HALAMAN JUDUL. Skripsi. Disusun Oleh : Bintoro Susilo M

perpustakaan.uns.ac.id

digilib.uns.ac.id

PENERAPAN REGRESI LINEAR GANDA PADA SISTEM PENDUKUNG KEPUTUSAN SELEKSI PENERIMAAN SISWA BARU PROGRAM RINTISAN SEKOLAH BERTARAF INTERNASIONAL (RSBI) TINGKAT SEKOLAH MENENGAH ATAS (SMA) HALAMAN JUDUL

Skripsi

Disusun Oleh : Bintoro Susilo M0507012

JURUSAN INFORMATIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM UNIVERSITAS SEBELAS MARET SURAKARTA 2012

commit to user


digilib.uns.ac.id

PENERAPAN REGRESI LINEAR GANDA PADA SISTEM PENDUKUNG KEPUTUSAN SELEKSI PENERIMAAN SISWA BARU PROGRAM RINTISAN SEKOLAH BERTARAF INTERNASIONAL (RSBI) TINGKAT SEKOLAH MENENGAH ATAS (SMA) HALAMAN PENGAJUAN HALAMAN PENGAJUAN

Oleh : Bintoro Susilo M0507012

SKRIPSI ditulis dan diajukan untuk memenuhi sebagian persyaratan memperoleh gelar Sarjana Informatika

JURUSAN INFORMATIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM UNIVERSITAS SEBELAS MARET SURAKARTA 2012

commit to user ii


digilib.uns.ac.id

commit to user iii


digilib.uns.ac.id

MOTTO HALAMAN MOTTO

an sesuai dengan kesanggupannya (QS. Al-Baqarah:286)

idak ada impian yang patut dihormati, tanpa kesediaan untuk menindak-lanjuti rencana yang terdekat dengan segera (Mario Teguh)

Ikuti sugesti positifmu dan buang sugesti negatifmu (Penulis)

commit to user iv


digilib.uns.ac.id

PERSEMBAHAN HALAMAN PERSEMBAHAN Karya ini dipersembahkan Kepada :

My Almighty, atas karunia-Nya dan keridhoan-Nya. Tanpa Ridho Mu tidak mungkin hambamu bisa sampai pada titik perjuangan di jenjang ini.

upport, kesabaran dan bimbingan yang tak pernah habis oleh masa, terimakasih atas segala yang telah ayah dan ibunda berikan.

My sister, My big family, and My little mouse motivasi dan semangat yang telah diberikan kepada penulis.

commit to user v


digilib.uns.ac.id

KATA PENGANTAR

Alhamdulillah

, puji syukur kehadirat Allah SWT yang

telah melimpahkan segala rahmat dan karunia-Nya, sehingga penulis dapat menyelesaikan

Penerapan Regresi Linear Ganda Pada

Sistem Pendukung Keputusan Seleksi Penerimaan Siswa Baru Program Rintisan Sekolah Bertaraf Internasional (RSBI) Tingkat Sekolah Menengah Atas (SMA) , yang menjadi salah satu syarat mutlak untuk mendapatkan gelar Sarjana Informatika di Universitas Sebelas Maret (UNS) Surakarta. Dengan segala kerendahan hati, penulis menyadari bahwa dalam menyelesaikan skripsi ini tidak lepas dari peran berbagai pihak yang telah banyak memberikan bantuan, bimbingan dan dorongan. Dalam kesempatan ini penulis ingin mengucapkan terima kasih yang tak terhingga kepada: 1. Umi Salamah, M.Kom selaku Ketua Jurusan Informatika FMIPA UNS 2. Drs. Wiranto, M.Kom selaku Pembimbing Akademik. 3. Sari Widya Sihwi, S.Kom., MTI selaku dosen pembimbing I, terimakasih atas setiap diskusi, semangat, motivasi, ketelitian, koreksi, masukan dan kesabarannya selama proses penyelesaian skripsi ini. 4. Ristu Saptono, S.Si., MT selaku dosen pembimbing II, terimakasih atas setiap diskusi, semangat, motivasi, ketelitian, koreksi, masukan dan kesabarannya selama proses penyelesaian skripsi ini. 5. Winita Sulandari,M.Si. selaku pakar statistika, terimakasih atas diskusi, koreksi dan masukannya mengenai metode yang terkait dengan penelitian. 6. Seluruh staf Pengajar jurusan Informatika FMIPA UNS yang telah memberikan ilmu dan pengalamannya yang berharga. 7. Dra. Budiastuti Sumaryanti, M.Pd. selaku kepala sekolah SMA Negeri 1 Purworejo, terima kasih atas ijin yang telah diberikan kepada peneliti untuk dapat melakukan penelitian di SMA Negeri 1 Purworejo.

commit to user vi


digilib.uns.ac.id

8. Baroto, S.Pd. selaku wakil kepala program RSBI, terima kasih atas segala informasi dan data yang telah diberikan kepada penulis. 9. Teman-teman angkatan 2007 semuanya yang sedang berjuang dalam skripsinya. Senang menjadi salah satu anggota dari angkatan 2007, kalian teman-teman yang membanggakan. Tetap semangat buat kalian semua. 10. Teman-teman di kontrakan (Eko, Hapid, Reza, Elvin, Pakdhe) terimakasih buat kalian semua, yang telah menyediakan penulis tempat tinggal saat penulis butuh menginap di solo 11. Semua pihak yang tidak bisa disebutkan satu-persatu yang telah memberikan bantuan dan dukungan terhadap penulis. Penulis menyadari sepenuhnya bahwa sebagai manusia biasa tentunya tidak akan luput dari kekurangan dan keterbatasan. Maka dengan segenap kerendahan

hati,

penulis

mengharapkan

saran

dan

kritik

yang

dapat

menyempurnakan penulisan ini sehingga dapat bermanfaat dan berguna untuk pengembangan ilmu pengetahuan. Akhir kata semoga laporan ini dapat bermanfaat bagi penulis dan semua pembaca.

Surakarta, Januari 2011

Penulis

commit to user vii


digilib.uns.ac.id

ABSTRACT

RSBI Program is a program designed for schools with the aim to realize a quality education. For the success of the program, the school tried to get students who have a high quality, so the selection is done by considering many criteria. This research concentrates on the selection of accepting new students to high school (SMA) which followed the entrance test, in order to get students who have high quality. Selection is done by a decision support system, that implement multiple linear regression model to perform weighting of the criteria and perform ranking of applicants. Multiple linear regression model produces an equation that consists of the coefficients for each criterion (X) which is used as a weighting criteria, and the alleged value of Y will be the final value for ranking. The criteria used for weighting and selection is the value of UAN SMP (Mathematics, English Language, Indonesian Language, Science Studies), and the entrance test (Mathematics, English Language, Indonesian Language, Science Studies, Social Studies). Weighting is based on achievement scores obtained by students from the previous generation. After doing the weighting and ranking, the last step is sorting process according to the amount of quota required. By Using three data generation for the weighting, the criteria weighting from more data generation is better than less data generation. It can be seen from the testing of three linear multiple regression equations generated. For the ranking, with two tests, ranking of SPK provides better results than the model applied in high school. Keywords: decision support system, multiple linear regression model

commit to user viii


digilib.uns.ac.id

ABSTRAK

Program RSBI adalah program yang dirancang untuk sekolah-sekolah dengan tujuan mewujudkan pendidikan yang berkualitas. Untuk keberhasilan program tersebut, pihak sekolah berusaha mendapatkan siswa yang mempunyai kualitas tinggi, sehingga seleksi dilakukan dengan mempertimbangkan banyak kriteria. Penelitian ini berkonsentrasi pada seleksi penerimaan siswa baru untuk sekolah tinggi (SMA) yang mengikuti tes masuk, guna mendapatkan siswa yang mempunyai kualitas tinggi. Seleksi dilakukan dengan sebuah sistem pendukung keputusan, yang menerapkan model regresi linear ganda untuk melakukan pembobotan terhadap kriteria dan melakukan perankingan terhadap pendaftar. Model regresi linear ganda menghasilkan persamaan yang terdiri dari koefisien-koefisien untuk setiap kriteria (X) yang digunakan sebagai bobot kriteria, dan nilai dugaan Y yang akan dijadikan nilai akhir untuk melakukan perankingan. Kriteria-kriteria yang digunakan untuk pembobotan dan seleksi adalah nilai UAN SMP (Matematika, Bahasa Inggris, Bahasa Indonesia, IPA), dan nilai tes masuk (Matematika, Bahasa Inggris, Bahasa Indonesia, IPA, IPS). Pembobotan didasarkan atas nilai prestasi yang diperoleh oleh siswa dari angkatan sebelumnya. Setelah melakukan pembobotan dan perankingan, langkah terakhir adalah melakukan proses sorting sesuai dengan jumlah kuota yang dibutuhkan. Dengan menggunakan data dari tiga angkatan untuk pembobotan, pembobotan kriteria dari data angkatan yang lebih banyak memberikan hasil yang lebih baik daripada data angkatan yang lebih sedikit. Hal ini dapat dilihat dari pengujian terhadap ketiga persamaan regresi linier berganda yang dihasilkan. Untuk hasil perankingan, dengan dua kali pengujian, peringkat yang dihasilkan SPK memberikan hasil yang lebih baik dibandingkan peringkat yang dihasilkan dengan menggunakan model yang diterapkan di SMA. Kata kunci: sistem pendukung keputusan, model regresi linear ganda

commit to user ix


digilib.uns.ac.id

DAFTAR ISI

HALAMAN JUDUL ................................................................................................ i HALAMAN PENGAJUAN .................................................................................... ii HALAMAN PENGESAHAN................................ Error! Bookmark not defined. HALAMAN MOTTO ............................................................................................ iv HALAMAN PERSEMBAHAN ............................................................................. v KATA PENGANTAR ........................................................................................... vi ABSTRACT ......................................................................................................... viii ABSTRAK ............................................................................................................. ix DAFTAR ISI ........................................................................................................... x DAFTAR TABEL ................................................................................................ xiii DAFTAR GAMBAR ........................................................................................... xiv DAFTAR LAMPIRAN ......................................................................................... xv BAB I

PENDAHULUAN ................................................................................ 1

1.1

Latar Belakang ..................................................................................... 1

1.2

Rumusan Masalah ................................................................................ 3

1.3

Batasan Masalah................................................................................... 4

1.4

Tujuan Penelitian.................................................................................. 4

1.5

Manfaat Penelitian................................................................................ 4

1.6

Sistematika Penulisan........................................................................... 5

1.6.1 BAB I Pendahuluan .............................................................................. 5 1.6.2 BAB II Landasan Teori ........................................................................ 5 1.6.3 BAB III Metodologi Penelitian ............................................................ 5 1.6.4 BAB IV Pembahasan ........................................................................... 5 1.6.5 BAB V Penutup.................................................................................... 5 BAB II

TINJAUAN PUSTAKA ....................................................................... 6

2.1

Dasar Teori ........................................................................................... 6

2.1.1 Sistem Pendukung Keputusan (SPK) ................................................... 6 2.1.2 Regresi Linear Ganda ........................................................................... 9

commit to user x


digilib.uns.ac.id

2.2

Penelitian Terkait ............................................................................... 20

2.3

Rencana Penelitian ............................................................................. 24

BAB III

METODOLOGI PENELITIAN ......................................................... 25

3.1

Tahap Pengumpulan Data .................................................................. 26

3.1.1 Observasi ............................................................................................ 26 3.1.2 Study literature ................................................................................... 26 3.2

Tahap Analisa ..................................................................................... 26

3.2.1 Analisa masalah.................................................................................. 26 3.2.2 Analisa data ........................................................................................ 26 3.2.3 Analisa Penerapan Model Pada Sistem .............................................. 28 3.3

Tahap Perancangan ............................................................................ 29

3.4

Tahap Implementasi ........................................................................... 29

3.4.1 Membuat database ............................................................................. 30 3.4.2 Menulis kode program ....................................................................... 30 3.4.3 Debugging .......................................................................................... 30 3.5

Tahap Pengujian Penerapan Model .................................................... 31

3.5.1 Pengujian Pembobotan Untuk SPK.................................................... 31 3.5.2 Pengujian Hasil Perankingan SPK ..................................................... 32 3.6

Tahap Penulisan Laporan ................................................................... 34

BAB IV

PEMBAHASAN ................................................................................ 35

4.1

Analisis Kebutuhan Sistem ................................................................ 35

4.2

Analisis Algoritma Perancangan ........................................................ 37

4.2.1 Algoritma Perancangan Sistem .......................................................... 37 4.2.2 Algoritma Perancangan Pembobotan Kriteria Pada Sistem ............... 39 4.2.3 Algoritma Perancangan Perankingan dan Seleksi Pada SPK............. 41 4.2

Hasil Pembobotan .............................................................................. 41

4.3

Pengujian Penerapan Model ............................................................... 45

4.3.1 Pengujian Pembobotan Untuk SPK.................................................... 49 4.4

Pengujian Hasil Perankingan SPK ..................................................... 55

4.4.1 Membandingkan peringkat yang dihasilkan oleh SPK dengan peringkat yang dihasilkan oleh pihak SMA Negeri 1 Purworejo....... 56

commit to user xi


digilib.uns.ac.id

4.4.2 Membandingkan hasil perankingan SPK jika menggunakan data angkatan untuk pembobotan yang lebih banyak. ............................... 57 BAB V

KESIMPULAN DAN SARAN .......................................................... 59

5.1

Kesimpulan......................................................................................... 59

5.2

Saran ................................................................................................... 60

DAFTAR PUSTAKA ........................................................................................... 62

commit to user xii


digilib.uns.ac.id

DAFTAR TABEL Tabel 2.1 Bentuk Umum Data Observasi ............................................................. 11 Tabel 2.2 Rangkuman Analisis Variansi Pada Uji Keberartian Regresi Ganda ... 17 Tabel 3.1 Pemberian Nilai Tambahan Untuk Bonus Piagam ............................... 27 Tabel 4.1 Nilai Koefisien Persamaan Regresi Linear Ganda Pembobotan A ....... 42 Tabel 4.2 Nilai Koefisien Persamaan Regresi Linear Ganda Pembobotan B ....... 44 Tabel 4.3 Nilai Koefisien Persamaan Regresi Linear Ganda Pembobotan C ....... 44 Tabel 4.4 Model Summary Pembobotan A ........................................................... 46 Tabel 4.5 ANOVA Pembobotan A ....................................................................... 46 Tabel 4.6 Koefisien Pembobotan A ...................................................................... 47 Tabel 4.7 Model Summary Pembobotan B ........................................................... 47 Tabel 4.8 ANOVA Pembobotan B ....................................................................... 47 Tabel 4.9 Koefisien Pembobotan B ...................................................................... 47 Tabel 4.10 Model Summary Pembobotan C ......................................................... 48 Tabel 4.11 ANOVA Pembobotan C ..................................................................... 48 Tabel 4.12 Koefisien Pembobotan C .................................................................... 48 Tabel 4.13 Nilai ttabel Pada Uji Keberartian Koefisien Regresi Ganda .................. 52 Tabel 4.14 Nilai thitung dan Nilai Sig Pada Uji Keberartian Koefisien Regresi ..... 52 Tabel 4.16 Kesalahan Baku atau Selisih Taksir Standar Regresi Berganda ......... 54 Tabel 4.17 Kesalahan Baku Koefisien Regresi Linear Ganda .............................. 54

commit to user xiii


digilib.uns.ac.id

DAFTAR GAMBAR Gambar 2.1 Komponen-komponen SPK (Turban, 2005) ....................................... 7 Gambar 2.2 Proses Pengambilan Keputusan (Turban, 2005) ................................. 9 Gambar 3.1 Diagram Rancangan Alur Pelaksanaan Tugas Akhir ........................ 25 Gambar 4.1 Flowchart Sistem .............................................................................. 38 Gambar 4.2 Flowchart Algoritma Pembobotan Kriteria ...................................... 40 Gambar 4.3 Flowchart Algoritma Perankingan dan Seleksi ................................ 41 Gambar 4.4 Grafik Pengujian Kesalahan Baku Standar Regresi Ganda .............. 55 Gambar 4.5 Grafik Pengujian Kesalahan Baku Koefisien Regresi Ganda ........... 55 Gambar 4.6 Flowchart Algoritma Pencarian Selisih Perbedaan Peringkat .......... 56 Gambar 4.7 Grafik Keefektifan SPK Dengan Pembobotan Yang Berbeda .......... 58

commit to user xiv


digilib.uns.ac.id

DAFTAR LAMPIRAN

LAMPIRAN I ....................................................................................................... 63 LAMPIRAN II ...................................................................................................... 74 LAMPIRAN III ..................................................................................................... 88 LAMPIRAN IV ..................................................................................................... 94 LAMPIRAN V ...................................................................................................... 99

commit to user xv


digilib.uns.ac.id

BAB I PENDAHULUAN 1.1 Latar Belakang Pendidikan adalah usaha sadar untuk menyiapkan peserta didik melalui kegiatan bimbingan, pengajaran, dan pelatihan bagi peranannya di masa yang akan datang (UU SISDIKNAS No.02 1989). Untuk menghasilkan pendidikan yang berkualitas, harus didukung oleh sumber daya yang berkualitas. Program RSBI dirancang untuk diaplikasikan ke sekolah-sekolah dengan tujuan agar sekolah tersebut mampu menyediakan sumber daya yang berkualitas, sehingga akan mewujudkan pendidikan yang berkualitas. Sekolah Menengah Atas (SMA) Negeri 1 Purworejo adalah SMA unggulan di Purworejo yang sudah menerapkan program RSBI, sehingga sumber daya sekolah yang disediakan sudah sesuai dengan standar sekolah bertaraf internasional. Untuk keberhasilan program RSBI tersebut, selain didukung sumber daya sekolah yang berkualitas, SMA Negeri 1 Purworejo juga diharuskan bisa menampung peserta didik yang berkualitas. Oleh karena itu, SMA Negeri 1 Purworejo dalam melakukan seleksi penerimaan siswa baru, tidak hanya mengacu pada hasil nilai Ujian Akhir Naional (UAN) di Sekolah Menengah Pertama (SMP), tetapi juga mengacu pada hasil penilaian dari tes tertulis, tes wawancara, dan tes psikologi. Selain itu SMA Negeri 1 Purworejo juga memberikan bonus nilai kepada para pendaftar yang mempunyai prestasi (piagam) yang diraih di tingkat nasional, provinsi, dan kabupaten dengan pemberian nilai yang berbeda-beda sesuai dengan tingkat kejuaraan yang diraih. Dengan beragamnya nilai piagam tersebut, pihak SMA memberikan beberapa jenis piagam tertentu yang bebas tes (diterima tanpa mengikuti tes). Disamping kriteria-kriteria tersebut, SMA Negeri 1 Purworejo membatasi kuota untuk pendaftar dari luar kota dengan kuota maksimal sebesar 10% dari kuota keseluruhan.

commit to user 1


digilib.uns.ac.id 2

Dengan beragamnya kriteria yang digunakan tersebut, pihak SMA Negeri 1 Purworejo memberikan nilai bobot yang berbeda-beda pada setiap kriteria untuk melakukan perhitungan pada proses seleksi. Pemberian nilai bobot tersebut selama ini mengacu pada pembobotan yang diberikan oleh dinas pendidikan kabupaten Purworejo yang nantinya akan diaplikasikan ke semua SMA yang telah menerapkan program RSBI di kabupaten Purworejo. Detail pembobotan tersebut bisa dilihat pada lampiran V. Dengan pembobotan tersebut, SMA Negeri 1 Purworejo tidak mengetahui apakah pembobotan kriteria tersebut telah sesuai dengan kebutuhan untuk menampung siswa yang berkualitas bagi SMA Negeri 1 Purworejo atau tidak. Hal ini dikarenakan, kualitas siswa pada setiap sekolah tidaklah sama, sehingga SMA Negeri 1 Purworejo diharapkan mampu untuk menentukan bobot yang sesuai dengan kebutuhan untuk mendapatkan peserta didik yang mampu meningkatkan prestasinya di SMA Negeri 1 Purworejo. Dengan demikian, dibutuhkan suatu sistem berbasis komputer yang dapat membantu kinerja pembuat keputusan dalam menentukan pembobotan kriteria yang dilanjutkan dengan proses seleksi sesuai dengan rule yang telah ditetapkan di SMA Negeri 1 Purworejo. Sistem Pendukung Keputusan (SPK) merupakan sistem berbasis komputer interaktif yang membantu pengambil keputusan memanfaatkan data dan model untuk menyelesaikan suatu masalah (Turban, 2005). Data tersebut adalah data yang terkait dengan kriteria-kriteria yang ada dari suatu permasalahan, sedangkan model yang digunakan adalah model untuk membantu menemukan solusi atau alternatif yang optimum untuk sebuah masalah. Alternatif optimum yang ingin dicapai yaitu siswa-siswa berkualitas yang dapat meningkatkan prestasinya selama menjalani studi di SMA Negeri 1 Purworejo. Untuk mendapatkan alternatif optimum tersebut, maka model yang dibutuhkan yaitu model yang dapat mencari hubungan antara prestasi siswa dengan kriteria-kriteria seleksi yang ditetapkan. Model regresi linear ganda adalah model yang digunakan untuk mencari bentuk hubungan (relasi) linear antara satu variabel terikat Y dan k variabel bebas (X1, X2, ..., Xk) (Sembiring, 1995). Tujuan dari analisa regresi linear

commit to user


digilib.uns.ac.id 3

berganda menurut Sembiring (1995) adalah untuk mengukur intensitas hubungan atau mencari hubungan fungsional dua variabel atau lebih dan membuat prediksi atau perkiraan nilai Y atas nilai X. Nilai X merupakan koefisien-koefisien untuk setiap variabel (X) yang merupakan nilai bobot pada masing-masing variabel (X) tersebut. Sedangkan nilai Y merupakan nilai dugaan yang akan dijadikan nilai akhir yang dapat digunakan untuk melakukan perankingan. Penulis memilih regresi jenis linear karena model tersebut paling sesuai dengan model yang dibutuhkan dalam menerapkan pasangan data yang dibutuhkan pada penelitian ini. Hal ini dikarenakan model tersebut menghasilkan persamaan yang dapat mencari penjumlahan terbobot dari rating kinerja pada setiap alternatif pada semua kriteria. Selain itu, penulis memilih regresi jenis linear karena pada hasil uji linearitas yang dilakukan dengan menggunakan program SPSS menunjukkan bahwa model linear sesuai untuk analisis regresi yang akan dilakukan. Hasil uji linearitas bisa dilihat pada lampiran IV. Untuk memberikan kemudahan kepada pembuat keputusan di SMA Negeri 1 Purworejo, maka penulis mengangkat topik SPK untuk seleksi penerimaan siswa baru program RSBI tingkat SMA sebagai penelitian dalam rangka menyelesaikan tugas akhir penulis. Pada penelitian tersebut, SPK yang akan dibangun yaitu dengan menggunakan model regresi linear ganda. 1.2 Rumusan Masalah Rumusan masalah dalam penelitian ini adalah: 1. Bagaimana pembobotan kriteria yang dihasilkan dengan menerapkan model regresi linear ganda pada SPK untuk seleksi penerimaan siswa baru program RSBI di SMA Negeri 1 Purworejo? 2. Bagaimana seleksi yang dihasilkan SPK dengan menggunakan model regresi linear ganda yang diterapkan di SMA Negeri 1 Purworejo?

commit to user


digilib.uns.ac.id 4

1.3 Batasan Masalah Batasan masalah yang digunakan dalam penulisan ini adalah: 1. Kriteria-kriteria yang dimasukkan ke dalam sistem sesuai dengan kriteria yang ditetapkan oleh pihak SMA Negeri 1 Purworejo, yaitu meliputi nilai UAN SMP, nilai tes tertulis, nilai tes wawancara bahasa inggris, nilai tes psikotes, dan nilai bonus piagam yang diraih. 2. Model SPK yang dibuat digunakan untuk seleksi pendaftar yang mengikuti tes masuk (tidak lolos bebas tes, dan lolos tes psikologi). 3. Uji perankingan SPK dilakukan dengan cara membandingkan peringkat yang dihasilkan oleh SPK dan peringkat yang dihasilkan oleh model yang digunakan di SMA Negeri 1 Purworejo, peringkat mana yang lebih sesuai dengan peringkat berdasarkan hasil prestasi siswa. 4. Data yang digunakan untuk pengujian yaitu data prestasi siswa pada semester satu dan dua beserta nilai-nilai dari semua kriteria yang diraih pada saat diterima di SMA Negeri 1 Purworejo. Data-data tersebut diambil dari siswa program RSBI dari semua angkatan sebelum angkatan pada saat sistem ini dijalankan (yaitu angkatan 2008, 2009, dan 2010). Dengan asumsi bahwa siswa tersebut diterima bukan karena bebas tes masuk. 1.4 Tujuan Penelitian Tujuan yang ingin dicapai dalam tugas akhir ini adalah: 1. Mampu mengetahui pembobotan kriteria yang dihasilkan dengan menerapkan model regresi linear ganda pada SPK untuk seleksi penerimaan siswa baru program RSBI di SMA Negeri 1 Purworejo. 2. Mampu mengetahui seleksi yang dihasilkan SPK dengan menggunakan model regresi linear ganda yang diterapkan di SMA Negeri 1 Purworejo. 1.5 Manfaat Penelitian Manfaat penelitian dalam tugas akhir ini adalah sistem pendukung keputusan yang dihasilkan diharapkan mampu membantu pembuat keputusan

commit to user


digilib.uns.ac.id 5

dalam melakukan seleksi penerimaan siswa baru program RSBI di SMA Negeri 1 Purworejo guna mendapatkan siswa yang berkualitas. 1.6 Sistematika Penulisan Sistematika penulisan memuat tentang metode penulisan yang digunakan dalam pembuatan laporan penelitian, dengan uraian sebagai berikut : 1.6.1

BAB I Pendahuluan Pada bab ini berisi latar belakang, rumusan masalah, batasan masalah,

tujuan penelitian, manfaat penelitian, dan sistematika penulisan laporan. 1.6.2

BAB II Landasan Teori Pada bab ini diuraikan secara umum teori yang berhubungan dengan

materi yang nantinya digunakan untuk melakukan proses analisis, perancangan

dan

implementasi

sistem,

misalnya

mengenai sistem

pendukung keputusan, model regresi linear ganda. 1.6.3

BAB III Metodologi Penelitian Pada bab ini diuraikan secara umum tentang gambaran objek penelitian,

serta gambaran langkah-langkah yang dilakukan oleh penulis untuk melaksanakan dan menyelesaikan penelitian ini. 1.6.4

BAB IV Pembahasan Pada bab ini, dipaparkan hasil-hasil dari tahapan penelitian, dari tahap

analisis, implementasi dan hasil testing, berupa penjelasan teoritik, baik secara kualitatif, kuantitatif, atau secara statistik. 1.6.5

BAB V Penutup Pada bab ini berisi kesimpulan dan saran. Kesimpulan berisi jawaban

dari perumusan masalah. Sedangkan saran berisi pemecahan masalah yang diteliti atau tindak lanjut dari hasil penelitian.

commit to user


digilib.uns.ac.id

BAB II TINJAUAN PUSTAKA 2.1 Dasar Teori 2.1.1

Sistem Pendukung Keputusan (SPK)

2.1.1.1 Konsep SPK Konsep Sistem Pendukung Keputusan (SPK) atau Decision Support Systems (DSS) pertama kali diperkenalkan oleh Michael S. Scott Morton pada awal tahun 1970-an. Konsep SPK ditandai dengan sistem interaktif berbasis komputer yang membantu pengambilan keputusan dengan memanfaatkan data dan model untuk menyelesaikan masalah yang bersifat tidak terstruktur dan semi terstruktur (Turban, 2005). Pada proses pengambilan keputusan, pengolahan data dan informasi yang dilakukan bertujuan untuk menghasilkan berbagai alternatif keputusan yang dapat diambil. Dengan demikian, dapat dikatakan bahwa SPK memberikan manfaat bagi manajemen dalam hal meningkatkan efektivitas dan efisiensi kerjanya terutama dalam proses pengambilan keputusan. Di samping itu, SPK menyatukan kemampuan komputer dalam pelayanan interaktif terhadap penggunanya dengan adanya proses pengolahan data yang memanfaatkan model, sehingga menghasilkan alternatif keputusan yang situasional (Turban, 2005). 2.1.1.2 Komponen SPK (Turban, 2005) 1. Manajemen Data, mencakup database yang mengandung data yang relevan dan diatur oleh sistem yang disebut Database Management Sistem (DBMS). 2. Manajemen Model, merupakan paket perangkat lunak yang memasukkan model-model finansial, statistik, ilmu manajemen, atau model kuantitatif yang lain, yang menyediakan kemampuan analisis sistem dan management software yang terkait.

commit to user 6


digilib.uns.ac.id 7

3. Antarmuka Pengguna, media interaksi antara sistem dengan pengguna, sehingga pengguna dapat berkomunikasi dan memberikan perintah pada SPK melalui subsistem ini. 4. Subsistem Berbasis Pengetahuan, yang dapat mendukung subsistem lain atau bertindak sebagai komponen yang berdiri sendiri.

Gambar 2.1 Komponen-komponen SPK (Turban, 2005)

2.1.1.3 Karakteristik SPK Karakteristik SPK menurut Turban (2005) yaitu: 1. Dukungan untuk pengambil keputusan, terutama pada situasi semi terstruktur dan tak terstruktur. 2. Dukungan di semua fase proses pengambilan keputusan: inteligensi, desain, pilihan, dan implementasi. 3. Kemampuan sistem beradaptasi dengan cepat dimana pengambil keputusan dapat menghadapi masalah-masalah baru dan pada saat yang sama dapat menanganinya dengan cara mengadaptasikan sistem terhadap kondisi-kondisi perubahan yang terjadi. 4. User-friendly, kapabilitas grafis yang kuat, dan sebuah bahasa interaktif yang alami.

commit to user


digilib.uns.ac.id 8

5. Peningkatan terhadap keefektifan pengambilan keputusan (akurasi, timelines, kualitas) dari pada efisiensi (biaya). 6. Pengambil keputusan mengontrol penuh semua langkah proses pengambilan keputusan dalam memecahkan masalah. 7. Menggunakan

model-model

dalam

penganalisisan

situasi

pengambilan keputusan. 2.1.1.4 Fase-fase Pengambilan Keputusan (Turban, 2005) 1. Tahap Penelusuran (Intelligence) Merupakan tahap pendefinisian masalah serta identifikasi informasi yang dibutuhkan yang berkaitan dengan persoalan yang dihadapi serta keputusan yang akan diambil. Langkah ini sangat penting karena sebelum suatu tindakan diambil, persoalan yang dihadapi harus dirumuskan secara jelas terlebih dahulu. 2. Perancangan (Design) Merupakan merumuskan

tahap

analisa

alternatif-alternatif

dalam

kaitan

pemecahan

mencari

masalah.

atau

Setelah

permasalahan dirumuskan, tahap berikutnya adalah merancang atau membangun model pemecahan masalahnya dan menyusun berbagai alternatif pemecahan masalah. 3. Pemilihan (Choice) Dengan mengacu pada rumusan tujuan serta hasil yang diharapkan, selanjutnya manajemen memilih alternatif solusi yang diperkirakan paling sesuai. Pemilihan alternatif ini akan mudah dilakukan jika hasil yang diinginkan memilki nilai kuantitas tertentu. 4. Implementasi (Implementation) Merupakan tahap pelaksanaan dari keputusan yang telah diambil. Pada tahap ini perlu disusun serangkaian tindakan yang terencana, sehingga hasil keputusan dapat dipantau dan disesuaikan apabila diperlukan perbaikan-perbaikan.

commit to user


digilib.uns.ac.id 9

Gambar 2.2 Proses Pengambilan Keputusan (Turban, 2005)

2.1.2

Regresi Linear Ganda

2.1.2.1 Konsep Dasar Analisis Regresi (Sembiring, 1995) Analisis regresi adalah suatu proses memperkirakan secara sistematis tentang apa yang paling mungkin terjadi dimasa yang akan datang berdasarkan informasi yang sekarang dimiliki agar memperkecil kesalahan. Analisis

regresi dapat juga diartikan sebagai usaha

memprediksi perubahan. Perubahan nilai suatu variabel dapat disebabkan karena

adanya

perubahan

pada

variabel-variabel

lain

yang

mempengaruhinya. Teknik yang digunakan untuk menganalisis ini yaitu dengan membangun persamaan dan menggunakan persamaan tersebut untuk membuat perkiraan (prediction). Dengan demikian, analisis regresi sering disebut sebagai analisis prediksi. Karena analisis regresi merupakan prediksi, maka nilai prediksi tidak selalu tetap dengan nilai sebenarnya. Semakin kecil tingkat penyimpangan antara nilai prediksi dengan nilai sebenarnya, maka semakin tepat persamaan regresinya.

commit to user


digilib.uns.ac.id 10

2.1.2.2 Persamaan Regresi Linear Persamaan regresi linear digunakan untuk peramalan, dimana dalam model terdapat variabel bebas X dan variabel tak bebas Y (Budiyono, 2004). Menurut Sembiring (1995) regresi linear yaitu menentukan satu persamaan dari garis yang menunjukkan hubungan antara variabel bebas dan variabel tak bebas. Sifat hubungan antar variabel dalam persamaan regresi merupakan hubungan sebab akibat. Variabel yang nilainya akan mempengaruhi nilai variabel lain disebut variabel bebas (independent variable), sedangkan variabel yang nilainya dipengaruhi oleh nilai variabel lain disebut variabel tidak bebas (dependent variable). 2.1.2.3 Regresi Linear Berganda (Sembiring, 1995) Regresi linear berganda adalah regresi linear yang melibatkan hubungan antara satu variabel tak bebas (Y) dihubungan dengan dua atau lebih variabel bebas. Tujuan dari analisa regresi linear berganda adalah untuk mengukur intensitas hubungan atau mencari hubungan fungsional dua variabel atau lebih dan membuat prediksi atau perkiraan nilai Y atas nilai X. Bentuk umum model regresi linear ganda untuk populasi adalah: Yi

0

1X1i

2X2i

3X3i

jXj

i

Kererangan: Yi

= Pengamatan ke i pada variabel tak bebas = Pengamatan ke i pada variabel bebas

0

X1i, X2i, ..., Xji = Parameter intersep 1 i

2

j

= Parameter koefesien regresi variabel bebas = Pengamatan ke i variabel kesalahan

Model di atas merupakan model regresi untuk populasi, tetapi apabila kita hanya mengambil sebagian (berupa sampel) dari populasi secara acak dan tidak mengetahui regresi populasi, sehingga model regresi populasi perlu diduga berdasarkan model regresi sampel, yaitu: = b0 + b1X1 + b2X2 + ... + bjXj

commit to user



Keterangan: = Nilai dugaan bagi variabel Y X1, X2, ..., Xj = Variabel bebas b0

=

b1, b2,..., bj

= Dugaan parameter koefesien regresi

0

Untuk mencari nilai b0, b1, b2 (X1, X2

k

1,

2,

j

diperlukan n buah pasang data

Xj, dan Yi) yang didapat dari pengamatan. Bentuk data yang

akan diolah ditunjukkan pada tabel berikut ini: Tabel 2.1 Bentuk Umum Data Observasi

Nomor

Respon

Variabel Bebas

Observasi

(Y)

X1

X2

...

Xj

1

Y1

X11

X21

...

Xj1

2

Y2

X12

X22

...

Xj2

...

...

...

...

...

...

n

Yn

X1n

X2n

...

Xjn

Dalam penelitian ini penulis menggunakan sepuluh variabel, yaitu satu variabel tak bebas dan sembilan variabel bebas. Pada dasar teori penulis akan memberikan contoh untuk regresi linear berganda dengan dua variabel bebas yaitu X1, X2 sehingga akan menghasilkan persamaan: = b 0 + b 1X 1 + b 2X 2 Untuk memperoleh persamaan di atas, pertama dibentuk persamaan normal, karena variabel ada tiga (satu variabel tak bebas dan dua variabel bebas), maka diperoleh tiga persamaan normal, yaitu: i

= b0n + b1 X1i + b2

2i

i

X1i

= b0

2 1i

+ b2

i

X2i

= b0

1i 2i

+ b1

+ b1

1iX2i

commit to user

+ b2

1iX2i 2 2i



Jika disusun dalam bentuk matriks maka persamaan berbentuk: =

b n

i

X1i

i

X2i

=

X1i 2

1i

1i

2i

1i X2i

2i

b0

1iX2i x

b1

2i

2

b2

Untuk mencari nilai b (b0, b1, b2), maka persamaan menjadi: -1 -1

adalah invers matriks dari matriks (

).

Jika semua nilai b telah ditemukan, berarti persamaan regresi ganda telah dibentuk, yaitu

= b0 + b 1X1 + b2X2. Dari persamaan regresi

ganda tersebut, dapat dijelaskan sebagai berikut: b1 menyatakan bahwa setiap penambahan X1 sebesar 1 maka akan mengalami peningkatan pada

sebesar b1. Dengan asumsi tidak ada

penambahan nilai pada variabel bebas lainnya. b2 menyatakan bahwa setiap penambahan X2 sebesar 1 maka akan mengalami peningkatan pada

sebesar b2. Dengan asumsi tidak ada

penambahan nilai pada variabel bebas lainnya. 2.1.2.4 Uji Asumsi Klasik Dalam Analisis Regresi Ganda (Uyanto, 2009) Uji asumsi klasik digunakan sebagai uji persyaratan yang harus dipenuhi untuk dapat menggunakan analisis regresi ganda. Uji asumsi pada penelitian ini dilakukan dengan bantuan perangkat lunak SPSS. Langkah-langkah yang dilakukan bisa dilihat pada lampiran 4. Uji asumsi yang dilakukan diantaranya yaitu: 1) Uji Normalitas Uji normalitas data dimaksudkan untuk memperlihatkan bahwa data sampel berasal dari populasi yang berdistribusi normal. Pada penelitian ini, uji normalitas yang dilakukan yaitu menggunakan plot data untuk mengetahui data berasal dari populasi yang berdistribusi normal atau tidak. Plot data tersebut disebut sebagai Normal

commit to user



Probability Plot, jika plot terlihat bahwa titik-titik data membentuk pola linear, maka data berdistribusi normal. 2) Uji Linearitas Uji linearitas merupakan analisis statistik yang dapat digunakan untuk mengetahui apakah hubungan antara variabel bebas dengan variabel terikat besifat linear (garis lurus) atau tidak. Pengujian ini untuk mengetahui model yang dibuktikan merupakan model linear atau tidak. Uji linearitas yang akan dilakukan pada penelitian ini adalah dengan menggunakan scatter plot. Model linear layak digunakan jika scatter plot tidak membentuk pola tertentu. 3) Uji Homoskedastisitas Uji homoskedastisitas merupakan alat analisis statistik yang dapat digunakan untuk mengetahui homogenitas varians error untuk setiap nilai variabel bebas. Homogenitas digunakan untuk memperlihatkan bahwa dua atau lebih kelompok data sampel berasal dari populasi yang memiliki variansi yang sama. Uji homoskedastisitas yang akan dilakukan pada penelitian ini sama seperti pada uji linearitas. Pada analisis regresi, persyaratan analisis yang dibutuhkan adalah bahwa galat regresi untuk setiap pengelompokan berdasarkan variabel terikatnya memiliki variansi yang sama. Variansi merupakan ukuran sebaran yang digunakan dalam berbagai analisis statistika. Analisis Variansi merupakan alat untuk mengevaluasi kebaikan model regresi. 4) Uji Multikolinearitas Multikolinearitas adalah hubungan eksas linier antar variabel independen. Multikolinearitas pasti ada, tetapi yang menjadi masalah adalah apakah multikolinearitas yang terjadi itu berbahaya atau tidak. Konsekuensi dari multikolinearitas adalah invalidnya signifikansi variabel.

Pendekatan yang digunakan penulis

untuk menguji

multikolinearitas adalah VIF (variance inflation factor). Jika nilai VIF > 5, artinya terdapat multikolinearitas yang berbahaya.

commit to user



5) Uji Autokorelasi Uji autokorelasi sangat penting untuk semua data (variabel bebas) untuk mengengetahui apakah terjadi korelasi di antara data-data tersebut atau tidak. Adanya autokorelasi dapat mengakibatkan penafsiran mempunyai varians tidak minimum dan uji-t tidak dapat digunakan, karena akan memberikan kesimpulan yang salah. Ada tidaknya

autokorelasi

dalam

penelitian

ini

dideteksi

dengan

menggunakan uji Durbin-Watson. Ukuran yang digunakan untuk menyatakan ada tidaknya autokorelasi, yaitu apabila nilai statistik Durbin-Watson tidak lebih kecil dari satu dan tidak lebih besar dari 3, maka dapat dinyatakan bahwa data pengamatan tersebut tidak memiliki autokorelasi. 2.1.2.5 Analysis of Variance (ANOVA) Pada Regresi Linear Ganda (Budiyono, 2004) ANOVA digunakan untuk mengetahui seberapa baik variabelvariabel bebas dapat memprediksi variabel terikat. Ukuran variansi total pada ANOVA disebut sebagai total sum of squares atau JKT (Jumlah Kuadrat Total), yang didefinisikan sebagai berikut:

Keterangan:

=

=

(

=

Y = nilai variabel tak bebas (nilai prestasi) i = data nilai pada sampel ke-i n = jumlah sampel

commit to user

) )



Variansi total dapat dipartisi (dipisah) menjadi dua variansi, yaitu: 1) Variansi yang dapat dijelaskan (explained variation) Variansi yang dapat dijelaskan, berkontribusi kepada model yang berkaitan dengan X dan Y. Variansi ini disebut jumlah kuadrat karena regresi (sum of squares due to regression) dan disajikan dengan JKR (Jumlah Kuadrat Regresi) atau JKreg, didefinisikan sebagai berikut: =

=

=

.

=

Keterangan: b1

k

+

+

=

=

.

=

= dugaan parameter koefesien regresi

x1, ..., xk = nilai variabel bebas y = nilai variabel tak bebas (nilai prestasi) i = data nilai pada sampel ke-i n = jumlah sampel 2) Variansi yang tidak dapat dijelaskan (unexplained variation) Variansi yang tidak dapat dijelaskan, jadi nilai variansi ini tidak memberikan kontribusi kepada model. Variansi ini disebut jumlah kuadrat galat atau residu dan disajikan dengan JKG (Jumlah Kuadrat Galat) atau JKresidu atau SSE (Sum Square Error), yaitu: JKG = JKT - JKR 2.1.2.6 Mean Square Error (MSE) (Budiyono, 2004) MSE merupakan nilai yang dihasilkan dari nilai variansi yang tidak memberikan kontribusi kepada model (nilai JKG) dengan derajat kebebasan n-k-1, yang didefinisikan sebagai berikut: =

Dengan n adalah jumlah sampel dan k adalah jumlah variabel bebas. Pengujian dilakukan dengan melihat nilai MSE yang dihasilkan untuk setiap model pembobotan yang dihasilkan. Jika semakin banyak data untuk pembobotan menghasilkan nilai MSE yang semakin sedikit, maka model pembobotan yang dihasilkan layak digunakan.

commit to user



2.1.2.7 Uji Keberartian Regresi Linear Ganda (Budiyono, 2004) Sebelum persamaan regresi linear digunakan untuk suatu keperluan, harus diuji keberartiannya terlebih dahulu, untuk mengetahui apakah variabel-variabel bebas secara bersama-sama memiliki pengaruh yang berarti terhadap variabel tak bebas. Untuk melihat keberartian (signifikansi) regresi linear ganda, maka akan dilakukan uji-F dengan menggunakan pendekatan analisis variansi sesuai dengan sub bab 2.1.2.4. Dari JKR dengan derajat kebebasan k dibentuk Rataan Kuadrat Regresi (RKR), sedangkan dari JKG dibentuk MSE atau RKG (Rataan Kuadrat Galat), sehingga statistik uji untuk keberartian regresinya adalah: =

=

~ ( ,

)

Dengan n adalah jumlah sampel dan k adalah jumlah variabel bebas. Langkah-langkah pengujian keberartian regresi linear ganda, yaitu: 1. Menentukan formulasi hipotesis H0: Variabel-variabel bebas tidak ada pengaruh secara bersama terhadap variabel tidak bebas H1: Variabel-variabel bebas mempunyai pengaruh secara bersama terhadap variabel tidak bebas 2.

, default dari program SPSS untuk

adalah

sebesar 5%. Kemudian melihat nilai Ftabel dengan derajat kebebasan V1 = k dan V2 = n-k-1 pada tabel nilai yang memberikan nilai F

v1,v2.

Dengan n adalah jumlah sampel data untuk pembobotan, dan k adalah jumlah kriteria untuk pembobotan. 3. Menentukan kriteria pengujian H0 diterima jika Fhitung< Ftabel H0 ditolak jika Fhitung> Ftabel 4. Menentukan nilai Fhitung sesuai dengan rumus statistik uji untuk keberartian regresi (F) di atas. 5. Membuat kesimpulan apakah H0 diterima atau tidak.

commit to user



Tabel 2.2 Rangkuman Analisis Variansi Pada Uji Keberartian Regresi Ganda

Sumber

JK

Dk

RK

Fobs

F

P

Regresi Linear

JKR

K

Galat

JKG

n-k-1

RKG

-

-

-

Total

JKT

n-1

-

-

-

-

RKR Fhitung Ftabel P <

Selain dilakukan uji-F, untuk mengetahui model yang didapatkan layak digunakan atau tidak, dapat juga dengan menggunakan ujiprobabilitas (uji-p). Uji-p dilakukan dengan cara membandingkan pvalue (sig) dengan tingkat signifikansi ( ). Pada penelitian ini, nilai pvalue didapatkan dengan bantuan perangkat lunak SPSS, dengan default nilai untuk tingkat signifikansi ( ) sebesar 5%. Model layak digunakan jika nilai sig pada model 2.1.2.8 Koefisien Determinasi (Budiyono, 2004) Koefisien determinasi yang dinyatakan dengan R2 untuk pengujian regresi linear berganda yang mencakup lebih dari dua variabel. Koefisien determinasi digunakan untuk mengetahui proporsi keberagaman total dalam variabel tak bebas Y yang dapat dijelaskan oleh variabel-variabel bebas X yang ada di persamaan regresi berganda secara bersama-sama. Misalnya diperoleh nilai koefisien determinasi (R2) sebesar 0,979, nilai ini berarti bahwa sebesar 97,9% variasi variabel tak bebas dipengaruhi oleh variabel bebas, sedangkan sisanya 2,1% dipengaruhi oleh faktor lain yang tidak masuk dalam penelitian. R2 didefinisikan sebagai berikut:

Keterangan:

=

JKR

= Jumlah Kuadrat Regresi

JKT

= Jumlah Kuadrat Total

commit to user



2.1.2.9 Uji Keberartian Koefisien Regresi Linear Ganda (Budiyono, 2004) Agar model persamaan regresi linear ganda yang diperoleh dapat dipakai untuk melakukan prediksi secara cermat, koefisien-koefisien regresinya (yaitu b1, b2, ..., bk) perlu diuji keberartiannya. Untuk menguji keberartian koefisien regresi (bm) digunakan statistik uji-t, yaitu: =

Keterangan:

bm = koefisien regresi pada variabel bebas ke-m sb m = kesalahan baku koefisien regresi pada variabel bebas ke-m

Langkah-langkah pengujian keberartian regresi linear ganda, yaitu: 1. Menentukan formulasi hipotesis H0: Koefisien bm tidak berarti H1: Koefisien bm berarti 2.

dan melihat nilai t tabel dengan derajat kebebasan V = n-k-1 pada tabel nilai yang memberikan nilai t . Dengan n adalah jumlah sampel data pembobotan dan k adalah jumlah kriteria pembobotan.

3. Menentukan kriteria pengujian H0 diterima jika -ttabel < thitung < ttabel H0 ditolak jika thitung < -ttabel atau thitung > ttabel 4. Menentukan nilai thitung sesuai dengan rumus statistik uji di atas. 5. Membuat kesimpulan apakah H0 diterima atau tidak. Selain dilakukan uji-t, seperti pada pengujian keberartian regresi linear ganda, pada pengujian ini juga dapat digunakan uji-probabilitas (uji-p). Cara yang dilakukan dengan menggunakan uji-p sama dengan yang dilakukan untuk melakukan pengujian keberartian regresi ganda. Koefisien dikatakan layak dimasukkan ke dalam model atau koefisien memiliki pengaruh yang berarti terhadap variabel tak bebas jika nilai sig yang dihasilkan pada koefisien tersebut

commit to user



2.1.2.10 Kesalahan Baku Taksiran Pada Regresi Linear Ganda (Budiyono, 2004) Dalam persamaan model regresi linear yang diperoleh, antara nilai Y perbedaan hasil yang sering disebut sebagai kekeliruan. Kekeliruan ini yang disebut sebagai kesalahan baku taksiran. Nilai kesalahan baku taksiran yang diperoleh menyatakan seberapa jauh penyimpangan nilai regresi yang dihasilkan terhadap nilai sebenarnya. Nilai ini digunakan untuk mengukur tingkat ketepatan suatu pendugaan dalam menduga nilai. Kesalahan baku standar regresi berganda, dirumuskan: . , , ,

Keterangan:

=

s

= kesalahan baku

y

= variabel tak bebas

1,2,..,k

= variabel bebas

JKG

= Jumlah Kuadrat Galat

n

= jumlah sampel data pembobotan

k

= jumlah kriteria pembobotan

Kesalahan baku koefisien-koefisien regresi linear ganda dirumuskan: = Keterangan:

=

. , , ,

(

)

= kesalahan baku (s) pada koefisien (b) kriteria ke-m . , , ,

xm R

2

= Kesalahan baku standar regresi berganda = nilai x pada kriteria ke-m = koefisien determinasi dari korelasi linear ganda

commit to user



2.2 Penelitian Terkait Penelitian terkait mengenai penggunaan model regresi linear ganda yang akan diterapkan pada SPK, diantaranya yaitu: 1. Building a New Predictor For Multiple Linear Regression Technique-Based Corrective Maintenance Turnaround Time (Cruz. Antonio M. 2008) Tujuan utama penelitian ini adalah membangun sebuah SPK untuk memprediksi indikator perputaran waktu (TAT) dengan menggunakan model regresi linear ganda dan menemukan kemungkinan penyebab nilai TAT yang tidak diinginkan dengan menggunakan teknik clustering. Penggunaan kedua model tersebut bertujuan untuk meningkatkan efisiensi pekerjaan pemeliharaan korektif di sebuah Clinical Engineering Departement (CED). Hasil yang didapatkan pada penelitian ini yaitu nilai-nilai dari variabel-variabel yang berkontribusi pada pemodelan, diantaranya yaitu: clinical engineering department response time (CE rt, dengan nilai koefisien = 0.415), stock service response time (Stockrt, dengan nilai koefisien = 0.734), priority level (dengan nilai koefisien = 0.21), dan service time (dengan nilai koefisien = 0.06). Berdasarkan hasil nilai-nilai koefisien tersebut, maka pemodelan dengan menggunakan regresi linear ganda menunjukkan bahwa urutan variabel yang mempengaruhi nilai TAT adalah Stockrt, CE rt, dan priority. Sedangkan teknik clustering pada penelitian ini digunakan untuk mengungkapkan penyebab utama nilainilai TAT tinggi. Penulis tidak akan menjelaskan mengenai penerapan teknik clustering tersebut karena tidak ada kaitannya dengan penelitian yang penulis lakukan. Keterkaitan penelitian ini dengan penelitian yang penulis lakukan yaitu mengenai penggunaan model regresi linear ganda yang digunakan untuk menjelaskan tingkat keberartian variabel-variabel bebas terhadap variabel tak bebas dengan melihat nilai-nilai koefisien yang diperoleh.

commit to user



Selain itu model regresi linear ganda tersebut diterapkan sebagai model dalam membangun sebuah SPK. Dalam penelitian ini, SPK yang dibangun yaitu dengan mengkombinasikan model regresi linear ganda dan teknik clustering. Berbeda dengan penelitian penulis yaitu hanya menggunakan model regresi linear ganda sebagai model SPK. 2. Sistem Pendukung Keputusan Penentu Kadar Prosentase Lemak Tubuh Menggunakan Regresi Linier (Irawan, 2008) Penelitian ini bertujuan untuk menentukan kadar prosentase lemak tubuh seseorang dengan memasukkan parameter kondisi fisik dari orang tersebut. Penentuan kadar prosentase lemak dilakukan dengan metode regresi linier yaitu dengan menentukan nilai ramalan variabel tak bebas berdasarkan ketergantungannya pada satu atau lebih variabel bebas. Data parameter input yang digunakan yaitu kumpulan kondisi fisik dari beberapa orang, dalam penelitian ini digunakan data sampel berjumlah 30 untuk masing-masing jenis kelamin. Proses regresi linier dilakukan dengan menggunakan regresi linier berganda, hal ini disebabkan pada masalah penentuan kadar prosentase lemak terdapat beberapa kondisi fisik yang dijadikan sebagai variabel bebas, yaitu : tinggi badan, berat badan, lingkar pinggang dan lingkar panggul. Sedangkan variabel tidak bebas adalah persentase lemak. Pada penelitian, dari persamaan regresi linear ganda yang diperoleh, masing-masing koefisien (bm) dikalikan dengan nilai parameter kondisi fisik yang diberikan oleh pengguna sebagai variabel X 1 sampai Xk. Nilai Y ini merupakan nilai kadar prosentase lemak dari pengguna tersebut. Pengujian yang dilakukan yaitu dengan melihat hasil perbandingan antara nilai kadar prosentase lemak yang diperoleh dari sistem dan yang diperoleh dengan menggunakan alat pengukur prosentase lemak digital dengan menggunakan beberapa parameter yang berbeda. Dari hasil penelitian, dapat disimpulkan bahwa metode regresi linier dapat digunakan untuk menentukan nilai kadar prosentase lemak seseorang. Perbandingan hasil antara nilai kadar prosentase lemak yang

commit to user



diperoleh dari sistem dengan yang diperoleh dengan alat pengukur prosentase lemak digital menghasilkan nilai yang tidak jauh berbeda. Nilai MSE (Mean Square Error) yang dihasilkan sistem adalah 0,2984. Keterkaitan penelitian ini dengan penelitian yang penulis lakukan yaitu mengenai penggunaan persamaan regresi linear ganda yang digunakan untuk menjelaskan hubungan antara variabel-variabel bebas dengan variabel tak bebas yang diterapkan sebagai model pada SPK. Dalam penelitian ini, koefisien-koefisien yang diambil dari persamaan regresi linear ganda digunakan untuk melakukan peramalan untuk nilai variabel tak bebas. Berbeda dengan penelitian penulis yaitu setelah dilakukan peramalan nilai untuk variabel bebas, maka langkah selanjutnya dilakukan perankingan dan kemudian dilakukan sorting sesuai dengan jumlah kuota yang telah ditentukan. 3. Pengaruh Ukuran Perusahaan, Profitabilitas, Leverage, Dan Tipe Kepemilikan Perusahaan Terhadap Luas Voluntary Disclosure Laporan Keuangan Tahunan (Ardi M.S. dan Lana Sularto, 2007) Penelitian ini bertujuan untuk menguji apakah variabel ukuran perusahaan, leverage, profitabilitas dan tipe kepemilikan perusahaan berpengaruh terhadap luar voluntary disclosure laporan tahunan. Jumlah sampel yang digunakan dalam penelitian ini yaitu terdiri dari 8 perusahaan yang bergerak dalam manufaktur. Data dalam penelitian ini diperoleh dari laporan tahunan perusahaan tahun 2004. Pengolahan dan analisis data menggunakan analisis regresi linear berganda dengan bantuan program SPSS. Pengujian data yang digunakan untuk regresi linear berganda yaitu uji asumsi klasik. Pengujian tersebut meliputi: 1. Uji Normalitas, pengujian normalitas dalam penelitian ini dilakukan berdasarkan uji Kolmogorov-Smirnov. Jika nilai statistik Kolmogorov -Smirnov di atas tingkat signifikansi tertentu, normalitas terpenuhi. 2. Uji Multikolinearitas, pengujian ini untuk mengidentifikasi ada tidaknya hubungan antar variabel independen dalam

regresi.

Pengujian terhadap multikolinearitas dilakukan dengan menggunakan

commit to user



nilai VIF dan nilai tolerance. Apabila tolerance lebih kecil dari 0,1 atau nilai VIF di atas 10, maka terjadi multikolinearitas. 3. Uji Autokorelasi, pengujian autokorelasi dalam penelitian ini dilakukan dengan uji Durbin-Watson. Pengujian ini digunakan untuk menguji apakah variabel Y mempunyai nilai yang saling bebas (no autocorr) satu dengan lainnya. 4. Uji Heterokedasititas, Heteroskedastisitas merupakan keadaan dimana seluruh faktor pengganggu tidak memiliki varian yang sama untuk seluruh pengamatan atas variabel independent. pengujian terhadap kemungkinan adanya heterokedastisitas dalam penelitian ini dilakukan dengan uji Glesjer. 5. Pengujian Ketepatan (Koefisien Determinasi), Nilai Koefisien determinasi (R2) pada penelitian ini sebesar 0,344. yang berarti bahwa keempat variabel independen menjelaskan 34,4% variasi yang terjadi pada luas voluntary disclosure laporan tahunan. sedangkan sisanya sebesar 65,6% dijelaskan oleh variabel independen lain yang tidak dimasukkan dalam penelitian ini. 6. Pengujian Koefisien Regresi Serentak (Uji-F), Pengujian ini untuk menguji pengaruh variabel-variabel independen secara serentak terhadap varaibel dependen. 7. Pengujian Koefisien Regresi Parsial (Uji-t), pengujian ini untuk menguji pengaruh variabel independen secara individual terhadap variabel dependen. Hasil yang didapat penelitian ini yaitu semua variabel bebas (ukuran perusahaan, leverage, profitabilitas, dan tipe kepemilikan perusahaan) tidak berpengaruh terhadap luas voluntary disclosure laporan tahunan. Hasil tersebut terjadi karena sampel yang digunakan terlalu kecil, sehingga tidak mampu mempresentasikan seluruh populasi yang ada. Keterkaitan penelitian ini dengan penelitian yang penulis lakukan yaitu mengenai penggunaan serta pengujian model regresi linear ganda yang digunakan untuk mengetahui variabel-variabel bebas dalam

commit to user



mempengaruhi variabel tak bebas. Dalam penelitian ini tidak dibangun SPK, berbeda dengan penelitian penulis yaitu dengan menerapkan model regresi linear ganda untuk pembobotan kriteria yang dilanjutkan dengan perankingan pada SPK yang dibangun. Selain itu, pada penelitian ini hanya menggunakan satu kali pengujian saja, sehingga hasilnya terlihat bias. Sedangkan pada penelitian penulis dilakukan tiga kali pengujian dengan jumlah data yang berbeda, sehingga pada penelitian penulis akan dihasilkan tiga model pembobotan. Dengan melihat hasil dari ketiga pembobotan tersebut, maka akan diketahui kelayakan penggunaan model pembobotan tersebut, yaitu dengan cara melakukan beberapa pengujian pada ketiga pembobotan tersebut. 2.3 Rencana Penelitian Dengan melihat penelitian terkait di atas, penelitian ini akan berkonsentrasi pada pembangunan sistem pendukung keputusan (SPK) untuk seleksi penerimaan siswa baru program rintisan sekolah bertaraf internasional tingkat SMA. SPK dibangun dengan menggunakan model regresi linear ganda yang diterapkan sebagai model untuk pembobotan kriteria dan perankingan terhadap para pendaftar. Penulis memilih model regresi linear berganda karena model ini dapat menganalisis besarnya pengaruh beberapa variabel bebas terhadap satu variabel tak bebas. Analisa pengaruh dapat dilihat pada persamaan regresi linear ganda yang diperoleh, yaitu pada koefisien-koefisien untuk setiap kriteria (X) yang dimasukkan ke dalam model. Koefisien-koefisien tersebut nantinya akan digunakan sebagai bobot pada masing-masing kriteria. Dengan melakukan penjumlahan dari perkalian berbobot sesuai dengan persamaan regresi linear ganda yang diperoleh, akan dihasilkan nilai dugaan Y yang akan dijadikan sebagai nilai akhir untuk melakukan perankingan. Setelah dilakukan perankingan, langkah selanjutnya yaitu dilakukan seleksi dengan menggunakan proses sorting (mengambil sejumlah pendaftar berdasarkan kuota yang telah ditetapkan, baik untuk kuota dalam kota maupun untuk kuota luar kota).

commit to user


digilib.uns.ac.id

BAB III METODOLOGI PENELITIAN Metodologi penelitian diuraikan ke dalam skema tahapan penelitian untuk memberikan petunjuk yang jelas, teratur, dan sistematis seperti yang ditunjukkan pada gambar di bawah ini:

Tahap Pengumpulan Data: Observasi Study Literature

Tahap Analisa: Analisa Masalah Analisa Data Analisa penerapan model ke dalam sistem

Tahap Perancangan: Merancang desain user interface dan struktur program

Tahap Implementasi: Membuat database (dengan MySQL) Menulis kode program (pemrogramman PHP) Debugging (pengujian sistem untuk memperbaiki error)

Tahap Pengujian Penerapan Model Pengujian Pembobotan Untuk SPK Pengujian Hasil Perankingan SPK Pengujian Waktu Eksekusi Model

Tahap Penyusunan Dokumentasi Menulis laporan dokumentasi berdasarkan hasil penelitian

Gambar 3.1 Diagram Rancangan Alur Pelaksanaan Tugas Akhir

commit to user



3.1 Tahap Pengumpulan Data 3.1.1

Observasi Observasi dilakukan dengan melakukan pengamatan langsung ke lokasi

studi kasus (yaitu di SMA Negeri 1 Purworejo) dan mendapatkan beberapa informasi yang berhubungan dengan penelitian. Informasi-informasi yang didapatkan meliputi rule untuk seleksi, kriteria-kriteria untuk seleksi, serta data siswa untuk melakukan pembobotan kriteria dan pengujian keefektifan sistem. Data-data tersebut diperoleh dari pihak SMA Negeri 1 Purworejo. 3.1.2

Study literature Cara pengumpulan materi dengan study literature sebagian dilakukan

melalui internet, dan sebagian lagi melalui text book. Data yang didapat merupakan bahan materi yang berhubungan dengan permasalahan, perancangan, dan implementasi sistem, diantaranya yaitu mengenai konsep SPK, dan konsep model persamaan regresi linear ganda. 3.2 Tahap Analisa 3.2.1

Analisa masalah Permasalahan yang didapatkan adalah bagaimana membangun SPK

agar dapat memudahkan pembuat keputusan dalam melakukan seleksi penerimaan siswa baru program RSBI di SMA Negeri 1 Purworejo agar mendapatkan siswa yang berkualitas. 3.2.2

Analisa data

3.2.2.1 Data Untuk Pembobotan Data untuk pembobotan diambil dari nilai yang didapatkan oleh siswa program RSBI yang diterima dengan mengikuti tes, yaitu: Nilai prestasi (sebagai variabel tidak bebas): nilai prestasi siswa program RSBI yang diambil dari nilai rata-rata semua jenis mata pelajaran yang ada pada kelas satu (semester satu dan semester dua).

commit to user



Nilai-nilai (sebagai variabel bebas): diambil saat siswa diterima sebagai siswa SMA negeri 1 Purworejo (lolos seleksi dengan tes). Nilai-nilai tersebut adalah nilai kriteria UAN SMP (Matematika, B.Inggris, B.Indonesia, IPA), dan nilai kriteria tes (Matematika, B.Inggris, B.Indonesia, IPA, IPS). Nilai-nilai tersebut merupakan nilai-nilai yang digunakan untuk melakukan seleksi dengan bobot yang dihasilkan dari pemodelan regresi linear ganda Semua data-data yang digunakan untuk pembobotan tersebut diambil dari semua angkatan sebelum angkatan pada saat sistem ini dijalankan. Program RSBI di SMA Negeri 1 Purworejo dimulai dari angkatan 2008, karena pada saat ini merupakan angkatan 2011, jadi ada tiga angkatan yang bisa dimasukkan datanya untuk pembobotan pada penelitian ini. 3.2.2.2 Data Untuk Seleksi Data yang dibutuhkan untuk seleksi adalah data nilai para calon peserta didik yang dihasilkan dari setiap kriteria yang telah ditetapkan pihak SMA Negeri 1 Purworejo, diantaranya yaitu: nilai UAN SMP (Matematika, B.Inggris, B.Indonesia, IPA) nilai tes tertulis (Matematika, B.Inggris, B.Indonesia, IPA, IPS) nilai wawancara bahasa inggris, nilai ini digabungkan dengan nilai tes tertulis bahasa inggris, kemudian diambil rata-ratanya sebagai nilai tes bahasa inggris. nilai tes psikotes nilai bonus untuk prestasi (piagam) tertinggi yang diraih, berikut merupakan tabel rincian pemberian nilai untuk piagam, yaitu: Tabel 3.1 Pemberian Nilai Tambahan Untuk Bonus Piagam

Juara Tingkat Kejuaraan I

II

III

Nasional

3,00

2,75

2,50

Provinsi

2,00

1,75

1,50

Kabupaten/Kota

1,00

0,75

0,50

commit to user



Untuk kejuaraan tingkat internasional nilainya sama dengan juara I tingkat nasional. Pemberian nilai piagam, hanya diambil dari salah satu prestasi tertinggi dari nilai kejuaraan yang diperoleh, bukan jumlah dari seluruh nilai. Selama ini pihak SMA Negeri 1 Purworejo telah menetapkan nilai minimal piagam lolos seleksi (diterima tanpa tes) adalah 2 (piagam tingkat provinsi, juara I). Bagi siswa yang mendapatkan nilai yang tidak memenuhi batas minimal piagam lolos seleksi tersebut, maka nilai piagam tersebut akan digunakan sebagai nilai tambahan dalam melakukan seleksi, tanpa pemberian bobot pada nilai piagam tersebut. 3.2.3

Analisa Penerapan Model Pada Sistem Model yang akan diterapkan pada SPK yaitu model regresi linear

ganda. Model regresi linear ganda menghasilkan persamaan yang terdiri dari koefisien-koefisien untuk setiap kriteria (X) yang digunakan sebagai bobot kriteria, dan nilai dugaan Y yang akan dijadikan nilai akhir untuk melakukan perankingan. Persamaan tersebut yaitu: = b 0 + b1X1 + b 2X2 + ... + bjXj Keterangan: = Nilai dugaan bagi variabel Y X1, X2, ..., Xj

= Variabel bebas

b0

=

b1, b2,..., bj

=

0 0

1

j

Nilai-nilai parameter koefesien regresi (b1, b2,..., bj) dijadikan sebagai bobot pada setiap kriteria (X1, X2, ..., Xj), Kriteria-kriteria tersebut yaitu kriteria UAN SMP (Matematika, Bahasa Inggris, Bahasa Indonesia, IPA) dan tes masuk (Matematika, Bahasa Inggris, Bahasa Indonesia, IPA, IPS). Setelah nilai-nilai parameter koefesien regresi diketahui, maka langkah selanjutnya yaitu menghitung nilai dugaan bagi variabel Y ( ) dengan cara melakukan penjumlahan dari perkalian antara nilai variabel-variabel bebas dengan nilai-nilai parameter koefesien pada setiap variabel bebas tersebut.

commit to user



Nilai dugaan variabel Y ( ) yang dihasilkan merupakan nilai akhir untuk setiap alternatif. Namun, nilai tersebut tidak mencakup nilai dari kriteria piagam, padahal kriteria piagam (untuk nilai piagam yang tidak lolos seleksi bebas tes) juga digunakan untuk melakukan seleksi. Karena kriteria piagam pada awalnya dipakai sebagai filter untuk menentukan diterima dengan bebas tes ataukah dengan tes (bisa dilihat pada sub bab 3.2.2.2), sehingga kriteria tersebut bersifat excluded (dikeluarkan) dari seleksi. Namun bagi siswa yang memiliki nilai piagam tetapi tidak lolos seleksi bebas tes, maka nilai piagam tersebut akan digunakan sebagai nilai tambahan dalam melakukan seleksi penerimaan siswa dengan tes. Cara yang dilakukan yaitu hanya menambahkan nilai piagam tersebut dengan nilai

yang dihasilkan

dari persamaan regresi linear ganda, yaitu: Nilai Akhir =

+ nilai_piagam

Hal tersebut tidak masalah dalam kasus regresi, karena regresi tidak mempedulikan

distribusi

independent

variable-nya,

tetapi

lebih

memperhatikan distribusi dari dependent variable-nya. Nilai akhir pada semua alternatif yang dihasilkan akan diranking sesuai dengan jumlah yang terbesar ke jumlah yang terkecil. 3.3 Tahap Perancangan Desain yang dirancang adalah desain user interface program dan struktur data yang dibutuhkan dalam pembangunan SPK untuk seleksi penerimaan siswa baru program RSBI di SMA Negeri 1 Purworejo. 3.4 Tahap Implementasi Ruang lingkup perangkat keras dan perangkat lunak yang akan digunakan untuk mengimplementasikan sistem, diantaranya yaitu: 1. Perangkat Keras: Intel(R) Core(TM) i3 CPU M 390 @ 2.67 GHz (4CPUs) RAM 2 GB Harddisk dengan kapasitas 320 GB

commit to user



2. Perangkat Lunak: : ApacheFriends XAMPP version 1.7.1

Programming Package

Bahasa Pemrograman = PHP 5.2.9 Web Server

= Apache 2.2.11

Database Server

= MySQL 5.1.33

Database Administrator = phpMyAdmin 3.1.3.1 Editing Tool

: Notepad ++ v5.9.3

Supporting Tools

:

Artisteer 2 Macromedia Dreamweaver X4 Adobe Photoshop CS 4 Microsoft Office Excel

Operating Sistem

: Microsoft Windows 7 Professional 32-bit

Testing Tools

:

Mozilla Firefox 8.0.1 SPSS 15.0 for Windows

Tahapan-tahapan implementasi sistem yang akan dilakukan yaitu: 3.4.1

Membuat database Untuk

penyimpanan

data

yang

dibutuhkan,

yaitu

dengan

menggunakan MySQL. 3.4.2

Menulis kode program Seluruh fungsi yang dibutuhkan diterjemahkan ke dalam rangkaian

kode sumber aplikasi hingga selanjutnya menjadi sebuah prototype sistem yang bisa digunakan. Rangkaian kode tersebut menggunakan bahasa pemrograman PHP (Hypertext Preprocessor). 3.4.3

Debugging Debugging dilakukan untuk pengujian terhadap sistem dalam mencari

error yang masih terdapat pada program, untuk selanjutnya diperbaiki.

commit to user



3.5 Tahap Pengujian Penerapan Model 3.5.1

Pengujian Pembobotan Untuk SPK Pembobotan kriteria untuk SPK diperoleh dari persamaan regresi linear

ganda yang telah diperoleh. Karena data untuk pembobotan yang akan digunakan ada tiga angkatan, maka pembobotan kriteria yang akan dihasilkan ada tiga, yaitu: 1. Pembobotan dari data angkatan 2008 (Pembobotan A) 2. Pembobotan dari data angkatan 2008 dan 2009 (Pembobotan B) 3. Pembobotan dari data angkatan 2008, 2009, dan 2010 (Pembobotan C) Dengan adanya ketiga pembobotan kriteria tersebut, maka terdapat tiga persamaan regresi linear ganda yang dihasilkan. Ketiga persamaan tersebut akan dilakukan beberapa pengujian, diantaranya yaitu: 3.5.1.1 Uji Mean Square Error (MSE) Pengujian dilakukan dengan melihat nilai MSE yang dihasilkan untuk setiap model pembobotan yang dihasilkan. Jika semakin banyak data untuk pembobotan menghasilkan nilai MSE yang semakin sedikit, maka model pembobotan yang dihasilkan layak digunakan. 3.5.1.2 Uji Keberartian Regresi Linear Ganda Pengujian ini untuk mengetahui apakah variabel-variabel bebas secara bersama-sama memiliki pengaruh berarti terhadap nilai prestasi. 3.5.1.3 Uji Koefisien Determinasi Koefisien determinasi untuk mengetahui proporsi keberagaman total dalam variabel tak bebas Y yang dapat dijelaskan oleh variabel-variabel bebas X yang ada di persamaan regresi berganda secara bersama-sama. Pengujian ini untuk mengetahui apakah dengan semakin bertambahnya jumlah angkatan akan menghasilkan nilai koefisien determinasi yang lebih baik atau tidak. Semakin banyak nilai koefisien determinasi maka semakin besar pengaruh variabel-variabel bebas secara bersama-sama terhadap variabel tak bebas.

commit to user



3.5.1.4 Uji Keberartian Koefisien Regresi Linear Ganda Pengujian ini bertujuan untuk mengetahui apakah variabel-variabel bebas secara parsial memiliki pengaruh yang berarti terhadap variabel tak bebas. Setiap kriteria yang ada dalam persamaan regresi linear ganda akan dicek keberartiannya terhadap variabel tak bebas (prestasi siswa). 3.5.1.5 Kesalahan Baku Taksiran Pada Regresi Linear Ganda Nilai kesalahan baku taksiran yang diperoleh menyatakan seberapa jauh penyimpangan nilai regresi yang dihasilkan terhadap nilai sebenarnya. Nilai ini digunakan untuk mengukur tingkat ketepatan suatu pendugaan dalam menduga nilai. Terdapat dua jenis kesalahan baku, yaitu kesalahan baku atau selisih taksir standar regresi berganda dan kesalahan baku untuk koefisien regresi pada regresi linear ganda. Karena data untuk pembobotan yang diperoleh ada tiga angkatan, maka pengujian bisa dilakukan dengan melihat hasil pengecekan nilai kesalahan baku dari ketiga angkatan tersebut. Semakin sedikit nilai kesalahan baku yang dihasilkan maka tingkat ketepatan dalam melakukan pendugaan akan semakin baik. 3.5.2

Pengujian Hasil Perankingan SPK Pengujian dilakukan terhadap perankingan yang dihasilkan SPK untuk

seleksi penerimaan siswa baru program RSBI di SMA Negeri 1 Purworejo. Pengujian ini tidak mengacu pada diterima atau tidaknya siswa, tetapi lebih mengacu pada peringkat yang dihasilkan dari perankingan berdasarkan tingkat prestasi siswa yang diterima. Hal ini dikarenakan tujuan dari SPK ini adalah menyeleksi pendaftar baru untuk mendapatkan siswa berkualitas (artinya siswa tersebut mampu meningkatkan prestasinya saat menjalani studi di SMA Negeri 1 Purworejo). Selain itu pihak sekolah juga tidak mempunyai data lengkap siswa yang tidak diterima, sehingga tidak bisa mengacu pada diterima atau tidaknya siswa tersebut. Sedangkan data untuk pengujian secara peringkat prestasi tersedia lengkap, yaitu nilai rata-rata

commit to user



semua jenis mata pelajaran pada semester satu dan dua, dengan asumsi bahwa siswa tersebut diterima bukan karena bebas tes masuk. Pengujian yang bisa dilakukan ada dua macam, yaitu: 3.5.2.1 Membandingkan peringkat yang dihasilkan oleh SPK dengan peringkat yang dihasilkan oleh pihak SMA Negeri 1 Purworejo Diantara kedua peringkat tersebut, peringkat mana yang paling sesuai dengan peringkat berdasarkan hasil prestasi siswa. Tingkat kesesuaian tersebut akan diukur dengan melihat selisih perbedaan peringkat yang dihasilkan dari peringkat-peringkat yang diperbandingkan tersebut. Dari jumlah total selisish perbedaan ranking yang dihasilkan, kita akan mengetahui peringkat mana yang mempunyai selisih perbedaan ranking yang lebih banyak. Jika peringkat SPK mempunyai jumlah yang lebih sedikit maka model SPK yang dihasilkan lebih baik daripada model yang diterapkan di SMA Negeri 1 Purworejo, dan sebaliknya. 3.5.2.2 Membandingkan hasil perankingan SPK jika menggunakan data angkatan untuk pembobotan yang lebih banyak Berdasarkan data yang telah disebutkan pada sub bab 3.2.2.1, maka pengujian yang bisa dilakukan yaitu: 1. Pembobotan dari data angkatan 2008 (Pembobotan A) digunakan untuk melakukan perankingan pada data siswa angkatan 2009 . 2. Pembobotan dari data angkatan 2008 dan 2009 (Pembobotan B) digunakan untuk melakukan perankingan pada data siswa angkatan 2010

.

Dari kedua hasil perankingan tersebut, pengujian yang bisa dilakukan yaitu dengan melihat selisih perbedaan peringkat pada kedua perankingan. Jika jumlah selisih perbedaan peringkat pada perankingan data I lebih banyak dari perankingan data II, maka perankingan SPK dengan menggunakan dua data angkatan menghasilkan perankingan yang lebih baik daripada yang menggunakan satu data angkatan.

commit to user



3.6 Tahap Penulisan Laporan Tahap penulisan laporan yaitu melakukan dokumentasi terhadap semua hal yang berhubungan dengan penelitian, yang meliputi bab pendahuluan, landasan teori, metodologi penelitian, pembahasan, dan penutup.

commit to user


digilib.uns.ac.id

BAB IV PEMBAHASAN 4.1 Analisis Kebutuhan Sistem Sistem yang dibangun terdiri dari beberapa fungsi yang dibutuhkan, diantaranya yaitu: 1.

Fungsi Input Jumlah Kuota Fungsi ini digunakan untuk memasukkan jumlah kuota penerimaan siswa baru. Kuota tersebut merupakan kuota keseluruhan yang nantinya akan dibagi menjadi dua macam kuota, yaitu kuota untuk pendaftar dari luar kota maksimal sebesar 10% dari kuota keseluruhan dan sisanya untuk pendaftar dari dalam kota.

2.

Fungsi Input Minimal Piagam Bebas Tes Fungsi ini digunakan untuk memasukkan nilai minimal piagam bebas tes. Nilai ini diambil dari jenis piagam yang diraih dan tingkat juara yang diraih. Konversi nilai tersebut dapat dilihat pada tabel 3.1.

3.

Fungsi Entry Data Untuk Pembobotan Kriteria Fungsi ini digunakan untuk memasukkan data pembobotan kriteria. Data yang dimasukkan secara detail dapat dilihat pada sub bab 3.2.2.1. Data

tersebut

tidak

dimasukkan

secara

manual

karena

akan

membutuhkan waktu yang cukup lama, sehingga akan dibuat fungsi untuk melakukan upload dengan menggunakan file excel (*.xls). Karena data yang akan digunakan untuk pembobotan tidak hanya satu angkatan, maka akan dibuat fungsi untuk memasukkan data dari jumlah angkatan yang lebih dari satu. Selain untuk memasukkan data pembobotan pada angkatan yang baru, sistem ini juga akan menyediakan fungsi untuk merubah data pembobotan pada angkatan yang sudah dimasukkan, jika terdapat kesalahan data pada angkatan tersebut.

commit to user 35



4.

Fungsi Pembobotan Dengan Model Regresi Linear Ganda Fungsi ini digunakan untuk melakukan proses pembobotan dengan menggunakan model regresi linear ganda pada data pembobotan yang sudah dimasukkan.

5.

Fungsi Entry Data Pendaftar Beserta Piagam Yang Diraih Fungsi ini merupakan tahap awal dalam memasukkan data pendaftar baru. Data yang dimasukkan adalah data mengenai identitas pendaftar, dan data mengenai piagam yang diraih.

6.

Fungsi Pengecekan Pendaftar Yang Lolos Bebas Tes Berdasarkan Nilai Piagam Yang Diraih Fungsi ini digunakan untuk mengecek nilai jenis piagam yang diraih. Jika pendaftar memiliki piagam yang memenuhi nilai minimal piagam bebas tes, maka pendaftar tersebut akan diterima tanpa mengikuti tes (bebas tes). Jika pendaftar tersebut tidak mempunyai piagam, atau nilai piagam yang dimiliki tidak memenuhi batas nilai piagam bebas tes, maka pendaftar tersebut akan mengikuti tes selanjutnya, yaitu tes psikotes.

7.

Fungsi Input Nilai Psikotes Fungsi ini merupakan tahap kedua dalam memasukkan data pendaftar baru. Data kedua yang dimasukkan adalah nilai tes psikotes.

8.

Fungsi Pengecekan Nilai Psikotes Yang Tidak Lolos Seleksi Fungsi ini digunakan untuk mengecek nilai psikotes yang dicapai pendaftar. Jika nilai kurang dari batas minimal nilai psikotes, maka pendaftar tidak bisa melanjutkan ke tahap tes berikutnya. Namun jika nilai psikotes memenuhi batas minimal, maka akan mengikuti tes selanjutnya, yaitu tes tertulis dan tes wawancara bahasa inggris.

9.

Fungsi Entry Nilai Tes Tertulis, Nilai Tes Wawancara Bahasa Inggris, Dan Nilai UAN SMP Fungsi ini merupakan tahap terakhir dalam memasukkan data pendaftar baru. Data yang dimasukkan adalah data nilai hasil tes tertulis, nilai tes wawancara bahasa inggris dan nilai hasil UAN SMP.

commit to user



10. Fungsi Untuk Melakukan Perankingan Fungsi ini digunakan untuk melakukan perankingan terhadap semua data pendaftar yang sudah terdaftar ke dalam sistem. Semua data tersebut akan diranking dengan menggunakan persamaan regresi linear ganda. 11. Fungsi Seleksi Berdasarkan Kuota Untuk Dalam Kota Dan Luar Kota Fungsi ini untuk menentukan siswa yang diterima atau tidak berdasarkan jumlah kuota yang telah ditentukan, baik untuk pendaftar dari dalam kota maupun dari luar kota. 12. Fungsi Mengubah Jumlah Kuota Fungsi ini digunakan untuk mengubah jumlah kuota penerimaan siswa baru. Fungsi ini dibutuhkan untuk mengantisipasi adanya perubahan rule mengenai jumlah kuota untuk penerimaan. 13. Fungsi mengubah Batas Minimal Nilai Piagam Yang Bebas Tes Fungsi ini digunakan untuk mengubah batas minimal nilai piagam bebas tes. Fungsi ini dibutuhkan untuk mengantisipasi adanya perubahan rule mengenai batas minimal piagam bebas tes. 4.2 Analisis Algoritma Perancangan 4.2.1

Algoritma Perancangan Sistem Algoritma perancangan sistem mengacu pada rule yang ditetapkan di

SMA Negeri 1 Purworejo dalam melakukan seleksi yaitu: 1) Menentukan kuota siswa yang akan diterima. Kuota tersebut dibagi menjadi dua macam kuota, yaitu kuota untuk pendaftar dari luar kota maksimal sebesar 10% dari kuota keseluruhan dan sisanya untuk pendaftar dari dalam kota. Kuota luar kota hanya diambil maksimal 10% kecuali jika terjadi kondisi bahwa terdapat sejumlah siswa dari luar kota yang memiliki nilai piagam bebas tes dengan jumlah siswa melebihi batas maksimal 10% dari kuota keseluruhan. 2) Menentukan nilai minimal dari piagam yang diraih oleh calon peserta didik agar lolos seleksi tanpa mengikuti tes. 3) Melakukan pembobotan kriteria untuk semua kriteria yang akan digunakan untuk melakukan seleksi penerimaan pendaftar melalui seleksi

commit to user



dengan tes. Pembobotan kriteria tersebut dilakukan dengan menggunakan model regresi linear ganda, bisa dilihat pada sub bab 4.2.2. 4) Bagi pendaftar yang tidak mempunyai nilai piagam bebas tes, akan mengikuti tes masuk. Tes pertama yang dilakukan adalah tes psikotes, nilai minimal psikotes yang harus diraih adalah 100. 5) Bagi pendaftar yang lolos psikotes, akan lanjut dengan tes tertulis dan tes wawancara B.Inggris. Tes tertulis B.Inggris dengan tes wawancara B.Inggris diambil rata-rata sebagai nilai tes B.Inggris. 6) Jika input data pendaftar selesai, sistem akan melakukan seleksi dengan menggunakan algoritma perankingan dan seleksi, pada sub bab 4.2.3. Untuk lebih jelasnya dapat dilihat dari Flowchart sistem di bawah ini: Mulai Masukkan Jumlah Kuota (Kuota) Masukkan nilai minimal piagam bebas tes (nilai P) Lakukan pembobotan kriteria dengan menggunakan algoritma pembobotan Masukkan data pendaftar, dan jenis piagam yang diraih Sistem akan menentukan nilai dari jenis piagam yang dimasukkan, bebas tes atau tidak Bebas test (langsung diterima)

Nilai piagam >= Nilai P

Bebas tes? Nilai piagam < Nilai P Masukkan nilai tes psikotes

Sistem akan menentukan nilai psikotes memenuhi syarat atau tidak

C1

C2

Gambar 4.1 Flowchart Sistem

commit to user

C3



C1

C2

Tidak diterima

Nilai < 100

C3

Memenuhi syarat? Nilai >= 100

Masukkan nilai tes tertulis: 1. Matematika 2. Bahasa Inggris 3. Bahasa Indonesia 4. IPA 5. IPS Masukkan nilai tes wawancara bahasa Inggris Masukkan nilai UAN SMP: 1. Matematika 2. Bahasa Inggris 3. Bahasa Indonesia 4. IPA Nilai tes tertulis bahasa inggris dan nilai tes wawancara bahasa inggris diambil rata-rata sebagai nilai bahasa inggris

Input Data Pendaftar selesai

Input Pendaftar Lagi

ya

tidak Sistem melakukan perankingan dan seleksi sesuai dengan algoritma perankingan dan seleksi

Diperoleh siswa yang lolos seleksi dan diterima sebagai siswa SMA Negeri 1 Purworejo program RSBI

Selesai

Gambar 4.1 Flowchart Sistem

4.2.2

Algoritma Perancangan Pembobotan Kriteria Pada Sistem Algoritma pembobotan sistem mengacu pada analisis penerapan model

untuk pembobotan kriteria yang dapat dilihat pada sub bab 3.2.3.1. Berikut merupakan Flowchart algoritma pembobotan, yaitu:

commit to user



Mulai

Cek apakah pembobotan sudah pernah dilakukan?

Sudah?

Cek apakah data prestasi untuk pembobotan pada angkatan terakhir sudah ada?

sudah

belum Ada?

Pilih angkatan untuk input data prestasi

tidak Upload file excel data prestasi angkatan yang dipilih

Upload file excel data prestasi angkatan terakhir

proses perhitungan berikut: i

X 1i i X 2i i

........... i

X 9i

perhitungan berikut:

n

1i

2i 2

1i

1i

2i

2i X1i

....

.... 9i

....

9i

1i X2i .... 2 2i ....

.... 9i X1i

....

1iX 9i 2iX 9i

.... 2 9i

9iX 2i ....

Cari invers matrik (

ada

-1

)

-1

Lakukan perkalian matriks : ( ) Sehingga diperoleh matriks:

b0 b1 ....

b9 Diperoleh bobot pada setiap kriteria

Selesai

Gambar 4.2 Flowchart Algoritma Pembobotan Kriteria

commit to user



4.2.3

Algoritma Perancangan Perankingan dan Seleksi Pada SPK Algoritma perancangan perankingan menggunakan persamaan regresi

linear ganda yang diperoleh saat melakukan pembobotan, yaitu: Mulai

Mencari nilai dugaan Y ( ) untuk setiap alternatif (Ai) melalui persamaan:

= (b0 + b1X1 + b2X2 + ... + b9X9) Mencari nilai akhir = + nilai_piagam Melakukan perankingan terhadap semua alternatif dengan mengurutkan nilai Ai secara descending Menghitung jumlah yang diterima dari luar kota bebas tes (JLKBT) dan kuota luar kota (KLK = maksimal 10% * kuota), kemudian mengecek apakah JLKBT < KLK atau tidak

JLKBT < KLK ?

ya

Seleksi pendaftar dari luar kota yang diterima dengan tes (JLKT) berdasarkan ranking teratas dengan jumlah = KLK JLKBT

tidak Seleksi pendaftar dari dalam kota yang diterima dengan tes berdasarkan ranking teratas dengan jumlah = kuota siswa yang diterima bebas tes Selesai

Menggabungkan daftar siswa hasil JLKT dengan pendaftar dari dalam kota yang diterima dengan tes, didefinisikan sebagai (SDLK) Seleksi SDLK berdasarkan ranking teratas dengan jumlah = kuota siswa yang diterima bebas tes

Gambar 4.3 Flowchart Algoritma Perankingan dan Seleksi

4.2 Hasil Pembobotan Berdasarkan sub bab 3.5.1, pembobotan yang akan dilakukan ada tiga macam. Ketiga pembobotan tersebut dilakukan dengan menggunakan data sampel data siswa SMA Negeri 1 Purworejo program RSBI. Data tersebut bisa dilihat pada lampiran II. Dengan menggunakan model persamaan regresi linear ganda yang diterapkan pada sistem untuk melakukan pembobotan tersebut, maka diperoleh persamaan untuk ketiga pembobotan tersebut, bentuk model untuk ketiga persamaan tersebut yaitu:

commit to user



= b0 + b1X1 + b2X2 + b3X3 + b4X4 + b5X5 + b6X6 + b7X7 + b8X8 + b9X9 Keterangan: = Nilai dugaan bagi variabel tak bebas X1, ..., X9

= Variabel bebas

b0

= Dugaan parameter konstanta

b1, b2,..., b9 = Dugaan parameter koefesien regresi untuk variabel bebas Dugaan parameter koefisien yang dihasilkan pada persamaan regresi linear ganda tersebut akan dijadikan sebagai bobot untuk setiap variabel bebas yang berkaitan dengan koefisien tersebut. Detail koefisien untuk ketiga pembobotan tersebut yaitu: 1. Pembobotan A Pada Pembobotan A diperoleh nilai-nilai koefisiensi sebagai berikut: Tabel 4.1 Nilai Koefisien Persamaan Regresi Linear Ganda Pembobotan A

Nama Koefisien

Nilai Koefisien

Konstanta (b0)

-27,41856530105

UN Matematika (b1)

2,4518500448329

UN B.Inggris (b2)

2,4413075933082

UN B.Indonesia (b3)

1,0455814977055

UN IPA (b4)

1,1749505338394

Tes Matematika (b5)

2,0442290059761

Tes B.Inggris (b6)

1,8995602212841

Tes B.Indonesia (b7)

0,64653218268782

Tes IPA (b8)

1,1360098616895

Tes IPS (b9)

0,2652937957123

Dari tabel di atas dapat dijelaskan sebagai berikut: a) b1 = 2,4518500448329, menyatakan bahwa setiap penambahan nilai Ujian Nasional Matematika sebesar 1, maka akan mengalami peningkatan nilai prestasi sebesar 2,4518500448329. Dengan asumsi tidak ada penambahan pada variabel bebas yang lainnya.

commit to user



b) b2 = 2,4413075933082, menyatakan bahwa setiap penambahan nilai Ujian Nasional Bahasa Inggris sebesar 1, maka akan mengalami peningkatan nilai prestasi sebesar 2,4413075933082. Dengan asumsi tidak ada penambahan pada variabel bebas yang lainnya. c) b3 = 1,0455814977055, menyatakan bahwa setiap penambahan nilai Ujian Nasional Bahasa Indonesia sebesar 1, maka akan mengalami peningkatan nilai prestasi sebesar 1,0455814977055. Dengan asumsi tidak ada penambahan pada variabel bebas yang lainnya. d) b4 = 1,1749505338394, menyatakan bahwa setiap penambahan nilai Ujian Nasional IPA sebesar 1, maka akan mengalami peningkatan nilai prestasi sebesar 1,1749505338394. Dengan asumsi tidak ada penambahan pada variabel bebas yang lainnya. e) b5 = 2,0442290059761, menyatakan bahwa setiap penambahan nilai Tes Matematika sebesar 1, maka akan mengalami peningkatan nilai prestasi sebesar 2,0442290059761. Dengan asumsi tidak ada penambahan pada variabel bebas yang lainnya. f) b6 = 1,8995602212841, menyatakan bahwa setiap penambahan nilai Tes Bahasa Inggris sebesar 1, maka akan mengalami peningkatan nilai prestasi sebesar 1,8995602212841. Dengan asumsi tidak ada penambahan pada variabel bebas yang lainnya. g) b7 = 0,64653218268782, menyatakan bahwa setiap penambahan nilai Tes Bahasa Indonesia sebesar 1, maka akan mengalami peningkatan nilai prestasi sebesar 0,64653218268782. Dengan asumsi tidak ada penambahan pada variabel bebas yang lainnya. h) b8 = 1,1360098616895, setiap penambahan nilai Tes IPA sebesar 1, mengalami peningkatan nilai prestasi sebesar 1,1360098616895. Dengan asumsi tidak ada penambahan pada variabel bebas lain. i) b9 = 0,2652937957123, menyatakan bahwa setiap penambahan nilai Tes IPS sebesar 1, maka akan mengalami peningkatan nilai prestasi sebesar 0,2652937957123. Dengan asumsi tidak ada penambahan pada variabel bebas yang lainnya.

commit to user



2. Pembobotan B Pada Pembobotan B diperoleh nilai-nilai koefisiensi sebagai berikut: Tabel 4.2 Nilai Koefisien Persamaan Regresi Linear Ganda Pembobotan B

Nama Koefisien

Nilai Koefisien

Konstanta (b0)

-13,118701177311

UN Matematika (b1)

2,1581462031162

UN B.Inggris (b2)

2,1832052718514

UN B.Indonesia (b3)

0,76309040014553

UN IPA (b4)

0,73250019131303

Tes Matematika (b5)

1,7984568331792

Tes B.Inggris (b6)

1,7042127760365


0,64458644904926

Tes IPA (b8)

1,2092334798792

Tes IPS (b9)

0,31362409495887

3. Pembobotan C Pada Pembobotan C diperoleh nilai-nilai koefisiensi sebagai berikut: Tabel 4.3 Nilai Koefisien Persamaan Regresi Linear Ganda Pembobotan C

Nama Koefisien

Nilai Koefisien

Konstanta (b0)

-12,292187119856

UN Matematika (b1)

2,1156389158237

UN B.Inggris (b2)

2,0440053743752

UN B.Indonesia (b3)

0,71938282329779

UN IPA (b4)

0,7749848127204

Tes Matematika (b5)

1,8077707142315

Tes B.Inggris (b6)

1,8938290963379


0,61578173059706

Tes IPA (b8)

1,0761717493273

Tes IPS (b9)

0,34425953752043

commit to user



Data nilai koefisien pada ketiga pembobotan di atas adalah hasil dari sistem yang dibangun, untuk mengetahui kebenaran nilai tersebut, dapat dilihat pada nilai dari program SPSS, yaitu pada tabel koefisien (tabel 4.6, 4.9, dan 4.12)

Unstandardized Coefficients ,

.

4.3 Pengujian Penerapan Model Pengujian penerapan model yaitu dilakukan dengan menggunakan bantuan dari perangkat lunak SPSS 15. Prosedure penggunaan SPSS untuk melakukan pengujian ini bisa dilihat pada lampiran IV point II. Karena terdapat tiga macam pembobotan, maka pengujian dilakukan pada ketiga pembobotan tersebut. Berikut adalah beberapa tabel nilai yang dihasilkan dengan menggunakan SPSS untuk ketiga pembobotan tersebut, yaitu: Tabel model summary (tabel 4.4, 4.7, dan 4.10), menampilkan: - R (koefisien korelasi), menjelaskan besarnya korelasi antara variabel tidak bebas dengan variabel-variabel bebas. - R Square (koefisien determinasi), bisa dilihat pada sub bab 2.1.2.8 - Adjusted R Square (koefisien determinasi yang sudah disesuaikan) - Std. Error of the Estimate, menjelaskan besarnya kesalahan baku standar regresi berganda, bisa dilihat pada sub bab 2.1.2.10 - Durbin-Watson, untuk uji autokorelasi (detail pada sub bab 2.1.2.4) Tabel ANOVA (tabel 4.5, 4.8, dan 4.11), menampilkan: - Sum of Squares (jumlah kuadrat), ada tiga macam (bisa dilihat pada sub bab 2.1.2.5), diantaranya yaitu regression (jumlah kuadrat regresi), residual (jumlah kuadrat galat), total (jumlah kuadrat total) - Df (Derajad Kebebasan), ada tiga macam, yaitu regression (jumlah variabel bebas), residual (jumlah sampel data - jumlah variabel bebas 1), total (jumlah sampel data

1)

- Mean Square (rataan kuadrat), ada dua macam, yaitu regression (rataan kuadrat regresi), residual (rataan kuadrat galat) atau MSE (bisa dilihat pada sub bab 2.1.2.6).

commit to user



- F merupakan nilai Fhitung untuk uji keberartian regresi linear ganda, bisa dilihat pada sub bab 2.1.2.7. - Sig merupakan nilai probabilitas yang bisa digunakan untuk pengujian signifikansi dengan membandingkan nilai

Tabel koefisien (tabel 4.6, 4.9, dan 4.12), menampilkan: - Unstandardized Coefficients, menampilan nilai: 1) B, merupakan nilai koefisien yang digunakan sebagai dugaan parameter koefesien regresi, bisa dilihat pada sub bab 2.1.2.3 2) Std.Error, menjelaskan besarnya kesalahan baku yang dimiliki oleh setiap koefisien regresi linear ganda. - t, digunakan untuk melakukan uji keberartian koefisien regresi linear ganda secara parsial, bisa dilihat pada sub bab 2.1.2.9 - sig, digunakan sama seperti nilai t, bisa dilihat pada sub bab 2.1.2.9 - Collinearity Statistics, nilai tolerance dan nilai VIF digunakan untuk melakukan uji multikolinearitas, bisa dilihat pada sub bab 2.1.2.4 Pembobotan A Tabel 4.4 Model Summary Pembobotan A Model 1

R ,787(a)

R Square

Adjusted R Square

Std. Error of the Estimate

DurbinWatson

,619

,581

2,10229

2.350

Predictors: (Constant), tes_ips, un_b.Ing, tes_b.Ind, un_ipa, un_mtk, un_b.Ind, tes_mtk, tes_b.Ing, tes_ipa

Tabel 4.5 ANOVA Pembobotan A Sum of Squares

Model

1

Df

Mean Square

Regression

647,096

9

71,900

Residual

397,765

90

4,420

F 16,268

Sig. ,000(a)

Total 1044,861 99 Predictors: (Constant), tes_ips, un_b.Ing, tes_b.Ind, un_ipa, un_mtk, un_b.Ind, tes_mtk, tes_b.Ing, tes_ipa Dependent Variabel: prestasi

commit to user



Tabel 4.6 Koefisien Pembobotan A Unstandardized Coefficients Std. B Error -27,419 12,214

Model (Constant)

1

Standardized Coefficients

t

Sig.

Collinearity Statistics Toler VIF ance

Beta -2,245

,027

un_mtk

2,452

,585

,315

4,193

,000

,748

1,337

un_b.Ing un_b.Ind

2,441 1,046

,851 ,547

,256 ,148

2,867 1,912

,005 ,059

,531 ,707

1,882 1,414

un_ipa tes_mtk

1,175 2,044

,669 ,520

,165 ,296

1,757 3,935

,082 ,000

,482 ,748

2,074 1,336

tes_b.Ing

1,900

,890

,188

2,134

,036

,542

1,844

tes_b.Ind

,647

,440

,108

1,470

,145

,788

1,270

1,136 ,265

,536 ,385

,211 ,046

2,120 ,689

,037 ,493

,427 ,948

2,342 1,055

tes_ipa tes_ips

Pembobotan B Tabel 4.7 Model Summary Pembobotan B Model 1

R

R Square

.792(a)

Adjusted R Square


.610

1.99060

.627

DurbinWatson 2.033


Tabel 4.8 ANOVA Pembobotan B Sum of Squares

Model

1

Df

Mean Square

Regression

1266,476

9

140,720

Residual

752,871

190

3,962

F

Sig.

35,513

,000(a)


Tabel 4.9 Koefisien Pembobotan B Model (Constant) un_mtk 1

Unstandardized Coefficients Std. B Error -13.119 6.867 2.158 .354


T

Sig.

.328

-1.910 6.099

.058 .000

Beta

Collinearity Statistics Toler VIF ance .677

1.477

un_b.Ing

2.183

.481

.265

4.535

.000

.573

1.746

un_b.Ind un_ipa tes_mtk

.763 .733 1.798

.352 .373 .355

.119 .115 .273

2.171 1.963 5.071

.031 .051 .000

.655 .569 .675

1.527 1.757 1.481

commit to user



tes_b.Ing

1.704

.589

.170

2.892

.004

.570

1.753

tes_b.Ind

.645

.314

.111

2.051

.042

.669

1.494

1.209 .314

.321 .240

.218 .061

3.767 1.309

.000 .192

.585 .914

1.708 1.095

tes_ipa tes_ips

aDependent Variabel: prestasi

Pembobotan C Tabel 4.10 Model Summary Pembobotan C Model 1

R

R Square

Adjusted R Square


.683

.674

1.84811

.827(a)

DurbinWatson 1.999


Tabel 4.11 ANOVA Pembobotan C Sum of Squares

Model

1

df

Mean Square

Regression

2138,517

9

237,613

Residual

990,500

290

3,416

F

Sig.

69,569

,000(a)


Tabel 4.12 Koefisien Pembobotan C Model (Constant) un_mtk

1

Unstandardized Coefficients Std. B Error -12.292 5.122 2.116 .275


Collinearity Statistics Toler VIF ance

t

Sig.

.326

-2.400 7.705

.017 .000

.609

1.643

Beta

un_b.Ing un_b.Ind un_ipa

2.044 .719 .775

.352 .280 .284

.271 .111 .118

5.811 2.565 2.728

.000 .011 .007

.502 .578 .583

1.992 1.731 1.716

tes_mtk tes_b.Ing tes_b.Ind

1.808 1.894 .616

.275 .453 .254

.284 .193 .105

6.563 4.178 2.421

.000 .000 .016

.585 .511 .584

1.710 1.958 1.713

tes_ipa tes_ips

1.076 .344

.252 .184

.185 .065

4.270 1.868

.000 .063

.584 .891

1.712 1.123

aDependent Variabel: prestasi

Dengan melihat tabel-tabel nilai beserta plot-plot yang dihasilkan oleh program SPSS di atas, terdapat beberapa pengujian yang bisa dilakukan, diantaranya yaitu:

commit to user



4.3.1

Pengujian Pembobotan Untuk SPK

4.3.1.1 Mean Square Error (MSE) Nilai MSE bisa dilihat pada tabel ANOVA (tabel 4.5, 4.8, dan 4.11) dilakukan dengan melihat nilai MSE pada setiap model pembobotan yang dihasilkan, diantaranya yaitu: Pembobotan A (Tabel 4.5)

: 4,420

Pembobotan B (Tabel 4.8)

: 3,962

Pembobotan C (Tabel 4.11)

: 3,416

Dengan melihat nilai MSE pada ketiga pembobotan di atas, maka dapat kita ketahui bahwa pembobotan yang menggunakan data tiga angkatan menghasilkan nilai MSE yang lebih sedikit dibandingkan menggunakan data angakatan yang lebih sedikit. Jika nilai MSE yang dihasilkan semakin sedikit, maka model pembobotan yang dihasilkan dapat dikatakan layak digunakan. 4.3.1.2 Uji Keberartian Regresi Linear Ganda Pengujian ini dilakukan dengan menguji keberartian atau signifikansi dari persamaan regresi linear ganda yang telah diperoleh. Pengujian ini dilakukan

dengan

menggunakan

uji-F,

dan

bisa

juga

dengan

menggunakan uji-p. Tahapan yang dilakukan dengan menggunakan uji-F bisa dilihat pada dasar teori pada sub bab 2.1.2.6. Untuk nilai Fhitung bisa dilihat pada tabel

ANOVA

(tabel 4.5, 4.8, dan 4.11)

sedangkan p-value untuk uji-

, Berikut

merupakan hasil dari Uji-F yang dilakukan pada ketiga pembobotan: a) Pembobotan A (Tabel 4.5) Nilai Ftabel dengan

= 0,05

V1 = 9 dan V2 = 100-9-1 = 90 F0,05; 9, 90 = 1,985595 Nilai Fhitung = 16,268 Sig = 0,000

commit to user



Kesimpulan : Fhitung > Ftabel dan Sig < Jadi tolak H0, yang berarti variabel-variabel bebas mempunyai pengaruh secara bersama yang berarti terhadap variabel tidak bebas b) Pembobotan B (Tabel 4.8) Nilai Ftabel dengan

= 0,05

V1 = 9 dan V2 = 200-9-1 = 190 F0,05; 9, 190 = 1,929425 Nilai Fhitung = 35,513 Sig = 0,000 Kesimpulan: Fhitung> Ftabel dan Sig < Jadi tolak H0, yang berarti variabel-variabel bebas mempunyai pengaruh secara bersama yang berarti terhadap variabel tidak bebas c) Pembobotan C (Tabel 4.11) Nilai Ftabel dengan

= 0,05

V1 = 9 dan V2 = 300-9-1 = 290 F0,05; 9, 290 = 1,908349 Nilai Fhitung = 69,569 Sig = 0,000 Kesimpulan: Fhitung > Ftabel dan Sig < Jadi tolak H0, yang berarti variabel-variabel bebas mempunyai pengaruh secara bersama yang berarti terhadap variabel tidak bebas 4.3.1.3 Uji Koefisien Determinasi Nilai koefisien determinasi digunakan untuk mengetahui proporsi keberagaman total dalam variabel tak bebas Y yang dapat dijelaskan oleh variabel-variabel bebas X yang ada di persamaan regresi berganda secara bersama-sama. Pengujian ini dilakukan untuk melihat apakah dengan semakin banyaknya data untuk pembobotan, akan menghasilkan nilai koefisien determinasi yang lebih baik atau tidak. Semakin banyak nilai koefisien determinasi maka semakin besar pengaruh variabel-variabel bebas secara bersama-sama terhadap variabel tak bebas. Pengujian dilakukan dengan melihat nilai determinasi (R2) pada ketiga persamaan

commit to user



regresi linear ganda yang dihasilkan. R2

Model

Summary (tabel 4.4, 4.7, dan 4.10)

yaitu:

a) Koefisien determinasi yang dihasilkan pada pembobotan A (tabel 4.4) yaitu sebesar 0,619. Hal ini berarti bahwa sebesar 61,9% variasi variabel tak

bebas

dipengaruhi oleh

variabel-variabel bebas,

sedangkan sisanya 38,1% dipengaruhi oleh faktor lain yang tidak masuk dalam penelitian. Nilai tersebut masih terbilang kurang memuaskan, karena mengandung sisa yang cukup besar. b) Koefisien determinasi yang dihasilkan pada pembobotan B (tabel 4.7) yaitu sebesar 0,627. Hal ini berarti bahwa sebesar 62,7% variasi variabel tak

bebas

dipengaruhi oleh variabel-variabel bebas,

sedangkan sisanya 37,3% dipengaruhi oleh faktor lain yang tidak masuk dalam penelitian. Nilai tersebut juga masih terbilang kurang memuaskan, karena masih mengandung sisa yang cukup besar. Namun nilai koefisien determinasi pembobotan B lebih baik daripada pembobotan A, sehingga sementara dapat dikatakan bahwa dengan bertambahnya angkatan untuk pembobotan, maka nilai koefisien determinasi yang didapatkan akan lebih baik. c) Koefisien determinasi yang dihasilkan pada p embobotan C (tabel 4.10) yaitu sebesar 0,683, berarti bahwa sebesar 68,3% variasi variabel tak

bebas

dipengaruhi oleh

variabel-variabel bebas,

sedangkan sisanya 31,7% dipengaruhi oleh faktor lain yang tidak masuk dalam penelitian. Nilai tersebut juga masih terbilang kurang memuaskan, karena masih mengandung sisa yang cukup besar. Namun nilai koefisien determinasi pembobotan C lebih baik daripada pembobotan A dan pembobotan B. Dengan melihat hasil tersebut, maka dapat diketahui bahwa dengan menggunakan tiga angkatan untuk pembobotan, maka nilai koefisien determinasi yang didapatkan lebih baik daripada menggunakan data angkatan yang lebih sedikit.

commit to user



4.3.1.4 Uji Keberartian Koefisien Regresi Linear Ganda Pengujian ini dilakukan dengan menguji keberartian atau signifikansi pada koefisien persamaan regresi linear ganda yang telah diperoleh. Pengujian ini bertujuan untuk mengetahui apakah variabel-variabel bebas secara parsial memiliki pengaruh yang berarti terhadap variabel tak bebas. Pengujian ini dilakukan dengan menggunakan uji-t, dan bisa juga dengan

menggunakan

uji-p.

Tahapan

yang

dilakukan

dengan

menggunakan uji-t bisa dilihat pada dasar teori pada sub bab 2.1.2.8. Untuk nilai thitung bisa dilihat pada tabel 4.12)

(tabel 4.6, 4.9, dan

t , sedangkan p-value untuk uji-p pada

Berikut merupakan hasil dari pengujian pada ketiga pembobotan, yaitu: Nilai ttabel (t ), dengan

/ 2 = 0,05 / 2 = 0,025 dan v = n-k-1

Tabel 4.13 Nilai ttabel Pada Uji Keberartian Koefisien Regresi Ganda

Pembobotan A (t0,025;90)

Pembobotan B (t0,025;190)

Pembobotan C (t0,025;290)

1,983972

1,971896

1,967903

Nilai thitung

tabel 4.6, 4.9, dan 4.12 (kolom t), dan

nilai p-value (Sig)

tabel 4.6, 4.9, dan 4.12 (kolom Sig)

Tabel 4.14 Nilai t hitung dan Nilai Sig Pada Uji Keberartian Koefisien Regresi Ganda

Pembobotan A

Pembobotan B

Pembobotan C

thitung

Sig

thitung

Sig

thitung

Sig

UN Matematika (b1)

4,191

0,000

6,096

0,000

7,695

0,000

UN B.Inggris (b2)

2,868

0,005

4,538

0,000

5,807

0,000

UN B.Indonesia (b3)

1,912

0,059

2,167

0,031

2,568

0,011

UN IPA (b4)

1,756

0,082

1,965

0,051

2,730

0,007

Tes Matematika (b5)

3,930

0,000

5.065

0,000

6,575

0,000

Tes B.Inggris (b6)

2,135

0,036

2,893

0,004

4,181

0,000


1,470

0,145

2,054

0,042

2,425

0,016

Tes IPA (b8)

2,120

0,037

3,766

0,000

4,270

0,000

Tes IPS (b 9)

0,688

0,493

1,308

0,192

1,870

0,063

commit to user



Dengan melihat nilai pada tabel 4.14, pengujian keberartian koefisien regresi linear ganda dapat dilakukan dengan dua cara, yaitu: Uji-t, yaitu dengan melihat nilai thitung untuk semua kriteria pada ketiga pembobotan, semua nilai dibandingkan dengan nilai ttabel pada masing-masing pembobotan yang ada pada tabel 4.13. Nilai thitung yang lebih kecil dari ttabel dimiringkan dan diberi garis bawah yang menunjukkan bahwa koefisien tersebut tidak mempunyai pengaruh yang berarti terhadap nilai prestasi. Sedangkan nilai thitung yang lebih besar dari ttabel, menunjukkan bahwa koefisien tersebut tidak mempunyai pengaruh yang berarti terhadap nilai prestasi. Uji-p, yaitu dengan membandingkan p-value (sig) dengan ( =0,05). P-value >

dimiringkan dan diberi garis bawah yang

menunjukkan bahwa koefisien tersebut tidak mempunyai pengaruh yang berarti terhadap nilai prestasi. Pada pengujian ini memberikan hasil yang sama dengan uji-t. Dengan melihat hasil pengujian tersebut, terjadi penurunan jumlah variabel bebas yang tidak mempunyai pengaruh yang berarti terhadap nilai prestasi jika digunakan data angkatan yang lebih banyak. Pada pembobotan A terdapat empat, pada pembobotan B berkurang menjadi dua, dan pada pembobotan C berkurang lagi, yaitu hanya terdapat satu variabel bebas yang tidak mempunyai pengaruh yang berarti terhadap nilai prestasi. Dari hasil tersebut, dapat diketahui bahwa dengan menggunakan tiga data angkatan untuk pembobotan maka pengaruh setiap variabel bebas akan semakin terlihat lebih berarti terhadap variabel tak bebas daripada menggunakan data angkatan yang lebih sedikit. 4.3.1.5 Kesalahan Baku Taksiran Pada Regresi Linear Ganda Nilai kesalahan baku taksiran digunakan untuk menyatakan seberapa jauh penyimpangan nilai regresi yang dihasilkan terhadap nilai sebenarnya. Pengujian ini dilakukan untuk melihat apakah dengan semakin bertambahnya jumlah angkatan akan menghasilkan nilai

commit to user



kesalahan baku yang semakin sedikit atau tidak. Semakin sedikit nilai kesalahan baku yang dihasilkan maka tingkat ketepatan untuk melakukan pendugaan semakin baik. Terdapat dua jenis kesalahan baku, yaitu: a) Kesalahan baku atau selisih taksir standar regresi berganda Nilai ini dapat dilihat pada tabel (4.4, 4.7, dan 4.9) kolom Std. Error of the Estimate Tabel 4.16 Kesalahan Baku atau Selisih Taksir Standar Regresi Berganda

Pembobotan A

Pembobotan B

Pembobotan C

2,10229

1,99060

1,84811

b) Kesalahan baku untuk koefisien regresi pada regresi linear ganda Nilai ini dapat dilihat pada tabel (4.7, 4.10, dan 4.13) kolom Unstandardized Coefficients dan sub kolom Std. Error Tabel 4.17 Kesalahan Baku Koefisien Regresi Linear Ganda

Pembobotan A

Pembobotan B

Pembobotan C

UN Matematika (b 1)

0,585

0,354

0,275

UN B.Inggris (b 2)

0,851

0,481

0,352

UN B.Indonesia (b3)

0,547

0,352

0,280

UN IPA (b4)

0,669

0,373

0,284

Tes Matematika (b5)

0,520

0,355

0,275

Tes B.Inggris (b6)

0,890

0,589

0,453

Tes B.Indonesia (b 7)

0,440

0,314

0,254

Tes IPA (b8)

0,536

0,321

0,252

Tes IPS (b 9)

0,385

0,240

0,184

Dengan melihat hasil pada ketiga pembobotan dari dua jenis kesalahan baku tersebut, maka dapat kita ketahui bahwa pengujian yang dilakukan dengan menggunakan tiga angkatan, data angkatan yang lebih banyak menghasilkan kesalahan baku yang semakin kecil

commit to user


digilib.uns.ac.id

daripada data angkatan yang lebih sedikit. Agar lebih jelas mengenai hal tersebut, dapat dilihat pada grafik di bawah ini:

Gambar 4.4 Grafik Pengujian Kesalahan Baku Standar Regresi Ganda

Gambar 4.5 Grafik Pengujian Kesalahan Baku Koefisien Regresi Ganda

4.4 Pengujian Hasil Perankingan SPK Pengujian keefektifan SPK yang dilakukan mengacu pada tingkat prestasi siswa yang diterima. Pengujian yang dilakukan diantaranya yaitu:

commit to user



4.4.1

Membandingkan peringkat yang dihasilkan oleh SPK dengan peringkat yang dihasilkan oleh pihak SMA Negeri 1 Purworejo Peringkat yang dihasilkan oleh SPK selanjutnya kita sebut sebagai

peringkat SPK

peringkat yang dihasilkan model yang digunakan di

SMA Negeri 1 Purworejo ks

peringkat SMA

Pengujian

yang dilakukan yaitu dengan membandingkan dari kedua peringkat tersebut, peringkat mana yang paling sesuai dengan peringkat berdasarkan hasil prestasi siswa

.

Tingkat kesesuaian tersebut akan diukur dengan melihat selisih perbedaan peringkat yang dihasilkan, yaitu dengan cara: Misalnya kita cek id siswa yang mendapat ranking pertama pada peringkat SPK, kemudian cek ranking id siswa tersebut pada peringkat prestasi, hitung selisih perbedaan peringkatnya. Dengan cara yang sama, cek pada semua id siswa yang ada. Hitung jumlah total selisih perbedaan ranking dari peringkat SPK dan peringkat SMA terhadap peringkat prestasi. Untuk lebih jelasnya dapat dilihat pada gambar flowchart di bawah ini: Mulai

Selisih perbedaan = 0

For (i=1;i<=n;i++)

i
Selesai

i>=n Cek id yang ada pada peringkat ke-i, mendapatkan peringkat berapa pada peringkat prestasi (nilai j)

Selisih perbedaan = selisih perbedaan + [ j i ]

Gambar 4.6 Flowchart Algoritma Pencarian Selisih Perbedaan Peringkat

Flowchart di atas menggambarkan algoritma dalam pencarian selisih perbedaan peringkat terhadap peringkat prestasi, baik untuk peringkat SPK ataupun peringkat SMA. Dengan i menunjukkan peringkat ke-i baik untuk

commit to user



peringkat SPK ataupun peringkat SMA, dan n menunjukkan jumlah data yang dilakukan perankingan. Pengujian yang akan dilakukan sebanyak dua kali, bisa dilihat pada sub bab 3.5.2.2. Berikut merupakan hasil dari pengujian tersebut, yaitu pada: 1. Perankingan Data I Jumlah selisih perbedaan antara peringkat SPK dengan peringkat prestasi adalah 1287. Sedangkan jumlah selisih perbedaan peringkat SMA dengan peringkat prestasi adalah 1534. Kedua hasil tersebut menunjukkan bahwa jumlah selisih perbedaan peringkat SPK lebih sedikit dari peringkat SMA, sehingga model SPK yang digunakan pada perankingan data I lebih baik daripada model yang ada di SMA. Untuk detail data dari pengujian ini dapat dilihat pada lampiran III untuk perankingan data I. 2. Perankingan Data II Jumlah selisih perbedaan antara peringkat SPK dengan peringkat prestasi adalah 963. Sedangkan jumlah selisih perbedaan peringkat SMA dengan peringkat prestasi adalah 1337. Kedua hasil tersebut juga menunjukkan bahwa jumlah selisih perbedaan peringkat SPK lebih sedikit dari peringkat SMA, sehingga model SPK yang digunakan pada perankingan data II juga lebih baik daripada model yang ada di SMA. Untuk detail data dari pengujian ini dapat dilihat pada lampiran III untuk perankingan data II. 4.4.2

Membandingkan hasil perankingan SPK jika menggunakan data angkatan untuk pembobotan yang lebih banyak. Berdasarkan hasil pengujian yang ada pada sub bab 4.3.1, dapat kita

ketahui bahwa jumlah selisih perbedaan peringkat yang dihasilkan perankingan data I lebih sedikit dari pada perankingan data II. Untuk lebih jelasnya dapat dilihat pada gambar grafik di bawah ini:

commit to user



Gambar 4.7 Grafik Keefektifan SPK Dengan Pembobotan Yang Berbeda

Dengan melihat grafik di atas, maka dapat kita ketahui bahwa dengan menggunakan dua data angkatan untuk melakukan pembobotan, maka akan menghasilkan hasil

perankingan

yang

menggunakan satu data angkatan saja.

commit to user

lebih

baik

daripada

hanya


digilib.uns.ac.id

BAB V KESIMPULAN DAN SARAN 5.1 Kesimpulan 1. Pembobotan kriteria yang dihasilkan dengan menerapkan model regresi linear ganda pada SPK lebih baik dengan menggunakan tiga data angkatan dibandingkan dengan data angkatan yang lebih sedikit. Hal ini bisa dilihat dari beberapa hasil pengujian yang dilakukan pada persamaan regresi linear ganda yang dihasilkan, diantaranya yaitu: Pada uji Mean Square Error (MSE), dengan data tiga angkatan, data angkatan yang lebih banyak menghasilkan MSE yang lebih sedikit daripada data angkatan yang lebih sedikit. MSE yang lebih sedikit berarti model pembobotan yang dihasilkan lebih layak digunakan. Pada uji keberartian regresi linear ganda, semua kriteria-kriteria yang diberikan bobot (pada ketiga pembobotan) mempunyai pengaruh secara bersama-sama yang berarti terhadap nilai prestasi. Pada uji koefisien determinasi (R2), dengan data tiga angkatan, data angkatan yang lebih banyak menghasilkan R2 lebih banyak daripada data angkatan lebih sedikit, yang berarti semakin besar pengaruh variabel-variabel bebas secara bersama terhadap nilai prestasi. Pada uji keberartian koefisien regresi linear ganda, dapat disimpulkan bahwa dengan menggunakan data tiga angkatan, data angkatan yang lebih banyak membuat setiap variabel bebas akan terlihat lebih berarti terhadap variabel tak bebas daripada data angkatan yang lebih sedikit. Pada uji kesalahan baku regresi linear ganda, dengan data tiga angkatan, data angkatan lebih banyak menghasilkan kesalahan baku yang semakin kecil daripada data angkatan lebih sedikit, yang berarti semakin kecil penyimpangan nilai regresi terhadap nilai sebenarnya. Hasil di atas hanya untuk tiga data angkatan saja, sehingga belum cukup kuat untuk membuat kesimpulan bahwa dengan menggunakan data angkatan yang semakin banyak akan memperkuat keakuratan pembobotan.

commit to user 59



2. Terdapat pola tertentu pada hasil pembobotan (pembobotan A, B, dan C), yaitu nilai koefisien pada beberapa kriteria memberikan nilai yang hampir sama. Kriteria-kriteria tersebut diantaranya yaitu UN Matematika dan UN B.Inggris, UN B.Indonesia dan UN IPA, Tes Matematika dan Tes B.Inggris. Selain itu, variabel bebas Ujian Nasional (Matematika, B. Inggris, B. Indonesia) pada ketiga pembobotan menghasilkan nilai koefisien yang lebih besar daripada variabel bebas tes masuk (Matematika, B.Inggris, B.Indonesia). Hasil tersebut dapat menjadi rekomendasi untuk menghilangkan variabel bebas tes masuk tersebut. 3. Hasil perankingan yang dihasilkan oleh SPK dengan menggunakan model regresi linear ganda untuk pembobotan dan perankingan di SMA Negeri 1 Purworejo, lebih baik daripada dengan menggunakan model yang diterapkan di SMA Negeri 1 Purworejo. Selain itu, perankingan dengan menggunakan data dua angkatan untuk pembobotan memberikan hasil yang lebih baik dibandingkan menggunakan data satu angkatan. 5.2 Saran 1. Pada kesimpulan disebutkan bahwa dengan menggunakan data tiga angkatan belum cukup kuat untuk membuat kesimpulan bahwa dengan menggunakan data angkatan yang semakin banyak akan memperkuat keakuratan pembobotan kriteria. Oleh karena itu, pada penelitian selanjutnya diharapkan bisa menyediakan data angkatan yang lebih banyak untuk menguatkan hipotesa yang dihasilkan pada penelitian ini. 2. Dengan melihat hasil pembobotan, pada penelitian selanjutnya disarankan untuk menghilangkan variabel tes masuk yang memiliki bobot lebih kecil daripada variabel UAN (dengan asumsi pada mata pejalaran yang sama). Hal ini dikarenakan variabel tes masuk dianggap sebagai kriteria untuk menghasilkan kepercayaan terhadap nilai UAN SMP. Jika perankingan yang dihasilkan pada penelitian tersebut lebih baik daripada penelitian penulis, maka keuntungan yang diperoleh pihak SMA yaitu tidak perlu mempersiapkan tes masuk yang dihilangkan tersebut.

commit to user



3. Terdapat beberapa koefisien yang tidak berarti berdasarkan uji keberartian koefisien regresi linear ganda. Pada penelitian ini tidak diuji bagaimana pengaruh koefisien yang tidak berarti tersebut dalam melakukan perankingan. Dengan demikian, pada penelitian selanjutnya disarankan untuk menghilangkan koefisien yang tidak berpengaruh tersebut, apakah akan menghasilkan perankingan yang lebih baik atau tidak.

commit to user

HALAMAN JUDUL. Skripsi. Disusun Oleh : Bintoro Susilo M

Recommend Documents