebas IPK saja yang signifikan, maka pada program aplikasi yang telah
dirancang, peluang memperoleh pekerjaan hanya akan ditentukan oleh besarnya IPK yang dimiliki oleh seorang mahasiswa, sedangkan peluang memperoleh gaji di atas empat juta rupiah akan ditentukan oleh besarnya IPK dan jenis kelamin dari mahasiswa tersebut.
Gambar 4.10 Tampilan Halaman Awal
Gambar 4.11 Tampilan Submenu “File”
Gambar 4.10 dan 4.11 merupakan tampilan halaman awal program, yang berada pada menu “Persamaan Regresi Logistik”. Pada menu “File” terdapat submenu
“Open”, yang dapat digunakan oleh pengguna untuk memasukkan data dari file teks yang diinginkan.
Gambar 4.12 Tampilan Saat Pengguna Memilih File Yang Akan Dimasukkan
Gambar 4.12 merupakan tampilan kotak dialog yang muncul pada saat pengguna hendak memilih file yang akan dimasukkan. File yang dapat dimasukkan hanyalah file berjenis teks yang berekstensi “.txt”.
Gambar 4.13 Tampilan Setelah Tombol “Proses Data!” Ditekan
Gambar 4.13 menunjukkan hasil analisis yang dilakukan terhadap data yang telah dimasukkan. Hasil yang ditampilkan adalah nilai-nilai koefisien dan nilainilai Z bagi variabel konstan (intercept), jenis kelamin (X1), dan IPK (X2).
Gambar 4.14 Tampilan Setelah Tombol “Lihat Persamaan Regresi Logistik!” Ditekan
Setelah tombol “Lihat Persamaan Regresi Logistik!” ditekan, maka akan muncul Persamaan Regresi Logistik dan Persamaan Peluang Logit, seperti yang dapat dilihat pada Gambar 4.14 di atas.
Gambar 4.15 Tampilan Halaman Menu “Hitung Peluang”
Gambar 4.15 merupakan tampilan halaman menu “Hitung Peluang”. Pengguna diminta untuk memasukkan besarnya IPK dan memilih jenis kelamin yang dikehendaki.
Gambar 4.16 Tampilan Setelah Tombol “Hitung Peluang!” Ditekan
Setelah tombol “Hitung Peluang!” ditekan, maka akan muncul nilai Peluang Memperoleh Pekerjaan, nilai Peluang Memperoleh Gaji > 4 juta, dan kesimpulan mengenai kondisi peluang dari mahasiswa yang bersangkutan. Adapun kesimpulan yang diberikan dibedakan menjadi dua bagian, yaitu untuk presentase Peluang Memperoleh Pekerjaan kurang dari 50% dan untuk presentase Peluang Memperoleh Pekerjaan lebih dari atau sama dengan 50%.
Gambar 4.17 Tampilan Setelah Tombol “Hitung Peluang!” Ditekan
Gambar 4.17 merupakan tampilan halaman menu “Hitung Peluang”, ketika presentase Peluang Memperoleh Pekerjaan lebih dari atau sama dengan 50%. Adapun hasil-hasil tersebut dapat diinterpretasikan sebagai berikut.
Apabila seorang mahasiswa laki-laki lulus dengan IPK sebesar 2.52, maka diperkirakan peluang mahasiswa tersebut untuk dapat memperoleh pekerjaan adalah sebesar 0.5011 atau 50.11%, dan peluangnya untuk memperoleh gaji di atas empat juta rupiah pada saat bekerja adalah sebesar 0.0363 atau 3.63%.
Gambar 4.18 Tampilan Saat Pengguna Menyimpan Hasil Analisis Data
Pengguna juga dapat menyimpan hasil analisis data yang telah dilakukan. Program akan menuliskan dan menyimpan seluruh hasil analisis data ke dalam sebuah file teks yang diinginkan oleh pengguna, sebagaimana ditunjukkan pada Gambar 4.18 di atas.
4.3
Usulan/Kondisi Yang Mendukung Hipotesis Hipotesis atau jawaban sementara dari perumusan masalah yang ditetapkan oleh peneliti, adalah sebagai berikut. H0 :
Besarnya peluang memperoleh pekerjaan tidak dipengaruhi oleh seluruh atau sebagian dari ketiga faktor IPK, jenis kelamin, dan usia.
H1 :
Besarnya peluang memperoleh pekerjaan dipengaruhi oleh seluruh atau sebagian dari ketiga faktor IPK, jenis kelamin, dan usia.
Dari hasil analisis data yang telah peneliti lakukan dan paparkan pada bagian sebelumnya, dapat diketahui bahwa peluang seorang mahasiswa lulusan baru dalam memperoleh pekerjaan dipengaruhi oleh sebuah faktor, yaitu IPK. Hal ini menjadikan hipotesis nol di atas harus ditolak, dan dapat disimpulkan bahwa besarnya peluang memperoleh pekerjaan dipengaruhi oleh faktor IPK dari seorang mahasiswa lulusan baru. Sesuai dengan manfaat penelitian ini (bagi mahasiswa aktif), yang telah peneliti sampaikan sebelumnya, dan bagi pihak manapun yang membaca hasil penelitian ini, telah dapat dipastikan bahwa nilai Indeks Prestasi Kumulatif (IPK) merupakan sebuah faktor yang paling berpengaruh di dalam menentukan besar-kecilnya peluang seorang mahasiswa baru di dalam memperoleh pekerjaan. Meskipun pada kenyataannya IPK bukanlah segala-galanya dan bukan satu-satunya faktor yang menentukan keberhasilan seseorang di dalam memperoleh pekerjaan, namun tidak dapat dipungkiri bahwa IPK tetap memegang peranan yang terpenting jika menyangkut masalah pencarian pekerjaan, karena hal tersebut telah teruji dan terbukti dengan pasti secara statistik di dalam penelitian ini. Menurut data mahasiswa lulusan yang peneliti peroleh, dari keseluruhan mahasiswa lulusan yang memiliki gaji dengan nominal tertinggi (lebih dari atau sama dengan enam juta rupiah), 58.82% atau lebih dari setengahnya berprofesi sebagai wirausahawan/wati (entrepreneur). Maka, sangatlah baik apabila seorang mahasiswa aktif memiliki rencana untuk memulai kegiatan wirausaha. Hal tersebut memiliki nilai tambah tersendiri, karena kegiatan wirausaha dapat
dijalankan, tidak hanya pada saat telah lulus dari bangku kuliah, tetapi juga ketika masih berpredikat sebagai mahasiswa aktif.
