KONFIGURASI PROGRAM STUDI DI IPB BERDASARKAN PRESTASI MAHASISWA TPB IPB DEVITA HANDAYANI

KONFIGURASI PROGRAM STUDI DI IPB BERDASARKAN PRESTASI MAHASISWA TPB IPB

DEVITA HANDAYANI

DEPARTEMEN MATEMATIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR BOGOR 2013

ABSTRAK DEVITA HANDAYANI. Konfigurasi Program Studi di IPB Berdasarkan Prestasi Mahasiswa TPB IPB. Dibimbing oleh SISWADI dan NGAKAN KOMANG KUTHA ARDANA. Biplot memberikan gambaran perubahan konfigurasi program studi berdasarkan prestasi mahasiswa Tingkat Persiapan Bersama (TPB) IPB. Data yang digunakan dalam penelitian ini yaitu nilai 14 mata kuliah dan IPK mahasiswa TPB IPB tahun akademik 2008/2009-2010/2011. Dalam studi ini, ditelusuri rumusan umum ukuran kesesuaian analisis biplot dengan menggunakan analisis Procrustes. Eksplorasi data dilakukan dengan menggunakan frekuensi peubah, rataan nilai mata kuliah, rataan IPK, boxplot peubah, dan matriks korelasi Spearman. Analisis Procrustes digunakan untuk mengukur kemiripan dua konfigurasi program studi untuk matriks data, matriks program studi berdimensi dua dan matriks peubah berdimensi dua. Hasil yang diperoleh menunjukkan bahwa konfigurasi program studi tahun akademik 2008/2009 mirip dengan konfigurasi program studi tahun akademik 2009/2010 dan dari biplot ketiga tahun akademik, menghasilkan GF matriks data kurang dari 65%. Ini berarti akan ada distorsi gambar yang diperoleh dari biplot dan simpulan yang diperoleh harus didukung dengan hasil eksplorasi data. Hasil studi ini diharapkan dapat memberikan masukan dalam memperoleh gambaran keunggulan dan kekurangan dari program studi untuk upaya perbaikan mutu pendidikan di IPB. Kata kunci: konfigurasi program studi, biplot, analisis Procrustes

ABSTRACT DEVITA HANDAYANI. Study Program Configuration at IPB Based on First Year Students’ Achievement. Supervised by SISWADI and NGAKAN KOMANG KUTHA ARDANA. Biplot gives an overview of the study program configuration based on first year students’ achievement. The data used in this study are the scores of 14 subjects and grade point average (GPA) of first year students in academic year of 2008/2009-2010/2011. In this study, goodness of fit of the biplot is analyzed via Procrustes analysis. Data exploration is carried out using variable frequency, average score of subjects, GPA, boxplot of variables, and Spearman’s correlation matrix. Procrustes analysis is used to measure the similarity between two study program configurations according to the whole data matrix, the two-dimensional study program data matrix, as well as the two-dimensional variable matrix. The results show that the study program configuration in academic year of 2008/2009 is similar to the study program configuration in academic year of 2009/2010. Moreover, the biplots obtained from the three academic years produce goodness of fit of the data matrix less than 65%. This means that there will be distortion of the images obtained from the biplot, and therefore, the conclusions should be supported by the results of data exploration. The results of this study are expected to provide information of the advantages and disadvantages for each study program at IPB to improve their academic quality. Keywords: study program configuration, biplot, Procrustes analysis

KONFIGURASI PROGRAM STUDI DI IPB BERDASARKAN PRESTASI MAHASISWA TPB IPB

DEVITA HANDAYANI

Skripsi sebagai salah satu syarat untuk memperoleh gelar Sarjana Sains pada Departemen Matematika

DEPARTEMEN MATEMATIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR BOGOR 2013

Judul

:

Konfigurasi Program Mahasiswa TPB IPB Mariyammm Nama : Devita Handayani NIM : G54080074

Studi

di

IPB

Berdasarkan Prestasi

Menyetujui, Pembimbing I,

Pembimbing II,

Dr. Ir. Siswadi, M.Sc. NIP. 19490609 197412 1 001

Ir. N. K. Kutha Ardana, M.Sc. NIP. 19640823 198903 1 001

Mengetahui, Ketua Departemen Matematika

Dr. Berlian Setiawaty, MS. NIP. 19650505 198903 2 004

Tanggal lulus :

PRAKATA Bismillahirrahmanirrahim, puji dan syukur penulis panjatkan kepada Allah SWT atas karuniaNya sehingga karya ilmiah yang berjudul Konfigurasi Program Studi di IPB Berdasarkan Prestasi Mahasiswa TPB IPB dapat penulis selesaikan. Shalawat serta salam semoga selalu tercurahkan untuk nabi besar Muhammad SAW, keluarga, sahabat, dan para pengikutnya sampai akhir zaman. Pada kesempatan ini, penulis ingin mengucapkan terima kasih kepada Bapak Dr. Ir. Siswadi, M.Sc. selaku dosen pembimbing I dan Bapak Ir. Ngakan Komang Kutha Ardana, M.Sc. selaku dosen pembimbing II atas ilmu, kesabaran, motivasi, dan saran selama penulis melakukan bimbingan tugas akhir, Bapak Dr. Toni Bakhtiar, M.Sc yang telah bersedia menjadi dosen penguji pada saat sidang tugas akhir, serta Bapak Dr. Ir. Ibnul Qayim selaku Direktur TPB IPB yang telah memberikan bantuan data mahasiswa TPB IPB tahun akademik 2008/2009-2010/2011. Terima kasih pula untuk seluruh dosen dan tenaga kependidikan Departemen Matematika atas ilmu yang telah diberikan dan bantuannya selama ini. Karya ilmiah ini penulis persembahkan untuk Mama Hj. Sarmi, Papa H. Haryono, Kakakku Sri Muharmi, S.IKom, Abangku Robby Adhari, A.Md, Masku Aris Mustofa, Mama Lily, Uni Lina, serta keluarga besarku. Terima kasih atas pengorbanan, doa, semangat, dan motivasinya. Terima kasih penulis ucapkan kepada sahabat-sahabatku Putri Rindi Muttia, Sekardyaning Pangesti, Trias Priyanti, Suci Anggrayani, teman seperjuangan dan satu bimbingan Rika Putra, teman-teman Matematika Angkatan 45, Dini, Nova, Fuka, Putri, Heru, Pipin, teman-teman SalamArt dan teman-teman lainnya untuk kebersamaan yang berharga, doa, semangat, dan motivasinya. Terima kasih penulis ucapkan kepada Euis Intarina, Hatifah Setiasih, Siti Aminah, Nurul Khotimah dan Indah atas kebersamaannya selama ini di rumah mungil tercinta Edelweis. Terima kasih penulis juga ucapkan kepada Anita, Kak Mariyam, Kak Alan, dan Kak Putranto atas bantuannya dalam penelitian ini. Terima kasih penulis ucapkan kepada kakak-kakak Matematika Angkatan 44, adikadik Matematika Angkatan 46 dan teman-teman Statistika Angkatan 46, serta semua pihak yang turut membantu penulis dalam menyelesaikan karya ilmiah ini. Akhir kata, penulis menyadari masih banyak kekurangan dalam penulisan karya ilmiah ini. Oleh karena itu, penulis sangat berharap dan menghargai semua saran dan kritik yang diberikan. Semoga karya ilmiah ini bermanfaat bagi pembacanya.

Bogor, Januari 2013

Devita Handayani

RIWAYAT HIDUP Penulis dilahirkan di Jakarta pada tanggal 24 Desember 1990 dari pasangan Bapak H. Haryono dan Ibu Hj. Sarmi. Penulis merupakan anak kedua dari dua bersaudara. Pendidikan formal yang ditempuh penulis yaitu SDN 03 Pagi UKS lulus pada tahun 2002, SMP Negeri 7 Jakarta lulus pada tahun 2005, SMA Negeri 31 Jakarta lulus pada tahun 2008 dan pada tahun yang sama diterima di Institut Pertanian Bogor (IPB) melalui jalur Seleksi Nasional Masuk Perguruan Tinggi Negeri (SNMPTN). Penulis memilih mayor Matematika Fakultas Matematika dan Ilmu Pengetahuan Alam. Selama menjadi mahasiswa IPB, penulis menjadi pengajar Matematika di bimbingan belajar Ganesha Operation pada tahun akademik 2010/2011 sampai dengan saat ini. Penulis juga aktif pada kegiatan kemahasiswaan Lembaga Dakwah Kampus Serambi Ruhiyah Mahasiswa FMIPA (LDF SERUM G) sebagai Staf Divisi Keputrian periode 2009/2010. Penulis juga terlibat dalam beberapa kegiatan antara lain: Staf Divisi Dana Usaha Math Expo tahun 2009, Staf Divisi Acara Festival Ilmuwan Muslim tahun 2009, Kepala Divisi Dana Usaha Matematika Ria dalam Kompetisi Sains SMA Se-Indonesia Pesta Sains Nasional 2010, dan Staf Divisi Acara Masa Pengenalan Departemen (MPD) tahun 2010.

DAFTAR ISI Halaman DAFTAR TABEL ................................................................................................................... DAFTAR GAMBAR .............................................................................................................. DAFTAR LAMPIRAN ...........................................................................................................

ix ix ix

PENDAHULUAN ...................................................................................................................

1

Latar Belakang ................................................................................................................... Tujuan ...............................................................................................................................

1 1

LANDASAN ANALISIS ........................................................................................................

1

Boxplot .............................................................................................................................. Analisis Procrustes ............................................................................................................ Analisis Biplot ................................................................................................................... Ukuran Kesesuaian Analisis Biplot ..................................................................................

1 1 3 5

METODE PENELITIAN ........................................................................................................

6

Sumber Data ...................................................................................................................... Peubah Penelitian .............................................................................................................. Objek Penelitian ................................................................................................................ Analisis dan Pemrograman ................................................................................................

6 6 6 6

HASIL DAN PEMBAHASAN ................................................................................................

7

Rumusan Umum Ukuran Kesesuaian dengan Analisis Procrustes .................................... Eksplorasi Data .................................................................................................................. Kesesuaian Antarkonfigurasi Data .................................................................................... Konfigurasi Program Studi (PS) di IPB ............................................................................. Interpretasi Biplot ..............................................................................................................

7 8 13 14 16

SIMPULAN ............................................................................................................................

18

DAFTAR PUSTAKA .............................................................................................................

18

LAMPIRAN ............................................................................................................................

19

DAFTAR TABEL Halaman

1 2 3 4 5 6 7 8 9

Objek penelitian berdasarkan PS tahun akademik 2008/09-2010/11 ................................. Persentase huruf mutu peubah mata kuliah ....................................................................... Matriks korelasi Spearman tahun akademik 2008/2009 .................................................... Matriks korelasi Spearman tahun akademik 2009/2010 .................................................... Matriks korelasi Spearman tahun akademik 2010/2011 .................................................... Kesesuaian antarkonfigurasi untuk matriks data ............................................................... Ukuran kesesuaian analisis biplot menggunakan GF Gabriel dan GF analisis Procrustes Kesesuaian antarkonfigurasi untuk matriks koordinat PS berdimensi dua ........................ Kesesuaian antarkonfigurasi untuk matriks koordinat peubah berdimensi dua .................

6 8 10 11 11 13 14 14 14

DAFTAR GAMBAR Halaman

1 2 3 4 5 6 7 8 9

Boxplot dan keterangannya ............................................................................................... Rataan nilai mata kuliah dan IPK ...................................................................................... Rataan IPK masing-masing program studi ........................................................................ Gambaran perolehan IPK mahasiswa TPB berdasarkan program studi tahun akademik 2008/2009 .......................................................................................................................... Gambaran perolehan IPK mahasiswa TPB berdasarkan program studi tahun akademik 2009/2010 .......................................................................................................................... Gambaran perolehan IPK mahasiswa TPB berdasarkan program studi tahun akademik 2010/2011 .......................................................................................................................... Biplot tahun akademik 2008/2009 ..................................................................................... Biplot tahun akademik 2009/2010 ..................................................................................... Biplot tahun akademik 2010/2011 .....................................................................................

1 9 10 12 13 13 15 15 15

DAFTAR LAMPIRAN Halaman

1 2 3 4 5 6 7 8 9 10 11

Rataan nilai mata kuliah dan IPK mahasiswa tahun akademik 2008/2009 ....................... Rataan nilai mata kuliah dan IPK mahasiswa tahun akademik 2009/2010 ....................... Rataan nilai mata kuliah dan IPK mahasiswa tahun akademik 2010/2011 ....................... Frekuensi peubah mata kuliah ............................................................................................ Rataan, median dan ragam peubah mata kuliah dan IPK ................................................... Rataan IPK mahasiswa masing-masing program studi ....................................................... Korelasi Spearman antarpeubah dan signifikansinya menggunakan software SPSS 16 tahun akademik 2008/2009 ................................................................................................ Korelasi Spearman antarpeubah dan signifikansinya menggunakan software SPSS 16 tahun akademik 2009/2010 ................................................................................................ Korelasi Spearman antarpeubah dan signifikansinya menggunakan software SPSS 16 tahun akademik 2010/2011 ................................................................................................ Gambaran perolehan IPK mahasiswa TPB berdasarkan program studi tahun akademik 2008/2009 ........................................................................................................................... Gambaran perolehan IPK mahasiswa TPB berdasarkan program studi tahun akademik 2009/2010 ...........................................................................................................................

20 21 22 23 24 25 26 27 28 29 30

ix

12 Gambaran perolehan IPK mahasiswa TPB berdasarkan program studi tahun akademik 2010/2011 ........................................................................................................................... 13 Program perhitungan jarak Procrustes antarkonfigurasi data ............................................ 14 Program ukuran kesesuaian dengan menggunakan analisis Procrustes .............................. 15 Program perhitungan jarak Procrustes antarkonfigurasi program studi dan peubah berdimensi dua .................................................................................................................. 16 Koordinat biplot tahun akademik 2008/2009, 2009/2010 dan 2010/2011.......................... 17 Gambaran biplot tahun akademik 2008/2009 ..................................................................... 18 Gambaran biplot tahun akademik 2009/2010 ..................................................................... 19 Gambaran biplot tahun akademik 2010/2011 .....................................................................

31 32 34 36 39 41 42 43

x

PENDAHULUAN Latar Belakang Analisis biplot merupakan salah satu bentuk Analisis Peubah Ganda (APG) yang dapat memberikan gambaran secara grafik tentang kedekatan antarobjek, keragaman peubah, korelasi antarpeubah dan keterkaitan antara peubah dengan objek. Selain itu, analisis biplot digunakan untuk menggambarkan hubungan antara objek dan peubah yang berada pada ruang berdimensi tinggi ke dalam ruang berdimensi rendah (Gabriel 1971). Dari analisis biplot diperoleh tiga matriks pendekatan yang terkait dengan data, peubah dan objek, serta ukuran kesesuaian dari ketiga matriks tersebut dikemukakan oleh Gabriel (2002) yang kemudian untuk matriks peubah dirumuskan oleh Siswadi dan Bakhtiar (2011). Analisis Procrustes adalah salah satu metode yang menyatakan perbedaan dua atau lebih konfigurasi n-titik sebagai nilai numerik (Krzanowski 1990). Nilai numerik yang dihasilkan metode ini dapat digunakan untuk menentukan ukuran kesesuaian (goodness of fit) antarkonfigurasi. Dalam analisis Procrustes dikenal tiga transformasi geometris untuk menghitung nilai perbedaan minimum dari dua konfigurasi. Ketiga transformasi

geometris tersebut yaitu translasi, rotasi, dan dilasi. Dari ketiga transformasi ini dapat digunakan untuk menentukan ukuran kesesuaian yang optimal (Bakhtiar & Siswadi 2011). Salah satu kegunaan analisis biplot adalah untuk pemetaan. Pemetaan Program Studi (PS) di Institut Pertanian Bogor misalnya, dapat digunakan untuk memperoleh gambaran perubahan konfigurasi program studi pada tahun akademik 2008/2009, 2009/2010 dan 2010/2011. Pemetaan ini diharapkan dapat memberikan masukan tentang gambaran keunggulan dan kekurangan dari program studi sehingga dapat dilakukan evaluasi kinerja, serta upaya perbaikan mutu pendidikan setiap program studi di Institut Pertanian Bogor. Tujuan Tujuan penulisan karya ilmiah ini ialah memperoleh gambaran perubahan konfigurasi program studi di IPB berdasarkan prestasi mahasiswa TPB IPB (dalam studi kasus tahun akademik 2008/2009, 2009/2010 dan 2010/2011).

Boxplot Boxplot atau diagram kotak garis merupakan salah satu alat peraga dalam pembandingan data dengan cara menggambarkan kotak-garis masing-masing kelompok data secara berdampingan sehingga perbandingan lokasi pemusatan maupun rentangan penyebaran data antarkelompok itu dapat dilihat secara sekaligus (Aunuddin 1989). Ukuran panjang kotak dan garis berdasarkan ringkasan 5 angka yaitu nilai minimum, kuartil pertama, median atau kuartil kedua, kuartil ketiga, dan nilai maksimum dari data yang sudah diurutkan. Posisi median di dalam kotak akan menunjukkan kemiringan pola sebaran, letak median (Q2) yang lebih dekat ke kuartil pertama (Q1) mencirikan suatu sebaran dengan kemiringan positif atau memanjang ke arah nilai-nilai yang besar dan kemiringan negatif terjadi bila posisi median lebih dekat ke kuartil ketiga (Q3). Panjangnya garis yang menjulur ke luar dari kotak menjadi petunjuk adanya data yang agak jauh dari kumpulannya.

DA TA

LANDASAN ANALISIS

4

Nilai maksimum

3

Kuartil ketiga (Q3)

2

Median (Q2)

1

Kuartil pertama (Q1)

0

Nilai minimum

Gambar 1 Boxplot dan keterangannya

Analisis Procrustes Dalam Bakhtiar dan Siswadi (2011) analisis Procrustes adalah alat analisis berdasarkan asas kuadrat terkecil yang dapat digunakan untuk mengukur kemiripan maksimal antarkonfigurasi titik melalui serangkaian transformasi linear. Analisis ini bertujuan untuk membandingkan dua konfigurasi yang mewakili unit pengamatan yang sama. Untuk melihat kesesuaian yang relatif dekat dan relatif jauh dari dua

2

konfigurasi maka setelah kedua konfigurasi dilakukan translasi, salah satu konfigurasi dibuat tetap, sementara konfigurasi yang lainnya ditransformasikan sehingga paling sesuai dengan konfigurasi pertama. Misalkan dan merupakan matriks yang berukuran dan yang masing-masing adalah representasi konfigurasi yang akan dibandingkan. Koordinat titik ke-i pada ruang Euclid yang diberikan oleh nilai-nilai baris ke-i pada matriks. Konfigurasi pertama berada pada ruang berdimensi p dan koordinat titik ke-i, yaitu ( ). Sedangkan konfigurasi kedua berada pada ruang berdimensi q dan koordinat titik ke-i, yaitu ( ). Jika maka konfigurasi kedua berada dalam subruang dari ruang berdimensi p. Berdasarkan analisis Procrustes, perbedaan ruang dimensi ini dapat diselesaikan dengan memasangkan kolom nol di kanan sehingga menjadi matriks berukuran . Dengan demikian, dapat digunakan secara umum . Pemasangan kolom nol tidak hanya di kanan , tetapi juga dapat dipasangkan di kolom manapun konfigurasi (Siswadi et al. 2012). Untuk menentukan ukuran kesesuaian dalam dua konfigurasi, analisis Procrustes menggunakan jumlah kuadrat jarak antara titik yang bersesuaian yaitu (

)

∑

∑

(

( ) ( (Bakhtiar & Siswadi 2011)

) )

(1)

dengan ( ) dinamakan teras dari matriks segi atau jumlah elemen diagonal dari matriks segi Z sehingga dituliskan ( ) ∑ . Dengan mempertimbangkan perubahan posisi, orientasi dan skala dua konfigurasi yang dibandingkan, analisis Procrustes mensyaratkan tiga bentuk transformasi geometris harus dilakukan untuk mendapatkan E yang optimal. Ketiga bentuk transformasi ini yaitu translasi, rotasi, dan dilasi. Konfigurasi tetap dan konfigurasi bergerak menyesuaikan urutan translasi, rotasi dan dilasi (TRD). Translasi Translasi dalam analisis Procrustes dapat didefinisikan sebagai proses pemindahan seluruh titik dengan jarak yang tetap dan arah yang sama. Dari persamaan (1) diperoleh

(

)

∑ ( ̅

∑

[(

̅)

(

̅)

[(

̅)

(

̅ )]

̅ )] ∑

∑

∑ ( ̅

∑

[( ∑

̅)

̅) ( ̅

(

̅ )]

̅ ) . (2)

Bentuk kedua dari ruas kanan persamaan (2) bernilai nol, maka diperoleh ( ) dengan

(

)

( ̅ ̅ (̅ ̅ ∑

(3)

̅ ) ̅ ) ( ̅

̅)

∑ ̅

∑

̅

untuk . dan merupakan konfigurasi dan setelah ditranslasi. dan masing-masing adalah sentroid kolom dari dan . Sedangkan merupakan jumlah kuadrat jarak dari kedua sentroid kolom dan . Untuk menghasilkan E yang minimum, maka Dengan demikian, nilai perbedaan minimum antara dua konfigurasi dan setelah ditranslasi adalah (

)

(

∑

∑

[(

) ̅)

(

̅ )] .

(4)

Rotasi Rotasi dalam analisis Procrustes dapat didefinisikan sebagai suatu proses pemindahan seluruh titik dengan sudut yang tetap tanpa mengubah jarak setiap titik terhadap sentroidnya. Dalam transformasi ini dilakukan dengan mengalikan konfigurasi dengan suatu matriks ortogonal. Rotasi terhadap dilakukan dengan mengalikan matriks dengan matriks ) dengan ortogonal , yaitu ( . Dengan demikian, perbedaan minimum konfigurasi dengan setelah penyesuaian dengan rotasi ialah (

)

(

).

(5)

3

Secara aljabar, nilai perbedaan minimum setelah dilakukan penyesuaian dengan rotasi ialah (

)

( (

) (

) ( ( ).

) ) (6)

) Nilai E akan minimum jika ( maksimum. Jadi, dipilih matriks ortogonal ) yang memaksimumkan ( ( ) ) sehingga menjadi ( )( yang diberikan dalam suatu teorema (Sibson 1978) berikut (diberikan tanpa bukti): Teorema Jika dan merupakan elemen dalam dan elemen dalam merupakan ( ) akan matriks ortogonal maka maksimum bila dipilih dengan ∑ merupakan hasil Dekomposisi Nilai Singular Bentuk Lengkap (DNSBL) dari matriks . Dilasi Dilasi dalam analisis Procrustes dapat didefinisikan sebagai penskalaan data dengan pembesaran atau pengecilan jarak setiap titik dalam konfigurasi terhadap sentroidnya. Dilasi terhadap dilakukan dengan mengalikan konfigurasi dengan suatu skalar c. Konfigurasi setelah dilasi menjadi . Dengan demikian perbedaan minimum antara dua konfigurasi setelah dilasi ialah (

)

(

).

(7)

Secara aljabar, perbedaan minimum setelah dilakukan penyesuaian dengan dilasi ialah (

)

(

) ( ) ).

( (

) (

) (8)

Persamaan (8) merupakan fungsi kuadrat dalam variabel c. Syarat untuk memperoleh nilai E yang minimum ialah turunan pertama sama dengan nol dan turunan kedua lebih besar nol. Dari persamaan (8) diperoleh (

) (

( )

) (

)

(

)

(

)

.

(9)

Nilai E minimum dapat diperoleh dengan mensubstitusi nilai c ke dalam persamaan (8) sebagai berikut:

(

)

(

)

(

)

(

)

.

(10)

Bakhtiar dan Siswadi (2011) telah menunjukkan bahwa urutan optimal transformasi linear dalam analisis Procrustes ialah translasi, rotasi, dan dilasi dengan jarak Procrustes diberikan oleh: (

)

( (

) )

( (

) )

. (11)

Untuk memperoleh posisi yang paling sesuai sehingga kedua matriks menjadi semakin dekat dilakukan penyesuaian seperti di atas. Ukuran kesesuaian dua konfigurasi menggambarkan kesesuaian antara dua matriks. Semakin kecil nilai maka memiliki kesesuaian antarkonfigurasi yang relatif dekat, sedangkan semakin besar nilai maka memiliki kesesuaian antarkonfigurasi yang relatif jauh. Analisis Biplot Analisis biplot pertama kali diperkenalkan oleh Gabriel pada tahun 1971. Analisis biplot merupakan suatu upaya untuk memberikan peragaan grafik dari matriks data X dalam suatu plot dengan menumpangtindihkan vektor-vektor dalam ruang berdimensi rendah, biasanya dua (atau tiga) yang mewakili vektor-vektor baris matriks X (gambaran objek) dengan vektor-vektor yang mewakili kolom matriks X (gambaran peubah). Dari peragaan ini diharapkan diperoleh gambaran tentang objek, misalnya kedekatan antarobjek, gambaran tentang peubah, baik tentang keragamannya maupun korelasinya, serta keterkaitan antara objek dengan peubah (Siswadi & Suharjo 1997). Informasi yang dapat diperoleh dari biplot antara lain ialah: 1. Kedekatan antarobjek. Dua objek dengan karakteristik yang relatif sama akan digambarkan sebagai dua titik yang posisinya berdekatan. 2. Keragaman peubah. Peubah dengan ragam kecil digambarkan sebagai vektor yang pendek. Begitu pula sebaliknya, peubah dengan ragam besar digambarkan sebagai vektor yang panjang. 3. Korelasi antarpeubah. Peubah digambarkan sebagai vektor. Jika sudut dua peubah lancip (< 90o) maka korelasinya bernilai positif. Apabila sudut dua peubah tumpul (> 90o) maka korelasinya bernilai negatif. Sedangkan jika sudut dua peubah siku-siku maka tidak saling berkorelasi.

4

4. Keterkaitan peubah dengan objek. Objek yang letaknya searah dengan vektor peubah, menunjukkan objek tersebut nilainya di atas rataannya, jika berlawanan berarti nilainya di bawah rataannya, jika hampir di tengah-tengah berarti nilainya mendekati rataannya. Analisis biplot dikembangkan atas dasar Dekomposisi Nilai Singular (DNS) atau Singular Value Decomposition (SVD). Misalkan n adalah matriks data dengan n baris mewakili objek dan p kolom mewakili peubah. Selanjutnya dikoreksi terhadap nilai rataannya sehingga diperoleh matriks (Aitchison & Greenacre 2002), yaitu (

)

(12)

eigen-nilai eigen positif dari matriks dengan hubungan (√

r

p

(

n

(

√

√

)

√

(16)

)

(17)

√

)

√

(18)

dengan √ dan √ √ √ disebut nilai singular dari matriks . Dalam Jolliffe (2002) persamaan (15) dapat diuraikan menjadi , Misalkan [ persamaan (8) menjadi

,

-.

,

(19) - dan

] maka (20)

dengan 1 adalah vektor yang semua unsurnya bernilai 1. Matriks koragam ( ) yang diperoleh dari matriks ialah (13) sedangkan matriks korelasi ( ialah ⁄

⁄

dengan

) dari matriks

⁄

(14)

(

√

√

√

)

adalah matriks diagonal. , Misalkan matriks n maka didefinisikan jarak Euclid dan jarak Mahalanobis antara objek ke-i dan ke-j berturut-turut dituliskan sebagai: (

)

√(

) (

(

)

√(

)

) (

).

Matriks berpangkat r dengan * + dapat dinyatakan sebagai SVD berikut: n

n

dengan demikian setiap elemen ke-(i, j) unsur matriks X dapat dinyatakan sebagai berikut: . Vektor merepresentasikan objek ke-i matriks X dan vektor merepresentasikan peubah ke-j matriks . Jika X berpangkat dua, maka vektor baris dan vektor kolom dapat digambarkan dalam ruang dimensi dua. Sedangkan matriks yang berpangkat lebih dari dua dapat didekati dengan matriks berpangkat dua, sehingga persamaan dapat ditulis menjadi dengan masing-masing dan mengandung dua unsur pertama vektor dan . Dengan pendekatan tersebut matriks X dapat disajikan dalam ruang dimensi dua. Nilai yang digunakan dapat merupakan , -, tetapi pengambilan nilai sebarang nilai-nilai ekstrim, yaitu berimplikasi pada interpretasi biplot. a. Jika , maka dan , akibatnya ( ) ( )

(15)

(Aitchison & Greenacre 2002) dengan dan merupakan matriks ortonormal kolom, sehingga . Matriks W adalah matriks yang kolomkolomnya terdiri dari vektor eigen yang berpadanan dengan nilai eigen positif dari matriks . Matriks adalah matriks yang kolom-kolomnya merupakan vektor eigenvektor eigen yang berpadanan dengan nilai

sehingga diperoleh :  

( ) , dengan adalah koragam peubah ke-i dan ke-j. ‖ ‖ √ , dengan √ merupakan simpangan baku peubah ke-i.

5



Korelasi antara peubah ke-i dan ke-j dijelaskan oleh cosinus sudut antara dan (misal: ), yaitu ( )



Jika (

‖ ‖‖

‖

√

‖

)

(

)

(

)

(

)

Jika , maka akibatnya ( )( )

dan

,

.

(21)

( ) ) (

(

berpangkat p maka )

‖

‖ ‖

Persamaan (21) dapat ditulis menjadi

.

√

( ) ( ) artinya kuadrat jarak Mahalanobis antara dan sebanding dengan kuadrat jarak Euclid antara dan , serta adalah matriks koragam yang diperoleh dari X. b.

(

)

dan adalah suatu matriks, di mana merupakan pendekatan . Ukuran kesesuaian analisis biplot sebagai ukuran kedekatan dari tiga bentuk matriks yaitu: 1. Kesesuaian data: (

)

( ) (

(

) )

2. Kesesuaian objek: (

)

( (

) ) (

)

3. Kesesuaian peubah: ( . Artinya, (

) (

)

( ) ( ) atau kuadrat jarak Euclid antara dan akan sama dengan kuadrat jarak Euclid antara dan . Ukuran Kesesuaian Analisis Biplot Menurut Gabriel (2002), biplot tidak hanya sebagai pendekatan matriks data dengan menggunakan matriks , tetapi juga hasil perkalian sebagai pendekatan dari matriks yang berkaitan dengan ragam koragam dan korelasi antarpeubah. Sementara matriks sebagai pendekatan bagi X yang berkaitan dengan ukuran ketakmiripan antarobjek. Secara umum dan sebagai pendekatannya. Jika ∑√ maka ∑√ di mana . Rumus umum yang dikemukakan oleh Gabriel untuk ukuran kesesuaian analisis biplot ini adalah sebagai berikut:

)

( (

) ) (

)

Bila dikaitkan dengan analisis Procrustes, Gabriel (2002) hanya melakukan transformasi dilasi untuk ukuran kesesuaian matriks data, objek dan peubah, dan sementara Siswadi & Bakhtiar (2011) menggunakan analisis Procrustes melakukan transformasi translasi, rotasi dan dilasi. Rumus umum yang dikemukakan oleh Siswadi & Bakhtiar (2011) untuk ukuran kesesuaian analisis Procrustes dalam analisis biplot adalah sebagai berikut: ( ) ( ) . (22) ‖ ‖ Analisis Procrustes menghasilkan ukuran kesesuaian yang sama dengan Gabriel untuk matriks data dan objek. Untuk matriks peubah, ukuran kesesuaiannya dinyatakan sebagai berikut: ( ) ( ) ( ) ( ) dengan (

)

(

)

dan adalah Dekomposisi Nilai Singular Bentuk Lengkap (DNSBL) dari matriks .

METODE PENELITIAN Pada bagian ini akan dijelaskan sumber data, peubah dan objek yang digunakan dalam penelitian, serta analisis dan pemrogramannya. Sumber Data Data yang digunakan dalam penelitian ini adalah data sekunder yaitu nilai mata kuliah dan IPK mahasiswa TPB IPB tahun akademik 2008/09-2010/11 yang dikelompokkan berdasarkan program studi. Data hasil rataan nilai mata kuliah dan IPK diberikan pada Lampiran 1-Lampiran 3. Peubah Penelitian Peubah yang digunakan 14 mata kuliah dan indeks prestasi dalam penelitian ini ialah: Nilai mutu sebagai berikut: 1. Agama (AG),

2. Biologi (BI), 3. Ekonomi Umum (EK), 4. Fisika (FI), 5. Bahasa Indonesia (ID), 6. Bahasa Inggris (IG), 7. Kalkulus (KA), 8. Kimia (KI), 9. Pengantar Kewirausahaan (KW), 10. Pengantar Matematika (PM), 11. Olahraga dan Seni (OS), 12. Pengantar Ilmu Pertanian (PI), 13. Pengantar Kewarganegaraan (PK), 14. Sosiologi Umum (SO), dan 15. Indeks Prestasi Kumulatif (IP). Objek Penelitian Objek penelitian adalah program studi di IPB tahun akademik 2008/09-2010/11 diberikan dalam Tabel 1.

Tabel 1. Objek penelitian berdasarkan program studi tahun akademik 2008/09-2010/11. No. 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34

Program Studi Manajemen Sumberdaya Lahan Agronomi dan Hortikultura Proteksi Tanaman Arsitektur Lansekap Kedokteran Hewan Teknologi dan Manajemen Perikanan Budidaya Manajemen Sumberdaya Perairan Teknologi Hasil Perairan Teknologi dan Manajemen Perikanan Tangkap Ilmu Teknologi Kelautan Peternakan Manajemen Hutan Teknologi Hasil Hutan Konservasi Sumberdaya Hutan dan Ekowisata Silvikultur Teknik Pertanian Teknologi Pangan Teknologi Industri Pertanian Teknik Sipil dan Lingkungan Statistika Metereologi Terapan Biologi Kimia Matematika Ilmu Komputer Fisika Biokimia Ilmu Ekonomi Manajemen Agribisnis Ekonomi Sumberdaya Lingkungan Ilmu Gizi Ilmu Keluarga dan Konsumen Komunikasi dan Pengembangan Masyarakat Total Mahasiswa

Analisis dan Pemrograman Tahap awal yang dilakukan dalam penelitian ini berupa eksplorasi data menggunakan software SPSS 16, software MINITAB 15 dan software Microsoft Excel

Kode A1 A2 A3 A4 B C1 C2 C3 C4 C5 D E1 E2 E3 E4 F1 F2 F3 F4 G1 G2 G3 G4 G5 G6 G7 G8 H1 H2 H3 H4 I1 I2 I3

Jumlah Mahasiswa Tahun Akademik 2008/09 2009/10 2010/11 77 71 92 163 158 177 87 68 96 64 65 80 161 165 176 80 61 84 72 62 69 76 68 76 64 43 68 69 49 70 257 213 165 101 98 129 81 72 80 96 92 119 66 66 84 108 114 121 109 103 112 112 126 117 58 59 62 73 79 88 59 54 68 96 96 110 87 94 101 70 67 87 98 103 97 56 44 78 72 69 83 109 108 122 105 110 126 119 111 136 98 97 111 104 88 129 64 60 63 112 120 138 3223 3053 3514

2010. Frekuensi peubah (persentase huruf mutu mata kuliah, jumlah mahasiswa yang memperoleh huruf mutu, rataan, median dan ragam) dan korelasi Spearman dihitung

7

menggunakan software SPSS 16. Boxplot peubah (IPK masing-masing PS) dihitung menggunakan software MINITAB 15. Sementara grafik rataan nilai mata kuliah dan grafik rataan IPK masing-masing PS dihitung menggunakan software Microsoft Excel 2010. Kesesuaian antarkonfigurasi data dihitung dengan analisis Procrustes dari Bakhtiar dan Siswadi (2011) menggunakan data rataan masing-masing PS 34 . Konfigurasi biplot dengan terhadap PS berdasarkan prestasi mahasiswa TPB IPB masing-masing tahun akademik dilakukan dengan analisis biplot. Kemudian hasil koordinat objek dan

koordinat peubah dari masing-masing PS dihitung rataannya. Setelah diperoleh koordinat objek dan koordinat peubah yang baru digambarkan dengan menggunakan paket BiplotPack versi 4.1.0 software Mathematica 8.0 (Ardana 2011). Ukuran Kesesuaian analisis biplot menggunakan ukuran kesesuaian dari Gabriel (2002) dan Siswadi dan Bakhtiar (2011) dihitung dengan analisis biplot dan analisis Procrustes. Kesesuaian antarkonfigurasi PS berdimensi dua dan peubah berdimensi dua dihitung dengan analisis Procrustes menggunakan data pereduksian dimensi menjadi dimensi dua.

HASIL DAN PEMBAHASAN Rumusan Umum Ukuran Kesesuaian dengan Analisis Procrustes Ukuran kesesuaian matriks data, objek dan peubah dalam analisis biplot dapat diperoleh dengan menggunakan nilai perbedaan minimum dalam analisis Procrustes. Hal ini dilakukan dengan menggunakan tiga transformasi geometris yaitu translasi, rotasi, dan dilasi. Algoritme untuk menghitung ukuran kesesuaian dengan analisis Procrustes: 1. Misalkan suatu matriks berukuran dan matriks pendekatannya. 2. Menghitung sentroid kolom dari masingmasing konfigurasi yaitu dan , dengan rumus dan . 3. Menghitung konfigurasi X dan konfigurasi Y setelah ditranslasi yaitu dan dengan rumus dan . 4. Menghitung nilai perbedaan minimum setelah penyesuaian translasi yaitu

5. Andaikan merupakan hasil dari Dekomposisi Nilai Singular Bentuk Lengkap (DNSBL) dari matriks , maka matriks ortogonal . Secara umum, ukuran kesesuaian dalam analisis biplot dengan menggunakan analisis Procrustes adalah sebagai berikut: ( ) ( ) ( [ ( )

6. Menghitung nilai perbedaan minimum setelah penyesuaian rotasi yaitu (

)

(

) .

7. Menghitung konstanta transformasi dilasi yaitu (

c

untuk

)

8. Menghitung nilai perbedaan minimum setelah penyesuaian dilasi yaitu (

) ) ( ) dengan mensubstitusi hasil c pada langkah di atas, maka ( ) ( ) (

( ) 9. Menghitung ukuran kesesuaian yaitu

)

]

8

Eksplorasi Data Persentase huruf mutu peubah mata kuliah yang ditata sesuai dengan nilai huruf mutu diberikan pada Tabel 2. Banyaknya mahasiswa yang memperoleh nilai huruf mutu dari masing-masing peubah mata kuliah diberikan pada Lampiran 4. Pada ketiga tahun akademik, mata kuliah Agama (AG), Olahraga dan Seni (OS) dan Pengantar Kewirausahaan (KW) didominasi yaitu dengan persentase > 90% mahasiswa memiliki nilai mutu A dan B. Peubah KW dan OS cenderung memiliki ragam yang kecil bahkan dapat dikatakan homogen. Peubah mata kuliah Pengantar

Kewarganegaraan (PK) dan Sosiologi Umum (SO) juga memiliki nilai huruf mutu B yang didominasi > 60% mahasiswa. Hal ini menunjukkan bahwa materi kuliah tersebut relatif mudah dipahami. Peubah mata kuliah Fisika (FI), Kimia (KI), Kalkulus (KA) dan Pengantar Matematika (PM) > 15% mahasiswa memiliki nilai mutu D dan E yang menunjukkan bahwa materi kuliah tersebut relatif sulit dipahami. Peubah Kalkulus (KA) dan Pengantar Matematika (PM) cenderung memiliki keragaman nilai yang lebih tinggi dibandingkan dengan peubah lainnya.

Tabel 2 Persentase huruf mutu peubah mata kuliah. Peubah AG BI EK FI ID IG KA KI KW PM OS PI PK SO

A 35.9 11.5 58 8.3 39.8 42.9 5.5 10.1 88.5 5 66.6 46.7 10.8 11.8

2008/2009 B C D 61.4 2.1 0.3 27 38 20.4 25.6 10.2 4.5 31.2 43.3 16.6 31.3 25.4 2.8 37.4 19 0.4 21.9 42.9 23.7 28.4 42.8 17 11.1 0.2 0 20.9 51 18.9 32.7 0 0 33 15.1 4.7 64.7 23.3 0.7 69 18.2 0.6

E 0.2 3.1 1.6 0.5 0.6 0.3 5.9 1.8 0.2 4.2 0.7 0.5 0.5 0.3

Persentase Nilai Mutu Tahun Akademik 2009/2010 A B C D E 54.6 44.2 0.7 0.4 0.1 17.1 33.9 34.1 13.4 1.4 45.9 26.3 21.4 5.2 1.1 11.5 28.7 37.6 21.7 0.5 43.1 37.2 18.1 1.3 0.4 46.9 42.7 9.9 0.3 0.2 4.4 19.5 48.2 22.2 5.8 8.5 27.6 48 13.4 2.5 85.1 13.9 0.6 0.2 0.2 4.6 19 46.1 24.4 5.9 76 24 0 0 0 21.1 57.6 19.5 1.8 0.1 22 61.4 15.7 0.7 02 9.8 63.2 25.2 1.5 0.3

Rataan nilai mata kuliah dan IPK selama tiga tahun akademik dapat dilihat pada Gambar 2. Tabel data lengkapnya diberikan pada Lampiran 5. Mata kuliah yang rataannya semakin meningkat setiap tahunnya yaitu Bahasa Indonesia (ID), Olahraga dan Seni (OS), dan Pengantar Kewarganegaraan (PK). Hal ini merupakan indikasi makin meningkatnya pemahaman mahasiswa terhadap mata kuliah tersebut. Sementara mata kuliah yang rataannya cenderung semakin menurun dari tahun ke tahun yaitu mata kuliah Ekonomi Umum (EK), Fisika (FI), Pengantar Kewirausahaan (KW), Kimia (KI), dan Pengantar Ilmu Pertanian (PI). Hal ini merupakan indikasi semakin sulitnya mahasiswa dalam memahami materi kuliah tersebut. Mata kuliah Agama (AG), Biologi (BI), Bahasa Inggris (IG) dan Indeks Prestasi Kumulatif (IP) pada tahun akademik 2008/09 dan 2009/10 cenderung meningkat, kemudian pada tahun akademik 2010/11 cenderung menurun. Mata kuliah Kalkulus (KA) dan Pengantar Matematika (PM)

A 50.2 13.7 39.9 4.9 40.6 42.4 10.3 6.3 74 7.9 87.3 23.3 27.2 16.2

B 48.3 36.4 29.3 21 45 39.5 23.4 31 25.2 19.8 11.9 43.4 65.4 66

2010/2011 C D 1.1 0.3 34.3 14.1 20.3 9 38.3 34.9 13.4 0.6 17.3 0.7 37.7 23.1 46 14.5 0.5 0.1 38.6 27 0 0 26.6 6.1 7.1 0.2 16.5 0.8

E 0.1 1.5 1.5 1 0.4 0 5.6 2.1 0.3 6.7 0.8 0.6 0.1 0.5

cenderung menurun pada tahun akademik 2009/10 dan meningkat lagi pada tahun akademik 2010/11. Tabel rataan dan median peubah mata kuliah dan IPK diberikan pada Lampiran 5. Dari tabel tersebut dapat dilihat kemiringan pola sebaran datanya. Peubah AG, BI, FI, ID, IG, KI, PM dan PI pada tahun akademik 2008/09 terlihat kemiringan pola sebaran datanya positif. Hal ini menunjukkan bahwa rataan dari peubah tersebut lebih besar dari mediannya. Peubah EK, KW, OS, PK dan SO terlihat kemiringan pola sebaran datanya negatif. Hal ini menunjukkan bahwa rataan peubah berada di bawah mediannya. Peubah IPK dan KA kemiringan pola sebaran datanya simetri atau mediannya hampir sama dengan rataannya. Sementara pada tahun akademik 2009/10, peubah EK, FI, ID, IG dan KI kemiringan pola sebarannya positif. Peubah AG, BI, KA, KW, PM, OS, PI dan SO kemiringan pola sebarannya negatif. Peubah IPK dan PK kemiringan pola sebaran datanya simetri. Pada tahun akademik

9

2010/11, peubah ID, IG, KA, KI dan PK kemiringan pola sebarannya positif. Peubah AG, BI, EK, FI, KW, PM, OS, PI, SO dan IP

kemiringan pola sebarannya negatif. Peubah PM dan SO kemiringan pola sebaran datanya simetri.

4.00

3.50

3.00 2008/2009 2009/2010 2010/2011

2.50

2.00

1.50 AG

BI

EK

FI

ID

IG

KA

KI KW PM OS

PI

PK SO

IP

Gambar 2 Rataan nilai mata kuliah dan IPK. Konfigurasi rataan IPK antartahun dari masing-masing PS dapat dilihat pada Gambar 3. Tabel data lengkapnya diberikan pada Lampiran 6. Secara umum PS Teknologi Pangan (F2) dan Statistika (G1) memiliki rataan IPK tertinggi selama tiga tahun akademik. Namun, rataan IPK kedua PS cenderung menurun dan meningkat. Pada tahun akademik 2008/2009, PS F2 memperoleh rataan IPK sebesar 3.35 kemudian menurun menjadi 3.30 pada tahun akademik 2009/2010 dan meningkat menjadi 3.33 pada tahun akademik 2010/2011. Pada tahun akademik 2008/2009 PS G1 memperoleh rataan IPK sebesar 3.30 kemudian menurun menjadi 3.20 pada tahun akademik 2009/2010 dan meningkat menjadi 3.26 pada tahun akademik 2010/2011. Rataan IPK pada PS Silvikultur (E4), Biologi (G3), Matematika (G5) dan Komunikasi dan Pengembangan Masyarakat (I3) semakin meningkat setiap tahunnya. Hal ini mencerminkan adanya peningkatan mutu mahasiswa PS tersebut. Rataan IPK pada PS Teknik Pertanian (F1), Ilmu Ekonomi (H1), Manajemen (H2), Ekonomi Sumberdaya Lingkungan (H4) dan Ilmu Keluarga dan Konsumen (I2) semakin menurun setiap

tahunnya. Hal ini mengindikasikan penurunan mutu PS tersebut. PS yang cenderung menurun dari tahun akademik 2008/09 ke tahun akademik 2009/10 dan meningkat lagi pada tahun akademik 2010/11 yaitu Kedokteran Hewan (B), Teknologi dan Manajemen Perikanan Budidaya (C1), Manajemen Sumberdaya Perairan (C2), Teknologi Pangan (F2), Teknologi Industri Pertanian (F3), Teknik Sipil dan Lingkungan (F4), Statistika (G1), Kimia (G4), Biokimia (G8), dan Ilmu Gizi (I1). PS yang cenderung meningkat dari tahun akademik 2008/09 ke tahun akademik 2009/10 dan cenderung menurun lagi pada tahun akademik 2010/11 yaitu Manajemen Sumberdaya Lahan (A1), Agronomi dan Hortikultura (A2), Proteksi Tanaman (A3), Arsitektur Lansekap (A4), Teknologi Hasil Perairan (C3), Teknologi dan Manajemen Perikanan Tangkap (C4), Ilmu Teknologi Kelautan (C5), Peternakan (D), Manajemen Hutan (E1), Teknologi Hasil Hutan (E2), Konservasi Sumberdaya Hutan dan Ekowisata (E3), Metereologi Terapan (G2), Ilmu Komputer (G6), Fisika (G7), dan Agribisnis (H3).

10

3.50

3.00

2008/2009 2.50

2009/2010 2010/1011

2.00

1.50

A1 A2 A3 A4 B C1 C2 C3 C4 C5 D E1 E2 E3 E4 F1 F2 F3 F4 G1 G2 G3 G4 G5 G6 G7 G8 H1 H2 H3 H4 I1 I2 I3

Gambar 3 Rataan IPK masing-masing program studi. Hubungan antara mata kuliah dan IPK dalam matriks korelasi Spearman dapat dilihat pada Tabel 3-Tabel 5. Tabel korelasi Spearman lengkapnya untuk ketiga tahun akademik diberikan pada Lampiran 7Lampiran 9. Peubah Indeks Prestasi Kumulatif (IP) merupakan indikator yang umum digunakan untuk mengukur keberhasilan mahasiswa dalam menyelesaikan studinya di perguruan tinggi. Korelasi peubah IPK dengan semua peubah berdasarkan nilai-p ialah 0.000. Artinya IPK sangat berkorelasi nyata dengan hampir semua peubah. Peubah IPK berkorelasi dengan mata kuliah Biologi (BI), Ekonomi Umum (EK), Kalkulus (KA),

Kimia (KI) dan Pengantar Matematika (PM) dengan nilai ≥ 0.75** untuk ketiga tahun akademik. Peubah IPK berkorelasi dengan mata kuliah Fisika (FI) dengan nilai ≥ 0.75** pada tahun akademik 2009/10 dan 2010/11, tetapi pada tahun akademik 2008/09 peubah IPK berkorelasi pada mata kuliah FI dengan nilai 0.72**. Peubah Olahraga dan Seni (OS) dan Pengantar Kewirausahaan (KW) pada ketiga tahun akademik memiliki korelasi yang sangat kecil dengan peubah lainnya dengan nilai ≤ 0.14**. Peubah Pengantar Matematika (PM) berkorelasi pada mata kuliah Fisika (FI), Kalkulus (KA) dan Kimia (KI) dengan nilai < 0.75**.

Tabel 3 Matriks korelasi Spearman tahun akademik 2008/2009. Peubah

AG 1.00

BI

AG

EK

FI

ID

IG

KA

BI

0.37**

1.00

EK

0.33** 0.60**

FI

0.25** 0.54** 0.50**

ID

0.36** 0.57** 0.56** 0.42**

IG

0.26** 0.48**

KA

0.29** 0.56** 0.60** 0.60** 0.49** 0.40**

KI

0.35** 0.65** 0.61** 0.58** 0.53** 0.47** 0.67**

KI

KW

PM

OS

PI

PK

SO

IP

1.00

0.40

1.00 1.00

0.35** 0.49**

0.04*

1.00 1.00 1.00

KW

0.05** 0.07** 0.07**

0.07** 0.07** 0.05** 0.06**

1.00

PM

0.29** 0.57** 0.60** 0.59** 0.48** 0.42** 0.69** 0.66**

0.03

1.00

OS

0.08** 0.06** 0.05** 0.06**

0.01

0.09**

PI

0.34** 0.64** 0.55** 0.47** 0.54** 0.43** 0.48** 0.56** 0.05** 0.48** 0.08**

PK

0.22** 0.36** 0.30** 0.22** 0.31** 0.29** 0.26** 0.33** 0.06** 0.25** 0.10** 0.34**

SO

0.25** 0.45** 0.37** 0.33** 0.37** 0.35** 0.32** 0.38** 0.06** 0.36** 0.06** 0.42** 0.31**

IP

0.48** 0.82** 0.76** 0.72** 0.71** 0.63** 0.79** 0.83** 0.09** 0.77** 0.13** 0.73** 0.46** 0.54**

0.02

0.07** 0.11** 0.12**

1.00 1.00 1.00 1.00 1.00

11

Tabel 4 Matriks korelasi Spearman tahun akademik 2009/2010. Peubah

AG

AG

1.00

BI

EK

FI

ID

IG

KA

KI

BI

0.37**

EK

0.33** 0.62**

FI

0.26** 0.58** 0.57**

ID

0.37** 0.56** 0.52** 0.44**

IG

0.27** 0.47** 0.34** 0.42** 0.43**

KA

0.31** 0.55** 0.60** 0.65** 0.47** 0.38**

KI

0.37** 0.64** 0.60** 0.62** 0.51** 0.41** 0.66**

KW

PM

OS

PI

PK

SO

IP

1.00 1.00 1.00

0.05*

1.00 1.00 1.00 1.00

KW

0.07** 0.06** 0.08**

0.13** 0.05** 0.07** 0.08**

1.00

PM

0.31** 0.56** 0.58** 0.65** 0.46** 0.42** 0.72** 0.64**

0.04*

1.00

OS

0.06** 0.04** 0.05** 0.07**

0.03

0.07**

PI

0.34** 0.52** 0.39** 0.40** 0.39** 0.36** 0.35** 0.44** 0.05** 0.39** 0.06**

PK

0.23** 0.31** 0.19** 0.27** 0.23** 0.29** 0.25** 0.29** 0.10** 0.27** 0.06** 0.30**

SO

0.32** 0.48** 0.45** 0.40** 0.45** 0.34** 0.40** 0.45** 0.08** 0.41** 0.06** 0.38** 0.21**

IP

0.50** 0.81** 0.77** 0.79** 0.68** 0.59** 0.79** 0.81** 0.11** 0.79** 0.09** 0.59** 0.43** 0.61**

0.01

0.02

0.06** 0.05**

1.00 1.00 1.00 1.00 1.00

Tabel 5 Matriks korelasi Spearman tahun akademik 2010/2011. Peubah

AG 1.00

BI

AG

EK

FI

ID

IG

KA

KI

KW

PM

OS

PI

PK

SO

BI

0.36**

1.00

EK

0.47** 0.56**

FI

0.25** 0.57** 0.46**

ID

0.37** 0.56** 0.55** 0.44**

IG

0.21** 0.50** 0.37** 0.44** 0.46**

KA

0.35** 0.59** 0.62** 0.65** 0.52** 0.42**

KI

0.36** 0.68** 0.60** 0.64** 0.53** 0.45** 0.70**

KW

0.12** 0.09** 0.09** 0.04* 0.07** 0.04** 0.06** 0.07**

1.00

PM

0.31** 0.58** 0.60** 0.66** 0.49** 0.45** 0.75** 0.68**

0.03

1.00

OS

0.12** 0.07** 0.14** 0.08** 0.10**

0.01

0.10**

PI

0.36** 0.60** 0.51** 0.48** 0.47** 0.40** 0.48** 0.54**

0.09** 0.49** 0.11**

PK

0.27** 0.32** 0.34** 0.23** 0.30** 0.25** 0.26** 0.31**

0.12** 0.29** 0.10** 0.34**

SO

0.33** 0.45** 0.46** 0.38** 0.40** 0.34** 0.40** 0.41**

0.10** 0.40** 0.09** 0.44** 0.28**

IP

0.51** 0.80** 0.78** 0.76** 0.69** 0.61** 0.83** 0.83**

0.12** 0.82** 0.14** 0.70** 0.45** 0.59**

IP

1.00 1.00 1.00 1.00

0.01

1.00 1.00

0.12** 0.08**

Gambaran umum mutu pendidikan mahasiswa TPB IPB berdasarkan PS dapat dilihat pada pencapaian prestasi di TPB IPB. Boxplot merupakan salah satu teknik untuk memberikan gambaran tentang pemusatan data, rentang penyebaran dan kemiringan pola sebaran. Dari boxplot pada Gambar 4-Gambar 6 dapat dilihat keragaman dan data pencilan. Gambaran boxplot dengan ukuran yang lebih besar diberikan pada Lampiran 10-Lampiran 12.

1.00 1.00 1.00 1.00 1.00

Berdasarkan pencapaian prestasi mahasiswa di TPB IPB selama tiga tahun akademik. PS yang menempati urutan lima teratas yaitu Teknologi Pangan (F2), Statistika (G1), Teknologi Industri Pertanian (F3), Ilmu Gizi (I1), dan Matematika (G5). Sementara PS yang menempati urutan lima terbawah yaitu Ilmu Teknologi Kelautan (C5), Teknologi dan Manajemen Perairan Tangkap (C4), Manajemen Sumberdaya Lahan (A1), Proteksi Tanaman (A3), dan Konservasi Sumberdaya Hutan dan Ekowisata (E3).

12

Gambaran tentang pemusatan data untuk ketiga tahun akademik, terdapat lima PS yang tidak memiliki pencilan. Kelima PS tersebut ialah Ilmu Ekonomi (H1), Teknologi Hasil Hutan (E2), Manajemen Sumberdaya Lahan (A1), Teknologi dan Manajemen Perikanan Tangkap (C4) dan Ilmu Keluarga dan Konsumen (I2). PS Matematika (G5) memiliki pencilan pada tahun akademik 2008/09 dan tidak memiliki pencilan pada tahun akademik 2009/10 dan 2010/11. PS Kedokteran Hewan (B) dan Teknik Sipil dan Lingkungan (F4) memiliki pencilan pada tahun akademik 2009/10 dan tidak memiliki pencilan pada tahun akademik 2008/09 dan 2010/11. PS Arsitektur Lansekap (A4), Konservasi Sumberdaya Hutan dan Ekowisata (E3) dan Fisika (G7) memiliki pencilan pada tahun akademik 2010/11 dan tidak memiliki pencilan pada tahun akademik 2008/09 dan 2009/10. PS yang memiliki pencilan mengindikasikan bahwa ada mahasiswa PS tersebut yang memperoleh nilai IPK yang relatif rendah. Gambaran tentang rentang penyebaran dan kemiringan pola sebaran dapat dilihat pada Gambar 4-Gambar 6. PS Ilmu Komputer

(G6), Teknik Pertanian (F1), Matematika (G5), Manajemen (H2), Teknologi Hasil Perairan (C3), Ilmu Teknologi Kelautan (C5), Silvikultur (E4) dan Manajemen Hutan (E1) terlihat pada Gambar 4 kemiringan pola sebaran datanya negatif. PS Matematika (G5), Metereologi Terapan (G2), Ilmu Komputer (G6), Fisika (G7), Teknologi Hasil Perairan (C3), Proteksi Tanaman (A3) dan Silvikultur (E4) terlihat pada Gambar 5 kemiringan pola sebaran datanya negatif. PS Teknologi Pangan (F2), Biokimia (G8), Agribisnis (H3), Arsitektur Lansekap (A4), Kedokteran Hewan (B), Agronomi dan Hortikultura (A2), Teknik Pertanian (F1), Teknologi Hasil Hutan (E2) dan Konservasi Sumberdaya Hutan dan Ekowisata (E3) terlihat pada Gambar 6 kemiringan pola sebaran datanya negatif. PS Ilmu Gizi (I1) untuk ketiga tahun akademik memiliki kemiringan pola sebaran yang negatif. Kemiringan pola sebaran yang negatif menunjukkan bahwa rataan dari peubah terletak di bawah mediannya, sedangkan PS selainnya terlihat kemiringan pola sebaran datanya simetri atau mediannya hampir sama dengan rataannya.

4.0 3.5 3.0

IPK

2.5 2.0 1.5 1.0 0.5

F 2 G 1 F 3 I 1 G 8 G 4 H3 G 6 H1 F 1

B G5 G2 F 4 A 4 H2 A 2 G3 H4 I 2 C 3 G 7 C 5 C 1 E2 D E4 A 3 E3 C 2 A 1 E1 C 4 I 3

Gambar 4 Gambaran perolehan IPK mahasiswa TPB berdasarkan program studi tahun akademik 2008/2009

13

4.0 3.5 3.0

IPK

2.5 2.0 1.5 1.0 0.5

F 2 G1 F 3 G5 G2 G8 I 1 G 4 H3 G6 G7 A 4 F 1 H1 C 3 A 2 G 3 F 4 B H2 C 5 H4 I 2 D E2 A 3 C1 E 3 E4 A 1 E1 C 4 C 2 I 3

Gambar 5 Gambaran perolehan IPK mahasiswa TPB berdasarkan program studi tahun akademik 2009/2010

4.0 3.5 3.0

IPK

2.5 2.0 1.5 1.0 0.5

F 2 G1 F3 I1 G5 G8 G4 F 4 G7 G6 G2 H3 A4 B G3 A 2 C3 H1 F 1 H2 C1 E4 E 2 I2 D I3 E 1 H4 C2 E3 A3 A1 C4 C5

Gambar 6 Gambaran perolehan IPK mahasiswa TPB berdasarkan program studi tahun akademik 2010/2011

Kesesuaian Antarkonfigurasi Data Bakhtiar & Siswadi (2011) telah menunjukkan bahwa urutan optimal transformasi linear dalam analisis Procrustes ialah translasi, rotasi, dan dilasi dengan jarak Procrustes diberikan pada persamaan (11). Semakin kecil jarak antarkonfigurasi maka kesesuaian antarkonfigurasi tersebut relatif dekat, sedangkan semakin besar jarak antarkonfigurasi maka kesesuaian antarkonfigurasi tersebut relatif jauh. Program perhitungan jarak Procrustes antarkonfigurasi untuk matriks data diberikan pada Lampiran 13. Kesesuaian antarkonfigurasi data untuk ketiga tahun akademik dapat dilihat pada Tabel 6.

Tabel 6 Kesesuaian antarkonfigurasi untuk matriks data.

2008/2009 2009/2010 2010/2011

2008/ 2009 0

2009/ 2010 4.324 0

2010/ 2011 6.499 5.519 0

Pada Tabel 6 terlihat bahwa konfigurasi PS pada tahun akademik 2008/09 memiliki kesesuaian antarkonfigurasi yang relatif dekat dengan konfigurasi PS pada tahun akademik 2009/10, di mana nilai . Konfigurasi PS pada tahun akademik 2008/2010 memiliki kesesuaian antarkonfigurasi yang relatif jauh dengan

14

konfigurasi PS pada tahun akademik 2010/11 untuk matriks data, di mana nilai . Konfigurasi Program Studi (PS) di IPB 1. Ukuran Kesesuaian Analisis Biplot Menggunakan GF Gabriel dan Analisis Procrustes Gabriel (2002) menggunakan analisis Procrustes hanya melakukan transformasi dilasi untuk ukuran kesesuaian matriks data, matriks objek dan matriks peubah. Sementara Siswadi dan Bakhtiar (2011) menggunakan analisis Procrustes melakukan transformasi translasi, rotasi dan dilasi yang menghasilkan ukuran kesesuaian yang sama dengan Gabriel untuk matriks data dan objek. Namun, berbeda untuk matriks peubah menggunakan GF Gabriel dan analisis Procrustes. Adapun hasilnya dapat dilihat pada Tabel 7. Program ukuran kesesuaian dengan menggunakan analisis Procrustes diberikan pada Lampiran 14. Tabel 7 Ukuran Kesesuaian Analisis Biplot Menggunakan GF Gabriel dan GF Analisis Procrustes. Matriks Data Objek Peubah Data Objek Peubah

2009/10 2010/11 GF Gabriel 61.85% 61.54% 63.34% 60.12% 59.83% 60.36% 95.84% 95.74% 96.25% GF Analisis Procrustes 61.85% 61.54% 63.34% 60.12% 59.83% 60.36% 96.26% 96.11% 96.58%

artinya biplot dengan data mampu menerangkan keragaman data sebesar 61.54%. Ukuran kesesuaian biplot tahun akademik 2010/11 menghasilkan GF data sebesar 63.34%, artinya biplot dengan data mampu menerangkan keragaman data sebesar 63.34%. Ukuran kesesuaian yang diperoleh dari biplot ketiga tahun akademik hanya menghasilkan GF data < 65%. Ini berarti akan ada distorsi gambar yang diperoleh dari realitasnya. Realitas yang sesungguhnya diperoleh dari hasil eksplorasi data. 2. Kesesuaian Antarkonfigurasi Program Studi Berdimensi Dua dan Peubah Berdimensi Dua Kesesuaian antarkonfigurasi PS dan peubah untuk ketiga tahun akademik dapat dilihat pada Tabel 8 dan Tabel 9. Program perhitungan jarak Procrustes antarkonfigurasi untuk matriks PS dan matriks peubah diberikan pada Lampiran 15. Tabel 8 Kesesuaian antarkonfigurasi untuk matriks koordinat PS berdimensi dua.

2008/09

Dari Tabel 7 terlihat bahwa ukuran kesesuaian analisis biplot untuk matriks data dan objek menggunakan rumusan umum GF Gabriel dan analisis Procrustes memiliki ukuran kesesuaian yang sama. Pada tahun akademik 2008/09 sebesar 61.85% dan 60.12%, untuk tahun akademik 2009/10 sebesar 61.54% dan 59.83%, serta tahun akademik 2010/11 sebesar 63.34% dan 60.36%. Namun, terdapat perbedaan untuk matriks peubah. Ukuran kesesuaian menggunakan analisis Procrustes lebih besar dibandingkan dengan ukuran kesesuaian menggunakan rumusan GF Gabriel. Ukuran kesesuaian biplot tahun akademik 2008/09 dengan menggunakan rumusan Gabriel menghasilkan GF data sebesar 61.85%, artinya biplot dengan data mampu menerangkan keragaman data sebesar 61.85%. Adapun ukuran kesesuaian biplot tahun akademik 2009/10 menghasilkan GF data sebesar 61.54%,

2008/09 2009/10 2010/11

2008/ 2009 0

2009/ 2010 0.00035 0

2010/ 2011 0.00040 0.00035 0

Tabel 9 Kesesuaian antarkonfigurasi untuk matriks koordinat peubah berdimensi dua.

2008/09 2009/10 2010/11

2008/ 2009 0

2009/ 2010 400.371 0

2010/ 2011 732.684 695.273 0

Dari Tabel 8 dan Tabel 9 diperoleh bahwa masing-masing konfigurasi memiliki kesesuaian antarkonfigurasi. Pada Tabel 8 terlihat bahwa konfigurasi PS pada tahun akademik 2008/09 memiliki kesesuaian antarkonfigurasi yang relatif dekat dengan konfigurasi PS pada tahun akademik 2009/10 untuk matriks koordinat PS berdimensi dua dan matriks peubah berdimensi dua, di mana nilai untuk matriks koordinat PS berdimensi dua dan nilai untuk matriks koordinat peubah berdimensi dua. Konfigurasi PS pada tahun akademik 2009/10 juga memiliki kesesuaian antarkonfigurasi yang relatif dekat dengan konfigurasi PS pada tahun akademik 2010/11 untuk matriks koordinat PS

15

berdimensi dua, di mana nilai . Konfigurasi PS pada tahun akademik 2008/09 memiliki kesesuaian antarkonfigurasi yang relatif jauh dengan konfigurasi PS pada tahun akademik 2010/11 untuk matriks koordinat PS berdimensi dua dengan nilai dan matriks koordinat peubah berdimensi dua dengan nilai . 3. Konfigurasi Pogram Studi Hasil Analisis Biplot Konfigurasi PS hasil analisis biplot diperoleh dengan melakukan pendekatan yang berbeda terhadap matriks data. Adapun pendekatan yang digunakan yaitu biplot dengan data yang diperoleh dari rataan koordinat objek dan rataan koordinat peubah. Objek PS didasarkan pada hasil

rataan koordinat objek yang diperoleh dalam analisis biplot dengan menggunakan data lengkap yaitu 3223 mahasiswa (tahun akademik 2008/09), 3053 mahasiswa (tahun akademik 2009/10), dan 3514 mahasiswa (tahun akademik 2010/11) yang berasal dari 34 PS (gambaran objek). Hasil rataan koordinat peubah berasal dari 15 nilai mata kuliah dan IPK (gambaran peubah). Berdasarkan hasil analisis biplot dengan data lengkap diperoleh koordinat objek dan koordinat peubah. Hasil rataan koordinat biplot yang diperoleh diberikan pada Lampiran 16. Gambaran konfigurasi PS pada tahun akademik 2008/09-2010/11 dapat dilihat pada Gambar 7-Gambar 9. Gambaran konfigurasi PS dengan ukuran yang lebih besar diberikan pada Lampiran 17Lampiran19.

Gambar 7 Biplot tahun akademik 2008/2009

Gambar 8 Biplot tahun akademik 2009/2010

Gambar 7 Biplot tahun akademik 2010/2011

16

Interpretasi Biplot Secara umum interpretasi biplot memiliki persamaan dan perbedaan, dapat dilihat baik dari kedekatan antar-PS, keragaman peubah, dan korelasi antarpeubah (mata kuliah), maupun keterkaitan peubah dengan objek. Berdasarkan Gambar 7-Gambar 9 memberikan gambaran adanya persamaan dan perbedaan antara lain: 1. Kedekatan Antar-PS Kedekatan antar-PS atau kedekatan letak posisi dua PS yang digambarkan sebagai dua titik yang berdekatan diinterpretasikan sebagai kemiripan karakteristik dua objek. Persamaan yang terlihat dalam kedekatan antar-PS ialah PS Teknologi Pangan (F2) dengan Statistika (G1) pada biplot ketiga tahun akademik memiliki kemiripan. Perbedaan yang terlihat dalam hal kedekatan antar-PS, antara lain PS Teknologi Hasil Perairan (C3) dengan Ekonomi Sumberdaya Lingkungan (H4). Keduanya memiliki kemiripan pada biplot tahun akademik 2008/09, tetapi keduanya tidak memiliki kemiripan pada biplot tahun akademik 2009/10 dan 2010/11. PS Agronomi dan Hortikultura (A2) dengan Ilmu Ekonomi (H1) pada biplot tahun akademik 2010/11 memiliki kemiripan, tetapi keduanya tidak memiliki kemiripan pada biplot tahun akademik 2008/09 dan 2009/10. Berdasarkan hasil eksplorasi data dan ukuran kesesuaian antarkonfigurasi matriks koordinat PS berdimensi dua. PS C3 dengan H4 memiliki kemiripan pada tahun akademik 2008/09, tetapi tidak memiliki kemiripan pada tahun akademik 2009/10 dan 2010/11. PS A2 dengan H1 memiliki kemiripan pada tahun akademik 2009/10 dan 2010/11, tetapi tidak memiliki kemiripan pada tahun akademik 2008/09. PS F2 dengan G1 memiliki kemiripan untuk ketiga tahun akademik. Besaran ukuran kesesuaian yang hanya mencapai < 65% mengakibatkan adanya distorsi atau perbedaan hasil antara interpretasi biplot dengan hasil eksplorasi data antara lain tercermin dari PS A2 dengan H1. Dalam biplot, keduanya tidak memiliki kemiripan pada tahun akademik 2009/10. Sementara dalam eksplorasi data, keduanya memiliki kemiripan pada tahun akademik 2009/10. 2. Keragaman Peubah Keragaman peubah pada analisis biplot digambarkan oleh panjang pendeknya vektor

peubah. Peubah dengan ragam kecil digambarkan dengan vektor yang pendek, sebaliknya jika ragamnya besar digambarkan dengan vektor yang panjang. Persamaan yang terlihat dalam keragaman peubah untuk ketiga tahun akademik, antara lain terdapat lima mata kuliah yang memiliki keragaman nilai yang relatif lebih tinggi dibandingkan mata kuliah lainnya. Kelima mata kuliah tersebut yaitu Biologi (BI), Kalkulus (KA), Ekonomi Umum (EK), Fisika (FI), dan Pengantar Matematika (PM). Mata kuliah Pengantar Kewirausahaan (KW) dan Olahraga dan Seni (OS) memiliki keragaman nilai yang relatif lebih kecil dibandingkan mata kuliah lainnya. Perbedaan yang terlihat dalam keragaman peubah ialah mata kuliah Pengantar Ilmu Pertanian (PI). Mata kuliah ini memiliki keragaman nilai yang relatif tinggi pada biplot tahun akademik 2008/09 dan 2010/11. Mata kuliah ini memiliki keragaman nilai yang relatif kecil pada biplot tahun akademik 2009/10. Berdasarkan hasil eksplorasi data pada Lampiran 5, mata kuliah BI, KA, EK, FI dan PM memiliki keragaman nilai yang relatif tinggi dibandingkan mata kuliah lainnya dengan ragam ≥ 0.70 untuk ketiga tahun akademik. Mata kuliah PI memiliki keragaman nilai yang relatif tinggi dengan ragam ≥ 0.70 untuk tahun akademik 2008/09 dan 2010/11. Mata kuliah ini memiliki keragaman nilai yang relatif kecil dengan ragam < 0.70 untuk tahun akademik 2009/10. Besaran ukuran kesesuaian yang hanya mencapai < 65% mengakibatkan adanya perbedaan hasil interpretasi biplot dengan hasil eksplorasi data antara lain tercermin dari mata kuliah KW dan OS. Dalam biplot, keduanya memiliki keragaman nilai yang relatif kecil untuk ketiga tahun akademik. Dalam eksplorasi data, mata kuliah yang memiliki keragaman nilai yang relatif kecil dengan ragam < 0.20 yaitu mata kuliah KW pada tahun akademik 2008/09 dan 2009/10, serta mata kuliah OS pada tahun akademik 2009/10. 3. Korelasi Antarpeubah Sudut antara dua vektor peubah menggambarkan korelasi dua peubah tersebut. Semakin lancip sudut yang dibuat antara dua peubah, maka korelasinya semakin positif. Jika sudut yang dibuat tegak lurus maka tidak berkorelasi. Jika sudut

17

yang dibuat semakin tumpul maka korelasinya semakin negatif. Persamaan yang terlihat dalam korelasi antarpeubah pada biplot ketiga tahun akademik, jika ditinjau berdasarkan peubah Indeks Prestasi Kumulatif (IP). Korelasi terbesar dari peubah IPK dengan peubah Biologi (BI), Ekonomi Umum (EK), Kalkulus (KA), Kimia (KI) dan Pengantar Matematika (PM). Artinya semakin tinggi nilai Biologi, Ekonomi Umum, Kalkulus, Kimia dan Pengantar Matematika maka besar kemungkinan mendapatkan IPK yang tinggi pula. Jika ditinjau berdasarkan peubah Pengantar Matematika (PM), korelasi terbesar dari peubah PM dengan peubah Fisika (FI), Kalkulus (KA) dan Kimia (KI). Peubah Bahasa Inggris (IG) berkorelasi positif dengan Biologi (BI). Keduanya memiliki korelasi yang relatif besar pada biplot ketiga tahun akademik. Peubah Pengantar Kewirausahaan (KW) dengan Pengantar Kewarganegaraan (PK), Agama (AG), Sosiologi Umum (SO), Bahasa Indonesia (ID) dan Pengantar Ilmu Pertanian (PI) pada biplot ketiga tahun akademik memiliki korelasi yang relatif besar. Perbedaan yang terlihat dalam korelasi antarpeubah yaitu peubah Pengantar Kewarganegaraan (PK) dengan Agama (AG). Kedua peubah memiliki korelasi yang sempurna pada biplot tahun akademik 2010/11. Kedua peubah memiliki korelasi yang relatif besar pada biplot tahun akademik 2008/09 dan 2009/10. Berdasarkan hasil eksplorasi data, korelasi terbesar dari peubah IPK dengan BI, EK, KA, KI dan PM dengan nilai ≥ 0.75** untuk ketiga tahun akademik. Peubah OS dan KW pada ketiga tahun akademik memiliki korelasi yang sangat kecil dengan peubah lainnya dengan nilai ≤ 0.14**. Peubah PM berkorelasi dengan FI, KA dan KI dengan nilai < 0.75** untuk ketiga tahun akademik. Peubah IG berkorelasi dengan BI dengan nilai < 0.75** untuk ketiga tahun akademik. Besaran ukuran kesesuaian yang hanya mencapai < 65% mengakibatkan adanya perbedaan hasil interpretasi biplot dengan hasil eksplorasi data antara lain tercermin dari peubah IG dengan BI. Dalam biplot,

keduanya memiliki korelasi yang relatif besar pada ketiga tahun akademik, sedangkan dalam eksplorasi data, kedua peubah memiliki korelasi yang relatif kecil untuk ketiga tahun akademik. 4. Keterkaitan Objek dengan Peubah Keterkaitan objek dengan peubah ditunjukkan oleh letak objek tersebut terhadap vektor peubah. Apabila posisi objek searah dengan arah vektor peubah maka objek tersebut nilainya di atas rataan, jika berlawanan maka nilainya di bawah rataan, dan apabila hampir di tengah-tengah maka nilainya mendekati rataan. Persamaan keterkaitan objek dengan peubah dalam biplot ketiga tahun akademik, jika ditinjau berdasarkan peubah Indeks Prestasi Kumulatif (IP). PS yang memiliki nilai IPK relatif di atas rataan yaitu PS Teknologi Pangan (F2) dan Statistika (G1). PS yang memiliki nilai IPK relatif di bawah rataan yaitu PS Komunikasi dan Pengembangan Masyarakat (I3), Teknologi dan Manajemen Perikanan Tangkap (C4), dan Manajemen Hutan (E1). Perbedaan keterkaitan peubah dengan objek terlihat pada PS Ilmu Ekonomi (H1). PS ini memiliki nilai IPK relatif mendekati rataan pada biplot tahun akademik 2009/10, tetapi PS ini memiliki nilai IPK relatif di bawah rataan pada biplot tahun akademik 2008/09 dan 2010/11. Berdasarkan hasil eksplorasi data, secara umum untuk ketiga tahun akademik. PS F2 dan G1 memiliki nilai IPK relatif di atas rataan dengan urutan rataan IPK dua teratas. PS I3, C4 dan E1 memiliki nilai IPK relatif di bawah rataan dengan urutan rataan IPK empat terbawah untuk ketiga tahun akademik. PS H1 memiliki nilai IPK relatif mendekati rataan. Besaran ukuran kesesuaian yang hanya mencapai < 65% mengakibatkan adanya perbedaan hasil interpretasi biplot dengan hasil eksplorasi data antara lain tercermin dari PS H1. Dalam biplot, PS H1 memiliki nilai IPK relatif di bawah rataan pada tahun akademik 2008/09 dan 2010/11, sedangkan dalam eksplorasi data, PS H1 memiliki nilai IPK relatif mendekati rataan untuk ketiga tahun akademik.

SIMPULAN Dari hasil penelitian ini dapat diambil simpulan yaitu: 1. Konfigurasi PS pada tahun akademik 2008/09 memiliki kesesuaian antarkonfigurasi yang relatif dekat dengan konfigurasi PS pada tahun akademik 2009/10 untuk matriks data, matriks koordinat PS berdimensi dua dan matriks koordinat peubah berdimensi dua. 2. Ukuran kesesuaian yang diperoleh dari biplot ketiga tahun akademik hanya menghasilkan GF data kurang dari 65%. Ini berarti akan ada distorsi gambar yang diperoleh dari realitasnya. Realitas yang sesungguhnya diperoleh dari hasil eksplorasi data. 3. Berdasarkan kedekatan antarPS dalam biplot untuk ketiga tahun akademik, PS yang memiliki kemiripan ialah PS Teknologi Pangan dengan Statistika. 4. Berdasarkan keragaman peubah dalam biplot untuk ketiga tahun akademik,

5.

6.

mata kuliah yang memiliki keragaman nilai tinggi ialah Biologi, Kalkulus, Ekonomi Umum, Fisika, dan Pengantar Matematika. Berdasarkan korelasi antarpeubah dalam biplot untuk ketiga tahun akademik, mata kuliah yang memiliki korelasi besar dengan IPK ialah Biologi, Ekonomi Umum, Kalkulus, Kimia, dan Pengantar Matematika. Sementara, mata kuliah yang memiliki korelasi kecil dengan IPK ialah Pengantar Kewirausahaan dan Olahraga dan Seni. Berdasarkan keterkaitan objek dengan peubah dalam biplot untuk ketiga tahun akademik, PS Teknologi Pangan dan Statistika memiliki nilai IPK relatif di atas rataan. PS Komunikasi dan Pengembangan Masyarakat, Teknologi dan Manajemen Perikanan Tangkap, dan Manajemen Hutan memiliki nilai IPK relatif di bawah rataan.

DAFTAR PUSTAKA Aitchison J, Greenacre M. 2002. Biplots for compositional data. Applied Statistics 51 (part 4): 375-392. Ardana NKK. 2011. BiplotPack Versi 4.1.0 A Mathematica Package for Multivariate Data Visualization. Bogor: Departemen Matematika FMIPA IPB. Aunuddin. 1989. Analisis Data. Departemen Pendidikan dan Kebudayaan, Direktorat Jendral Pendidikan Tinggi, Pusat Antar Universitas Ilmu Hayat, Institut Pertanian Bogor, Bogor. Bakhtiar T, Siswadi. 2011. Orthogonal procrustes analysis: its transformation arrangement and minimal distance. Int. J. Appl. Math. Stat. No. M11: 16-24. Gabriel KR. 1971. The biplot graphic display of matrices with application to principal component analysis. Biometrika 58: 453-467. Gabriel KR. 2002. Goodness of fit of biplots and correspondence analysis. Biometrika 89: 423-436. Greenacre M. 2010. Biplot in Practice. Madrid: Foundation BBVA.

Jolliffe IT. 2002. Principal Component Analysis. 2nd Ed. Berlin: SpringerVerlag. Krzanowski WJ. 1990. Principles of Multivariate Analysis, A User’s Perspective. New York: Oxford University Press. Sibson R. 1978. Studies in the robutness of multidimensional scaling: procrustes statistics. J. Roy. Statist. Soc. B, 40. No. 2. 234-238. Siswadi, Bakhtiar T. 2011. Goodness-of-fit of biplots via procrustes analysis. Far East Journal of Mathematical Sciences. 52: 191-201. Siswadi, Bakhtiar T, Maharsi R. 2012. Procrustes analysis and the goodnessof-fit of biplots: some thoughts and findings. Applied Mathematical Sciences. 72 (6) : 3579-3590. Siswadi, Suharjo B. 1997. Analisis Eksplorasi Data Peubah Ganda. Bogor: Fakultas Matematika dan Ilmu Pengetahuan Alam, Institut Pertanian Bogor.

LAMPIRAN

20

Lampiran 1 Rataan nilai mata kuliah dan IPK mahasiswa tahun akademik 2008/2009 Program Studi A1 A2 A3 A4 B C1 C2 C3 C4 C5 D E1 E2 E3 E4 F1 F2 F3 F4 G1 G2 G3 G4 G5 G6 G7 G8 H1 H2 H3 H4 I1 I2 I3

AG 3.26 3.36 3.32 3.30 3.36 3.21 3.13 3.33 3.17 3.13 3.28 3.11 3.33 3.20 3.23 3.39 3.65 3.44 3.34 3.63 3.39 3.34 3.41 3.27 3.30 3.14 3.40 3.38 3.38 3.43 3.27 3.46 3.31 3.17

BI 1.92 2.34 1.93 2.17 2.39 2.01 1.85 2.20 1.75 2.14 1.93 1.87 1.91 2.04 2.02 2.31 3.23 2.57 2.17 2.84 2.46 2.55 2.52 2.06 2.42 1.91 2.63 2.24 2.12 2.39 2.13 2.81 2.20 1.64

EK 3.01 3.24 3.14 3.39 3.25 3.34 3.19 3.45 2.83 3.13 3.19 2.89 3.04 2.86 3.03 3.41 3.77 3.69 3.55 3.96 3.42 3.42 3.74 3.54 3.38 3.16 3.65 3.53 3.41 3.63 3.45 3.64 3.38 2.91

FI 1.96 2.30 2.02 2.25 2.36 1.96 1.97 2.12 1.97 2.17 2.07 2.12 2.28 2.17 2.03 2.53 3.23 2.84 2.38 3.10 2.34 2.08 2.57 2.51 2.63 2.48 2.47 2.26 2.23 2.40 2.15 2.56 1.94 1.75

ID 2.91 3.21 2.98 3.23 3.25 2.74 2.71 3.03 2.52 2.72 2.84 2.54 2.84 2.76 2.77 3.06 3.61 3.31 3.07 3.68 3.07 3.14 3.45 3.13 3.27 2.88 3.32 3.23 3.19 3.22 3.05 3.44 3.16 2.75

IG 2.88 3.15 2.98 3.33 3.32 3.05 3.03 3.08 2.83 3.23 2.98 2.94 3.06 3.00 2.97 3.31 3.81 3.49 3.24 3.63 3.25 3.18 3.16 3.01 3.44 2.95 3.58 3.45 3.40 3.47 3.32 3.48 3.38 3.02

Mata Kuliah dan IPK KA KI KW PM 1.61 1.95 3.88 1.71 1.89 2.15 3.89 1.96 1.71 1.90 3.84 1.75 2.19 2.22 3.78 2.08 1.94 2.29 3.91 2.12 1.68 2.11 3.91 1.85 1.56 2.06 3.85 1.81 1.89 2.28 3.84 1.97 1.61 1.91 3.92 1.61 1.83 2.01 3.86 1.91 1.70 2.01 3.87 1.83 1.60 1.80 3.80 1.67 1.79 2.01 3.83 1.90 1.64 1.97 3.84 1.79 1.82 2.03 3.67 1.77 2.19 2.32 3.86 2.18 2.83 3.18 3.93 2.83 2.39 2.68 3.81 2.45 2.17 2.34 3.79 2.26 3.01 3.10 3.77 2.89 2.14 2.41 3.85 2.12 1.65 2.14 3.86 1.74 2.34 2.86 3.95 2.37 2.41 2.39 3.91 2.47 2.34 2.55 3.91 2.36 1.96 2.29 3.89 2.16 2.22 2.78 3.96 2.11 2.06 2.33 3.93 2.06 1.93 2.30 3.92 1.93 2.10 2.57 3.92 2.17 1.98 2.23 3.93 2.00 2.18 2.72 3.89 2.29 1.89 2.13 3.97 1.95 1.35 1.77 3.89 1.46

OS 3.61 3.61 3.62 3.72 3.74 3.70 3.74 3.70 3.77 3.83 3.58 3.57 3.57 3.58 3.71 3.71 3.64 3.71 3.76 3.75 3.64 3.66 3.74 3.63 3.61 3.71 3.69 3.53 3.58 3.64 3.54 3.66 3.52 3.49

PI 3.05 3.37 3.06 3.23 3.29 3.20 2.82 3.09 2.67 2.91 3.04 3.00 3.00 3.14 3.02 3.35 3.73 3.56 3.16 3.67 3.27 3.38 3.34 3.00 3.22 3.05 3.51 3.30 3.12 3.39 3.09 3.58 3.11 2.79

PK 2.74 2.91 2.62 2.89 2.93 2.90 2.82 2.83 2.86 2.97 2.85 2.81 2.77 2.72 2.74 2.75 3.03 2.83 2.64 2.92 2.61 2.89 2.86 2.73 2.84 2.82 2.99 3.04 2.94 2.97 2.74 2.90 2.81 2.69

SO 2.77 2.98 2.78 2.92 2.93 2.79 2.72 2.86 2.67 2.87 2.86 2.89 2.85 2.84 2.77 2.86 3.27 3.06 2.86 3.07 2.83 2.95 2.92 2.77 2.95 2.77 3.11 3.04 2.85 3.03 2.89 3.02 3.00 2.92

Keterangan:

AG : Pendidikan Agama Islam

A1 : Manajemen Sumberdaya Lahan

F4 : Teknik Sipil dan Lingkungan

BI : Biologi

A2 : Agronomi dan Hortikultura

G1 : Statistika

EK : Ekonomi Umum

A3 : Proteksi Tanaman

G2 : Metereologi Terapan

FI : Fisika

A4 : Arsitektur Lansekap

G3 : Biologi

ID : Bahasa Indonesia

B : Kedokteran Hewan

G4 : Kimia

IG : Bahasa Inggris

C1 : Teknologi & Manajemen Perikanan Budidaya

G5 :Matematika

KA : Kalkulus I

C2 : Manajemen Sumberdaya Perairan

G6 : Ilmu Komputer

KI : Kimia

C3 : Teknologi Hasil Perairan

G7 : Fisika

KW : Kewarganegaraan

C4 : Teknologi dan Manajemen Perikanan Tangkap

G8 : Biokimia

PM : Pengantar Matematika

C5 : Ilmu Teknologi Kelautan

H1 : Ilmu Ekonomi

OS : Olah raga dan Seni

D : Peternakan

H2 : Manajemen

PI : Pengantar Ilmu Pertanian

E1 : Manajemen Hutan

H3 : Agribisnis

SO : Sosiologi Umum

E2 :Teknologi Hasil Hutan

H4 : Ekonomi Sumberdaya Lingkungan

PK : Pengantar Kewirausahaan

E3 : Konservasi Sumberdaya Hutan dan Ekowisata

I1 : Ilmu Gizi

IP : Indeks Prestasi Kumulatif

E4 : Silvikultur

I2 : Ilmu Keluarga dan Konsumen

F1 : Teknik Pertanian

I3 : Komunikasi dan Pengembangan Masyarakat

F2 : Teknologi Pangan F3 : Teknologi Industri Pertanian

IP 2.52 2.77 2.56 2.80 2.82 2.62 2.53 2.72 2.43 2.64 2.59 2.49 2.61 2.55 2.56 2.84 3.35 3.04 2.80 3.30 2.81 2.73 2.99 2.81 2.92 2.68 3.00 2.85 2.77 2.92 2.73 3.02 2.72 2.40

21

Lampiran 2 Rataan nilai mata kuliah dan IPK mahasiswa tahun akademik 2009/2010 Program Studi A1 A2 A3 A4 B C1 C2 C3 C4 C5 D E1 E2 E3 E4 F1 F2 F3 F4 G1 G2 G3 G4 G5 G6 G7 G8 H1 H2 H3 H4 I1 I2 I3

AG 3.49 3.59 3.46 3.51 3.47 3.38 3.39 3.51 3.42 3.47 3.48 3.41 3.47 3.41 3.44 3.66 3.75 3.61 3.49 3.71 3.65 3.55 3.61 3.40 3.54 3.59 3.64 3.53 3.55 3.59 3.46 3.65 3.50 3.43

BI 2.14 2.55 2.24 2.62 2.59 2.44 2.13 2.66 2.05 2.41 2.35 2.24 2.24 2.36 2.21 2.52 3.31 2.78 2.31 2.99 2.80 2.96 2.67 2.58 2.67 2.48 3.00 2.50 2.28 2.68 2.24 2.85 2.40 2.07

EK 2.70 3.06 2.88 3.14 2.93 2.97 2.81 3.12 2.81 2.98 2.93 2.93 2.90 2.82 2.85 3.09 3.62 3.37 2.97 3.61 3.26 3.16 3.39 3.42 3.20 3.32 3.33 3.35 3.19 3.41 3.07 3.27 3.02 2.73

FI 2.07 2.28 2.01 2.26 2.19 2.00 1.81 2.18 1.84 2.24 2.13 1.95 2.03 1.98 1.97 2.46 3.14 2.67 2.39 3.05 2.63 2.10 2.47 2.70 2.64 2.75 2.43 2.19 2.15 2.59 2.05 2.61 2.07 1.78

ID 2.97 3.25 3.12 3.40 3.15 2.98 2.82 3.34 2.84 2.96 2.98 2.99 3.06 3.01 3.11 3.14 3.60 3.39 3.17 3.57 3.41 3.26 3.39 3.30 3.43 3.18 3.30 3.27 3.20 3.41 3.09 3.41 3.35 3.20

Mata Kuliah dan IPK IG KA KI KW PM 3.11 1.63 1.93 3.82 1.68 3.40 1.89 2.23 3.88 1.87 3.21 1.66 2.10 3.79 1.69 3.48 2.03 2.35 3.88 2.03 3.31 1.81 2.19 3.78 1.87 3.02 1.66 2.08 3.77 1.69 3.06 1.58 1.90 3.84 1.52 3.50 1.85 2.21 3.90 1.93 3.21 1.60 2.09 3.77 1.72 3.39 1.90 2.12 3.88 1.80 3.26 1.76 2.11 3.79 1.75 3.14 1.59 1.92 3.83 1.67 3.21 1.79 2.07 3.83 1.78 3.28 1.54 1.92 3.86 1.63 3.14 1.59 1.92 3.74 1.64 3.32 1.96 2.30 3.84 2.03 3.84 2.70 3.02 3.83 2.57 3.52 2.28 2.48 3.87 2.16 3.29 2.07 2.07 3.90 2.02 3.51 2.82 2.89 3.91 2.73 3.54 2.24 2.54 3.89 2.26 3.32 1.69 2.19 3.75 1.61 3.45 2.18 2.80 3.90 2.06 3.34 2.70 2.54 3.82 2.57 3.55 2.29 2.48 3.83 2.25 3.25 2.27 2.48 3.84 2.16 3.54 2.12 2.59 3.87 2.01 3.29 2.09 2.21 3.86 1.97 3.45 1.75 2.12 3.86 1.75 3.53 2.15 2.48 3.83 2.12 3.38 1.84 2.12 3.84 1.76 3.44 2.14 2.56 3.80 2.24 3.27 1.70 2.00 3.90 1.62 3.27 1.49 1.86 3.83 1.37

OS 3.73 3.76 3.68 3.77 3.84 3.74 3.66 3.66 3.79 3.92 3.74 3.85 3.75 3.76 3.79 3.88 3.82 3.74 3.76 3.77 3.74 3.67 3.72 3.78 3.72 3.86 3.83 3.67 3.70 3.77 3.74 3.75 3.78 3.74

PI 2.96 3.00 3.01 2.98 3.00 2.77 2.68 3.12 2.77 2.96 2.94 2.84 2.88 2.88 2.83 2.96 3.40 3.21 2.75 3.16 3.15 3.01 3.01 2.96 3.07 2.89 3.16 2.90 2.90 3.11 2.91 3.14 2.87 2.77

PK 2.96 3.11 2.84 3.00 3.01 3.00 3.00 3.10 2.91 2.94 3.01 2.95 3.01 3.03 3.09 3.12 3.26 3.23 3.03 3.09 3.11 3.00 3.10 3.03 3.10 3.02 3.20 2.98 3.02 3.06 2.98 3.11 2.87 2.91

SO 2.79 2.84 2.71 2.85 2.74 2.70 2.66 2.71 2.53 2.67 2.68 2.70 2.65 2.68 2.70 2.69 3.17 2.99 2.66 2.99 2.91 2.81 2.96 2.88 2.78 2.89 2.96 2.86 2.90 2.92 2.74 2.91 2.90 2.74

IP 2.58 2.79 2.61 2.84 2.73 2.61 2.50 2.80 2.54 2.71 2.66 2.58 2.64 2.59 2.58 2.82 3.30 3.00 2.73 3.20 2.99 2.75 2.96 2.99 2.95 2.90 2.97 2.80 2.73 2.95 2.68 2.97 2.67 2.51

21

Lampiran 2 Rataan nilai mata kuliah dan IPK mahasiswa tahun akademik 2009/2010

22

Lampiran 3 Rataan nilai mata kuliah dan IPK mahasiswa tahun akademik 2010/2011 Program Studi A1 A2 A3 A4 B C1 C2 C3 C4 C5 D E1 E2 E3 E4 F1 F2 F3 F4 G1 G2 G3 G4 G5 G6 G7 G8 H1 H2 H3 H4 I1 I2 I3

AG 3.45 3.47 3.40 3.46 3.50 3.51 3.39 3.57 3.28 3.40 3.47 3.36 3.38 3.45 3.45 3.40 3.67 3.53 3.40 3.55 3.59 3.62 3.62 3.55 3.35 3.55 3.59 3.45 3.42 3.51 3.48 3.60 3.49 3.43

BI 2.08 2.50 2.29 2.46 2.64 2.27 2.28 2.54 2.03 2.03 2.16 2.16 2.29 2.15 2.35 2.29 3.23 2.94 2.63 2.93 2.65 2.87 2.72 2.54 2.55 2.49 3.00 2.32 2.40 2.50 2.12 2.87 2.22 2.17

EK 2.64 3.03 2.66 3.01 2.94 2.90 2.74 3.07 2.50 2.49 2.76 2.64 2.69 2.83 2.74 2.86 3.59 3.22 3.19 3.50 3.16 2.94 3.28 3.43 3.05 3.19 3.23 3.10 2.90 3.17 2.81 3.26 2.78 2.64

FI 1.66 1.86 1.56 1.93 2.00 1.82 1.62 1.78 1.65 1.59 1.67 1.71 1.76 1.70 1.63 2.04 2.76 2.32 2.08 2.78 1.96 1.72 2.16 2.18 2.26 2.41 2.18 1.94 1.85 2.04 1.62 2.23 1.75 1.67

ID 3.08 3.28 3.04 3.24 3.32 3.19 2.97 3.30 3.04 2.91 3.07 3.09 3.16 3.01 3.05 3.05 3.71 3.62 3.39 3.59 3.34 3.21 3.43 3.48 3.28 3.28 3.41 3.25 3.26 3.32 3.09 3.47 3.08 3.20

IG 2.88 3.20 3.02 3.49 3.24 3.05 3.03 3.20 3.04 2.97 2.92 3.12 3.01 3.01 3.17 3.25 3.80 3.59 3.40 3.64 3.31 3.26 3.29 3.23 3.49 3.01 3.42 3.28 3.29 3.35 3.17 3.50 2.92 3.22

Mata Kuliah dan IPK KA KI KW PM 1.76 1.98 3.74 1.62 2.06 2.24 3.76 1.90 1.78 2.01 3.69 1.64 2.11 2.14 3.73 2.08 2.03 2.32 3.73 1.99 2.01 2.18 3.63 1.71 1.75 2.00 3.65 1.62 2.01 2.20 3.80 1.86 1.69 1.96 3.59 1.59 1.56 1.89 3.61 1.57 1.75 1.94 3.73 1.75 1.71 2.02 3.73 1.57 1.98 2.13 3.65 1.78 1.77 1.90 3.70 1.64 1.86 2.04 3.79 1.70 2.18 2.17 3.68 1.95 2.97 3.07 3.74 2.88 2.56 2.57 3.81 2.32 2.27 2.45 3.71 2.42 3.14 2.91 3.68 2.97 2.15 2.38 3.65 2.13 1.98 2.22 3.75 1.70 2.49 2.77 3.74 2.25 2.87 2.53 3.76 2.59 2.34 2.44 3.75 2.24 2.56 2.51 3.63 2.42 2.40 2.63 3.83 2.19 2.03 2.13 3.66 1.83 1.90 2.07 3.75 1.74 2.25 2.35 3.73 2.07 1.71 1.86 3.75 1.56 2.45 2.64 3.81 2.28 1.79 2.05 3.83 1.52 1.68 1.92 3.75 1.52

OS 3.84 3.89 3.78 3.79 3.88 3.92 3.88 3.92 3.88 3.91 3.85 3.91 3.76 3.87 3.75 3.76 3.90 3.85 3.85 3.83 3.96 3.84 3.82 3.92 3.91 3.78 3.82 3.90 3.72 3.82 3.85 3.87 3.89 3.82

PI 2.58 2.88 2.71 2.76 2.94 2.79 2.54 2.75 2.51 2.51 2.69 2.64 2.61 2.69 2.74 2.75 3.37 3.09 3.00 3.24 3.06 2.92 3.05 2.90 2.87 2.88 3.13 2.84 2.73 2.87 2.51 3.12 2.71 2.59

PK 3.11 3.18 3.07 3.29 3.26 3.19 3.12 3.21 3.10 3.07 3.18 3.19 3.01 3.05 3.14 3.13 3.47 3.26 3.16 3.42 3.19 3.25 3.24 3.25 3.15 3.13 3.20 3.22 3.11 3.19 3.12 3.41 3.11 3.16

SO 2.74 2.98 2.82 3.11 2.92 2.92 2.88 3.04 2.84 2.74 2.88 2.82 2.84 2.77 2.88 2.69 3.28 3.11 3.03 3.27 3.13 3.07 3.22 3.05 3.09 2.88 3.13 2.97 2.93 3.00 2.95 3.16 2.83 2.93

IP 2.52 2.76 2.55 2.80 2.80 2.67 2.55 2.76 2.49 2.45 2.57 2.56 2.60 2.55 2.61 2.69 3.33 3.04 2.90 3.26 2.87 2.77 2.99 3.00 2.89 2.90 2.99 2.74 2.68 2.84 2.56 3.03 2.57 2.56

Lampiran 4 Frekuensi peubah mata kuliah

Peubah

2008/2009 C 69

Banyaknya Mahasiswa yang Memperoleh Nilai Mutu pada Tahun Akademik 2009/2010 D E A B C D E A B 10 7 1667 1350 20 11 4 1764 1697

AG

A 1158

B 1979

BI EK FI

370 1968 269

871 826 1005

1224 330 1396

657 146 536

101 53 17

522 1402 350

1036 803 876

1042 653 1149

410 160 661

42 34 16

480 1401 171

1279 1030 738

ID

1284

1010

820

89

20

1316

1134

551

39

12

1426

IG

1385

1206

611

12

11

1431

1304

301

10

6

949

KA

177

706

1384

765

191

134

595

1470

677

176

KI

326

914

1379

547

57

259

843

1464

409

KW

2851

357

8

1

6

2598

425

17

PM

162

673

1645

608

135

139

581

1408

OS

2146

1055

0

0

22

2319

732

PI

1505

1064

486

151

17

644

1757

PK

347

2085

751

5

17

670

1875

SO

380

222

588

19

11

300

1928

2010/2011 C 40

D 11

E 2

1204 715 1345

497 316 1225

54 52 35

1582

471

21

14

36

609

25

1

363

821

1324

810

196

77

223

1091

1615

510

75

6

6

2601

884

18

2

9

745

179

275

695

1358

949

236

0

0

1

3069

417

1

0

27

595

54

2

820

1526

934

213

21

480

20

7

956

2298

149

7

4

769

45

10

570

2319

581

27

17

23

24

Lampiran 5 Rataan, median dan ragam peubah mata kuliah dan IPK Peubah AG

Tahun Akademik 2008/2009 2009/2010 2010/2011 Rataan Median Ragam Rataan Median Ragam Rataan Median Ragam 3.33 3.00 0.31 3.53 4.00 0.30 3.48 4.00 0.30

BI EK FI

2.23 3.34 2.30

2.00 4.00 2.00

1.01 0.90 0.74

2.52 3.11 2.29

3.00 3.00 2.00

0.94 0.97 0.90

2.46 2.97 1.94

3.00 3.00 2.00

0.90 1.10 0.79

ID

3.07

3.00

0.81

3.21

3.00

0.65

3.25

3.00

0.54

IG

3.22

3.00

0.61

3.36

3.00

0.47

3.24

3.00

0.57

KA

1.97

2.00

0.91

1.95

2.00

0.82

2.10

2.00

1.09

KI

2.28

2.00

0.85

2.26

2.00

0.78

2.25

2.00

0.73

KW

3.88

4.00

0.14

3.84

4.00

0.18

3.73

4.00

0.24

PM

2.04

2.00

0.77

1.92

2.00

0.85

1.95

2.00

1.05

OS

3.65

4.00

0.31

3.76

4.00

0.19

3.85

4.00

0.22

PI

3.21

3.00

0.81

2.98

3.00

0.48

2.83

3.00

0.77

PK

2.84

3.00

0.39

3.04

3.00

0.42

3.19

3.00

0.32

SO

2.91

3.00

0.35

2.81

3.00

0.40

2.97

3.00

0.40

IP

2.76

2.81

0.32

2.79

2.81

0.30

2.76

2.81

0.33

25

Lampiran 6 Rataan IPK mahasiswa masing-masing program studi Program Studi A1 A2 A3 A4 B C1 C2 C3 C4 C5 D E1 E2 E3 E4 F1 F2 F3 F4 G1 G2 G3 G4 G5 G6 G7 G8 H1 H2 H3 H4 I1 I2 I3

2008/2009 2.52 2.77 2.56 2.80 2.82 2.62 2.53 2.72 2.43 2.64 2.59 2.49 2.61 2.55 2.56 2.84 3.35 3.04 2.80 3.30 2.81 2.73 2.99 2.81 2.92 2.68 3.00 2.85 2.77 2.92 2.73 3.02 2.72 2.40

Tahun Akademik 2009/2010 2.58 2.79 2.61 2.84 2.73 2.61 2.50 2.80 2.54 2.71 2.66 2.58 2.64 2.59 2.58 2.82 3.30 3.00 2.73 3.20 2.99 2.75 2.96 2.99 2.95 2.90 2.97 2.80 2.73 2.95 2.68 2.97 2.67 2.50

2010/2011 2.52 2.76 2.55 2.80 2.80 2.67 2.55 2.76 2.49 2.45 2.57 2.56 2.60 2.55 2.61 2.69 3.33 3.04 2.90 3.26 2.87 2.77 2.99 3.00 2.89 2.90 2.99 2.74 2.68 2.84 2.56 3.03 2.57 2.56

Lampiran 7 Korelasi Spearman antarpeubah dan signifikansinya menggunakan software SPSS 16 tahun akademik 2008/2009 AG AG BI EK FI ID IG KA KI KW PM OS PI PK SO IP

Correlation Coefficient Sig. (2-tailed) Correlation Coefficient Sig. (2-tailed) Correlation Coefficient Sig. (2-tailed) Correlation Coefficient Sig. (2-tailed) Correlation Coefficient Sig. (2-tailed) Correlation Coefficient Sig. (2-tailed) Correlation Coefficient Sig. (2-tailed) Correlation Coefficient Sig. (2-tailed) Correlation Coefficient Sig. (2-tailed) Correlation Coefficient Sig. (2-tailed) Correlation Coefficient Sig. (2-tailed) Correlation Coefficient Sig. (2-tailed) Correlation Coefficient Sig. (2-tailed) Correlation Coefficient Sig. (2-tailed) Correlation Coefficient Sig. (2-tailed)

1 . .369** 0 .326** 0 .254** 0 .363** 0 .262** 0 .294** 0 .350** 0 .054** 0.002 .288** 0 .077** 0 .341** 0 .219** 0 .245** 0 .478** 0

BI .369** 0 1 . .599** 0 .535** 0 .574** 0 .483** 0 .564** 0 .652** 0 .074** 0 .572** 0 .059** 0.001 .636** 0 .360** 0 .450** 0 .821** 0

EK .326** 0 .599** 0 1 . .500** 0 .557** 0 .397** 0 .604** 0 .614** 0 .067** 0 .575** 0 .050** 0.005 .554** 0 .298** 0 .367** 0 .763** 0

FI .254** 0 .535** 0 .500** 0 1 . .416** 0 .346** 0 .589** 0 .576** 0 .037* 0.036 .587** 0 .063** 0 .473** 0 .223** 0 .329** 0 .717** 0

ID .363** 0 .574** 0 .557** 0 .416** 0 1 . .485** 0 .488** 0 .532** 0 .066** 0 .482** 0 0.022 0.211 .540** 0 .306** 0 .369** 0 .711** 0

IG .262** 0 .483** 0 .397** 0 .346** 0 .485** 0 1 . .403** 0 .478** 0 .073** 0 .421** 0 .073** 0 .430** 0 .287** 0 .354** 0 .633** 0

KA .294** 0 .564** 0 .604** 0 .589** 0 .488** 0 .403** 0 1 . .671** 0 .046** 0.009 .693** 0 .106** 0 .484** 0 .259** 0 .324** 0 .785** 0

KI .350** 0 .652** 0 .614** 0 .576** 0 .532** 0 .478** 0 .671** 0 1 . .057** 0.001 .655** 0 .115** 0 .558** 0 .329** 0 .376** 0 .830** 0

KW .054** 0.002 .074** 0 .067** 0 .037* 0.036 .066** 0 .073** 0 .046** 0.009 .057** 0.001 1 . 0.034 0.052 0.005 0.786 .051** 0.004 .057** 0.001 .056** 0.002 .087** 0

PM .288** 0 .572** 0 .575** 0 .587** 0 .482** 0 .421** 0 .693** 0 .655** 0 0.034 0.052 1 . .085** 0 .483** 0 .247** 0 .358** 0 .769** 0

OS .077** 0 .059** 0.001 .050** 0.005 .063** 0 0.022 0.211 .073** 0 .106** 0 .115** 0 0.005 0.786 .085** 0 1 . .078** 0 .098** 0 .060** 0.001 .125** 0

PI .341** 0 .636** 0 .554** 0 .473** 0 .540** 0 .430** 0 .484** 0 .558** 0 .051** 0.004 .483** 0 .078** 0 1 . .338** 0 .419** 0 .726** 0

PK .219** 0 .360** 0 .298** 0 .223** 0 .306** 0 .287** 0 .259** 0 .329** 0 .057** 0.001 .247** 0 .098** 0 .338** 0 1 . .308** 0 .462** 0

SO .245** 0 .450** 0 .367** 0 .329** 0 .369** 0 .354** 0 .324** 0 .376** 0 .056** 0.002 .358** 0 .060** 0.001 .419** 0 .308** 0 1 . .537** 0

IP .478** 0 .821** 0 .763** 0 .717** 0 .711** 0 .633** 0 .785** 0 .830** 0 .087** 0 .769** 0 .125** 0 .726** 0 .462** 0 .537** 0 1 .

**. Correlation is significant at the 0.01 level (2-tailed). *. Correlation is significant at the 0.05 level (2-tailed). N=3223

26

Lampiran 8 Korelasi Spearman antarpeubah dan signifikansinya menggunakan software SPSS 16 tahun akademik 2009/2010 AG AG BI EK FI ID IG KA KI KW PM OS PI PK SO IP

Correlation Coefficient Sig. (2-tailed) Correlation Coefficient Sig. (2-tailed) Correlation Coefficient Sig. (2-tailed) Correlation Coefficient Sig. (2-tailed) Correlation Coefficient Sig. (2-tailed) Correlation Coefficient Sig. (2-tailed) Correlation Coefficient Sig. (2-tailed) Correlation Coefficient Sig. (2-tailed) Correlation Coefficient Sig. (2-tailed) Correlation Coefficient Sig. (2-tailed) Correlation Coefficient Sig. (2-tailed) Correlation Coefficient Sig. (2-tailed) Correlation Coefficient Sig. (2-tailed) Correlation Coefficient Sig. (2-tailed) Correlation Coefficient Sig. (2-tailed)

1 . .374** 0 .329** 0 .257** 0 .368** 0 .266** 0 .308** 0 .373** 0 .073** 0 .314** 0 .061** 0.001 .339** 0 .226** 0 .316** 0 .497** 0

BI .374** 0 1 . .617** 0 .584** 0 .563** 0 .468** 0 .551** 0 .643** 0 .055** 0.002 .558** 0 .044* 0.015 .518** 0 .312** 0 .482** 0 .813** 0

EK .329** 0 .617** 0 1 . .566** 0 .518** 0 .339** 0 .600** 0 .602** 0 .081** 0 .584** 0 .054** 0.003 .392** 0 .188** 0 .454** 0 .770** 0

FI .257** 0 .584** 0 .566** 0 1 . .440** 0 .419** 0 .652** 0 .623** 0 .047** 0.009 .648** 0 .074** 0 .397** 0 .268** 0 .399** 0 .786** 0

ID .368** 0 .563** 0 .518** 0 .440** 0 1 . .425** 0 .470** 0 .508** 0 .127** 0 .463** 0 0.009 0.613 .392** 0 .234** 0 .450** 0 .678** 0

IG .266** 0 .468** 0 .339** 0 .419** 0 .425** 0 1 . .380** 0 .412** 0 .054** 0.003 .420** 0 0.024 0.191 .359** 0 .289** 0 .341** 0 .594** 0

KA .308** 0 .551** 0 .600** 0 .652** 0 .470** 0 .380** 0 1 . .661** 0 .071** 0 .716** 0 .058** 0.001 .353** 0 .250** 0 .403** 0 .785** 0

KI .373** 0 .643** 0 .602** 0 .623** 0 .508** 0 .412** 0 .661** 0 1 . .077** 0 .638** 0 .050** 0.006 .438** 0 .294** 0 .450** 0 .811** 0

KW .073** 0 .055** 0.002 .081** 0 .047** 0.009 .127** 0 .054** 0.003 .071** 0 .077** 0 1 . .042* 0.019 0.027 0.131 .050** 0.006 .099** 0 .081** 0 .115** 0

PM .314** 0 .558** 0 .584** 0 .648** 0 .463** 0 .420** 0 .716** 0 .638** 0 .042* 0.019 1 . .066** 0 .392** 0 .274** 0 .405** 0 .789** 0

OS .061** 0.001 .044* 0.015 .054** 0.003 .074** 0 0.009 0.613 0.024 0.191 .058** 0.001 .050** 0.006 0.027 0.131 .066** 0 1 . .061** 0.001 .057** 0.002 .058** 0.001 .094** 0

PI .339** 0 .518** 0 .392** 0 .397** 0 .392** 0 .359** 0 .353** 0 .438** 0 .050** 0.006 .392** 0 .061** 0.001 1 . .304** 0 .376** 0 .585** 0

PK .226** 0 .312** 0 .188** 0 .268** 0 .234** 0 .289** 0 .250** 0 .294** 0 .099** 0 .274** 0 .057** 0.002 .304** 0 1 . .210** 0 .432** 0

SO .316** 0 .482** 0 .454** 0 .399** 0 .450** 0 .341** 0 .403** 0 .450** 0 .081** 0 .405** 0 .058** 0.001 .376** 0 .210** 0 1 . .605** 0

IP .497** 0 .813** 0 .770** 0 .786** 0 .678** 0 .594** 0 .785** 0 .811** 0 .115** 0 .789** 0 .094** 0 .585** 0 .432** 0 .605** 0 1 .

**. Correlation is significant at the 0.01 level (2-tailed). *. Correlation is significant at the 0.05 level (2-tailed). N=3052

27

Lampiran 9 Korelasi Spearman antarpeubah dan signifikansinya menggunakan software SPSS 16 tahun akademik 2010/2011 AG AG BI EK FI ID IG KA KI KW PM OS PI PK SO IP

Correlation Coefficient Sig. (2-tailed) Correlation Coefficient Sig. (2-tailed) Correlation Coefficient Sig. (2-tailed) Correlation Coefficient Sig. (2-tailed) Correlation Coefficient Sig. (2-tailed) Correlation Coefficient Sig. (2-tailed) Correlation Coefficient Sig. (2-tailed) Correlation Coefficient Sig. (2-tailed) Correlation Coefficient Sig. (2-tailed) Correlation Coefficient Sig. (2-tailed) Correlation Coefficient Sig. (2-tailed) Correlation Coefficient Sig. (2-tailed) Correlation Coefficient Sig. (2-tailed) Correlation Coefficient Sig. (2-tailed) Correlation Coefficient Sig. (2-tailed)

1 . .362** 0 .468** 0 .251** 0 .366** 0 .209** 0 .347** 0 .358** 0 .122** 0 .308** 0 .120** 0 .357** 0 .269** 0 .330** 0 .509** 0

BI .362** 0 1 . .555** 0 .568** 0 .557** 0 .495** 0 .594** 0 .678** 0 .092** 0 .584** 0 .068** 0 .596** 0 .317** 0 .448** 0 .802** 0

EK .468** 0 .555** 0 1 . .464** 0 .546** 0 .370** 0 .617** 0 .596** 0 .093** 0 .598** 0 .136** 0 .514** 0 .341** 0 .455** 0 .778** 0

FI .251** 0 .568** 0 .464** 0 1 . .439** 0 .443** 0 .654** 0 .642** 0 .037* 0.028 .663** 0 .084** 0 .479** 0 .233** 0 .378** 0 .761** 0

ID .366** 0 .557** 0 .546** 0 .439** 0 1 . .459** 0 .520** 0 .530** 0 .068** 0 .488** 0 .103** 0 .469** 0 .302** 0 .404** 0 .686** 0

IG .209** 0 .495** 0 .370** 0 .443** 0 .459** 0 1 . .417** 0 .447** 0 .035* 0.036 .453** 0 0.011 0.508 .397** 0 .245** 0 .341** 0 .610** 0

KA .347** 0 .594** 0 .617** 0 .654** 0 .520** 0 .417** 0 1 . .697** 0 .057** 0.001 .751** 0 .121** 0 .484** 0 .260** 0 .402** 0 .828** 0

KI .358** 0 .678** 0 .596** 0 .642** 0 .530** 0 .447** 0 .697** 0 1 . .068** 0 .678** 0 .083** 0 .537** 0 .307** 0 .412** 0 .825** 0

KW .122** 0 .092** 0 .093** 0 .037* 0.028 .068** 0 .035* 0.036 .057** 0.001 .068** 0 1 . 0.032 0.057 0.014 0.416 .085** 0 .115** 0 .095** 0 .115** 0

PM .308** 0 .584** 0 .598** 0 .663** 0 .488** 0 .453** 0 .751** 0 .678** 0 0.032 0.057 1 . .103** 0 .491** 0 .287** 0 .397** 0 .819** 0

OS .120** 0 .068** 0 .136** 0 .084** 0 .103** 0 0.011 0.508 .121** 0 .083** 0 0.014 0.416 .103** 0 1 . .110** 0 .096** 0 .088** 0 .143** 0

PI .357** 0 .596** 0 .514** 0 .479** 0 .469** 0 .397** 0 .484** 0 .537** 0 .085** 0 .491** 0 .110** 0 1 . .340** 0 .441** 0 .695** 0

PK .269** 0 .317** 0 .341** 0 .233** 0 .302** 0 .245** 0 .260** 0 .307** 0 .115** 0 .287** 0 .096** 0 .340** 0 1 . .283** 0 .448** 0

SO .330** 0 .448** 0 .455** 0 .378** 0 .404** 0 .341** 0 .402** 0 .412** 0 .095** 0 .397** 0 .088** 0 .441** 0 .283** 0 1 . .586** 0

IP .509** 0 .802** 0 .778** 0 .761** 0 .686** 0 .610** 0 .828** 0 .825** 0 .115** 0 .819** 0 .143** 0 .695** 0 .448** 0 .586** 0 1 .

**. Correlation is significant at the 0.01 level (2-tailed). *. Correlation is significant at the 0.05 level (2-tailed). N=3514

28

Lampiran 10 Gambaran perolehan IPK mahasiswa TPB berdasarkan program studi tahun akademik 2008/2009

4.0 3.5 3.0

IPK

2.5 2.0 1.5 1.0 0.5

F 2 G 1 F 3 I 1 G 8 G 4 H3 G 6 H1 F 1

B G5 G2 F4 A 4 H2 A 2 G3 H4 I 2 C 3 G7 C 5 C 1 E2 D E4 A 3 E3 C 2 A 1 E1 C 4 I 3 29

Lampiran 11 Gambaran perolehan IPK mahasiswa TPB berdasarkan program studi tahun akademik 2009/2010

4.0 3.5 3.0

IPK

2.5 2.0 1.5 1.0 0.5

F 2 G1 F 3 G5 G2 G8 I 1 G4 H3 G6 G7 A 4 F1 H1 C 3 A 2 G3 F4 B H2 C 5 H4 I 2 D E2 A 3 C1 E 3 E4 A 1 E1 C 4 C 2 I 3 30

Lampiran 12 Gambaran perolehan IPK mahasiswa TPB berdasarkan program studi tahun akademik 2010/2011

4.0 3.5 3.0

IPK

2.5 2.0 1.5 1.0 0.5

F 2 G1 F3 I1 G5 G8 G4 F 4 G7 G6 G2 H3 A4 B G3 A2 C3 H1 F 1 H2 C1 E4 E 2 I2 D I3 E 1 H4 C2 E3 A3 A1 C4 C5 31

32

Lampiran 13 Program perhitungan jarak Procrustes antarkonfigurasi data BiplotPack`

In[1]:=

BiplotPack Ver. 4.1.0 a Mathematica Package for Multivariate Data Visualization . 2 0 1 1 by Kutha A rdana , kutha

ipb .ac .id

Type Biplot and Press F1 for help and tutorial In[2]:=

data2008

Import "D:\\matriks X data rataan.xlsx"

1

;

data2009

Import "D:\\matriks X data rataan.xlsx"

2

;

data2010

Import "D:\\matriks X data rataan.xlsx"

3

;

a.

Program studi tahun akademik 2008/2009 dengan 2009/2010 In[5]:=

n1

Dimensions data2009

1

;

m1

Dimensions data2008

1

;

satu1 one1

Table 1, i, n1

Table 1, i, m1 ; 1 data2009 satu1.satu1 .data2009; n1 1 data2008 one1.one1 .data2008; m1

xt1 yt1

u1, l1, v1 q1

b.

SVD data2009 .data2008 ;

v1.u1 ;

Etrd1 Out[13]=

;

Tr xt1 .xt1

Tr xt1.q1 .yt1

2

Tr yt1.yt1

4.32357

Program studi tahun akademik 2008/2009 dengan 2010/2011 In[14]:=

n1

Dimensions data2010

1

;

m1

Dimensions data2008

1

;

satu1 one1

Table 1, i, n1

Table 1, i, m1 ; 1 data2010 satu1.satu1 .data2010; n1 1 data2008 one1.one1 .data2008; m1

xt1 yt1

u1, l1, v1 q1

SVD data2010 .data2008 ;

v1.u1 ;

Etrd1 Out[22]=

;

6.49912

Tr xt1 .xt1

Tr xt1.q1 .yt1 Tr yt1.yt1

2

33

c.

Program studi tahun akademik 2009/2010 dengan 2010/2011 In[23]:=

n1

Dimensions data2010

1

;

m1

Dimensions data2009

1

;

satu1 one1

Table 1, i, n1

xt1 yt1

u1, l1, v1 q1

SVD data2010 .data2009 ;

v1.u1 ;

Etrd1 Out[31]=

;

Table 1, i, m1 ; 1 data2010 satu1.satu1 .data2010; n1 1 data2009 one1.one1 .data2009; m1

5.51949

Tr xt1 .xt1

Tr xt1.q1 .yt1 Tr yt1.yt1

2

34

Lampiran 14 Program ukuran kesesuaian dengan menggunakan analisis Procrustes xbintang Import "F:\\KARYA ILMIAH_DEVITA HANDAYANI_G54080074\\KARIL DEVITA_g54080074\\DATA_devita_G54080074\\simulasi mathematica\\matriks X data asal.xlsx"

3

;

meanCentering dat_? MatrixQ : Table dat

i, j

Mean dat

j, Dimensions dat

j

X

meanCentering dat ;

r

Dimensions dat

Y

2

,

X, r, ULA, Y, XT, YT, DNS, Qt, gf ,

;

SingularValueDecomposition X, 2 ; ULA

1

.Transpose ULA

XT

meanCentering X ;

YT

meanCentering Y ;

DNS Qt

1

2

GF1 dat_? MatrixQ : Module

ULA

, i, Dimensions dat

3

.ULA

2

;

SingularValueDecomposition Transpose XT .YT, r ; DNS

1

.Transpose DNS

3

;

gf 1 Tr XT.Transpose XT Tr

XT.Qt .Transpose YT

Tr X.Transpose X

;

gf

GF1 xbintang ; GFd

NumberForm GF1 xbintang , 4

0.6185

^2

Tr YT.Transpose YT

35

GF2 dat_? MatrixQ : Module

X, r, ULA, Y, XT, YT, DNS, Qt, gf ,

X

meanCentering dat .Transpose meanCentering dat

r

Dimensions dat

ULA Y

2

SingularValueDecomposition meanCentering dat , 2 ; ULA

1

.Transpose ULA

XT

meanCentering X ;

YT

meanCentering Y ;

DNS Qt

;

; 1

;

SingularValueDecomposition Transpose XT .YT, r ; DNS

1

.Transpose DNS

3

;

gf 1 Tr XT.Transpose XT Tr

XT.Qt .Transpose YT

Tr X.Transpose X

^2

Tr YT.Transpose YT

;

gf

GF2 xbintang ; GFo

NumberForm GF2 xbintang , 4

0.6012

GF3 dat_? MatrixQ : Module

X, r, ULA, Y, XT, YT, DNS, Qt, gf ,

X

Transpose meanCentering dat

r

Dimensions dat

ULA

2

;

SingularValueDecomposition meanCentering dat , 2 ;

Y

ULA

XT

meanCentering X ;

YT

meanCentering Y ;

DNS Qt

.meanCentering dat ;

3

.ULA

2

. Transpose ULA

3

.ULA

2

;

SingularValueDecomposition Transpose XT .YT, r ; DNS

1

.Transpose DNS

3

;

gf 1 Tr XT.Transpose XT Tr

XT.Qt .Transpose YT

Tr X.Transpose X

;

gf

GF3 xbintang ; GFp

NumberForm GF3 xbintang , 4

0.9626

^2

Tr YT.Transpose YT

36

Lampiran 15 Program perhitungan jarak Procrustes antarkonfigurasi program studi dan peubah berdimensi dua 1.

Kesesuaian antarkonfigurasi matriks koordinat program studi berdimensi dua BiplotPack`

In[1]:=

BiplotPack Ver. 4.1.0 a Mathematica Package for Multivariate Data Visualization . 2 0 1 1 by Kutha A rdana , kutha

ipb .ac .id

Type Biplot and Press F1 for help and tutorial In[2]:=

objek2008

Import "D:\\matriks GH2008.xlsx"

1

;

objek2009

Import "D:\\matriks GH2009.xlsx"

1

;

objek2010

Import "D:\\matriks GH2010.xlsx"

1

;

a.

Program studi tahun akademik 2008/2009 dengan 2009/2010 In[5]:=

n1

Dimensions objek2009

1

;

m1

Dimensions objek2008

1

;

satu1 one1

Table 1, i, n1

xt1 yt1

u1, l1, v1 q1

b.

SVD objek2009 .objek2008 ;

v1.u1 ;

Etrd1 Out[13]=

;

Table 1, i, m1 ; 1 objek2009 satu1.satu1 .objek2009; n1 1 objek2008 one1.one1 .objek2008; m1

Tr xt1 .xt1

Tr xt1.q1 .yt1

2

Tr yt1.yt1

0.000348035

Program studi tahun akademik 2008/2009 dengan 2010/2011 In[14]:=

n1

Dimensions objek2010

1

;

m1

Dimensions objek2008

1

;

satu1 one1

Table 1, i, n1

xt1 yt1

u1, l1, v1 q1

SVD objek2010 .objek2008 ;

v1.u1 ;

Etrd1 Out[22]=

;

Table 1, i, m1 ; 1 objek2010 satu1.satu1 .objek2010; n1 1 objek2008 one1.one1 .objek2008; m1

Tr xt1 .xt1

0.00040041

Tr xt1.q1 .yt1 Tr yt1.yt1

2

37

c.

Program studi tahun akademik 2009/2010 dengan 2010/2011 In[23]:=

n1

Dimensions objek2010

1

;

m1

Dimensions objek2009

1

;

satu1 one1

Table 1, i, n1

xt1 yt1

u1, l1, v1 q1

2.

SVD objek2010 .objek2009 ;

v1.u1 ;

Etrd1 Out[31]=

;

Table 1, i, m1 ; 1 objek2010 satu1.satu1 .objek2010; n1 1 objek2009 one1.one1 .objek2009; m1

Tr xt1 .xt1

Tr xt1.q1 .yt1

2

Tr yt1.yt1

0.000347558

Kesesuaian antarkonfigurasi matriks koordinat peubah berdimensi dua BiplotPack`

In[1]:=

BiplotPack Ver. 4.1.0 a Mathematica Package for Multivariate Data Visualization . 2 0 1 1 by Kutha A rdana , kutha

ipb .ac .id

Type Biplot and Press F1 for help and tutorial In[2]:=

peubah2008

Import "D:\\matriks GH2008.xlsx"

2

;

peubah2009

Import "D:\\matriks GH2009.xlsx"

2

;

peubah2010

Import "D:\\matriks GH2010.xlsx"

2

;

a.

Program studi tahun akademik 2008/2009 dengan 2009/2010 In[5]:=

n1

Dimensions peubah2009

1

;

m1

Dimensions peubah2008

1

;

satu1 one1

Table 1, i, n1

Table 1, i, m1 ; 1 peubah2009 satu1.satu1 .peubah2009; n1 1 peubah2008 one1.one1 .peubah2008; m1

xt1 yt1

u, l, v q1

SingularValueDecomposition peubah2009 .peubah2008 ;

v.u ;

Etrd1 Out[13]=

;

400.371

Tr xt1 .xt1

Tr xt1.q1 .yt1 Tr yt1.yt1

2

38

b.

Program studi tahun akademik 2008/2009 dengan 2010/2011 In[14]:=

n1

Dimensions peubah2010

1

;

m1

Dimensions peubah2008

1

;

satu1 one1

Table 1, i, n1

xt1 yt1

u, l, v q1

c.

SingularValueDecomposition peubah2010 .peubah2008 ;

v.u ;

Etrd1 Out[22]=

;

Table 1, i, m1 ; 1 peubah2010 satu1.satu1 .peubah2010; n1 1 peubah2008 one1.one1 .peubah2008; m1

Tr xt1 .xt1

Tr xt1.q1 .yt1

2

Tr yt1.yt1

732.684

Program studi tahun akademik 2009/2010 dengan 2010/2011 In[23]:=

n1

Dimensions peubah2010

1

;

m1

Dimensions peubah2009

1

;

satu1 one1

Table 1, i, n1

Table 1, i, m1 ; 1 peubah2010 satu1.satu1 .peubah2010; n1 1 peubah2009 one1.one1 .peubah2009; m1

xt1 yt1

u, l, v q1

SingularValueDecomposition peubah2010 .peubah2009 ;

v.u ;

Etrd1 Out[31]=

;

695.273

Tr xt1 .xt1

Tr xt1.q1 .yt1 Tr yt1.yt1

2

39

Lampiran 16 Koordinat biplot tahun akademik 2008/2009, 2009/2010 dan 2010/2011 a.

Rataan koordinat objek Program Studi

2008/2009

2009/2010

2010/2011

A1

0.0073

0.0029

0.0071

0.0002

0.0071

0.0005

A2

-0.0001

0.0050

0.0001

0.0028

0.0001

-0.0025

A3

0.0062

0.0022

0.0054

0.0018

0.0061

-0.0016

A4

-0.0011

0.0001

0.0018

0.0013

-0.0007

-0.0002

B

0.0015

0.0030

0.0018

0.0016

-0.0010

-0.0013

C1

0.0046

0.0026

0.0056

0.0004

0.0026

-0.0014

C2

0.0074

0.0008

0.0095

0.0001

0.0062

-0.0010

C3

0.0014

0.0004

0.0004

0.0057

0.0005

-0.0047

C4

0.0107

0.0037

0.0082

0.0030

0.0080

0.0019

C5

0.0043

0.0013

0.0028

0.0026

0.0092

0.0008

D

0.0055

0.0009

0.0043

0.0005

0.0057

-0.0014

E1

0.0088

0.0006

0.0069

0.0012

0.0063

-0.0015

E2

0.0051

0.0027

0.0050

0.0012

0.0044

0.0032

E3

0.0065

0.0007

0.0066

0.0040

0.0060

-0.0014

E4

0.0061

0.0013

0.0069

0.0025

0.0045

-0.0021

F1

0.0025

0.0037

0.0008

0.0034

0.0015

0.0065

F2

0.0183

0.0061

0.0169

0.0023

-0.0168

0.0047

F3

0.0089

0.0045

0.0069

0.0005

-0.0082

0.0010

F4

-0.0016

0.0062

0.0016

0.0078

-0.0046

0.0027

G1

0.0170

0.0109

0.0144

0.0117

-0.0152

0.0114

G2

-0.0020

0.0025

0.0066

0.0017

-0.0032

-0.0032

G3

0.0008

0.0116

0.0009

0.0113

0.0002

-0.0080

G4

0.0075

0.0049

0.0057

0.0007

-0.0068

0.0005

G5

0.0021

0.0142

0.0076

0.0160

-0.0078

0.0074

G6

0.0050

0.0060

0.0056

0.0048

-0.0038

0.0057

G7

0.0025

0.0096

0.0041

0.0107

-0.0049

0.0106

G8

0.0074

0.0039

0.0059

0.0049

-0.0068

-0.0017

H1

-0.0024

0.0042

0.0007

0.0009

0.0008

-0.0023

H2

0.0001

0.0031

0.0024

0.0032

0.0025

-0.0023

H3

0.0048

0.0022

-0.0055

0.0006

-0.0024

0.0005

H4

0.0009

0.0001

0.0036

0.0000

0.0065

-0.0037

I1

-0.0084

0.0036

-0.0063

0.0005

-0.0076

-0.0013

I2

0.0015

0.0060

0.0039

-0.0060

0.0056

-0.0028

I3

0.0116

0.0061

0.0097

0.0070

0.0064

-0.0036

40

b.

Rataan koordinat peubah

Peubah

2008/2009

2009/2010

2010/2011

AG

-14.5761

6.1081

-14.1738

-9.1397

-15.7591

-10.6296

BI

-47.2611

9.9613

-44.3138

-15.5494

-45.4938

-9.2540

EK

-43.0706

2.1797

-44.0108

-3.0573

-49.3531

-18.8365

FI

-34.9870

-17.0619

-41.5231

16.8334

-40.0790

19.1856

ID

-37.9520

17.1268

-31.2752

-16.3643

-30.3085

-12.0225

IG

-27.6842

12.3750

-22.0527

-7.6825

-26.8440

-3.5809

KA

-43.8545

-21.4937

-41.1309

17.2983

-52.7548

18.5646

KI

-43.8721

-8.1015

-40.7458

3.1630

-42.5741

4.9126

KW

-2.7850

1.7971

-3.2507

-2.1550

-3.9511

-5.8545

PM

-39.5833

-17.1159

-41.5274

16.9195

-51.0737

20.8464

OR

-5.4214

-0.5007

-1.9437

0.6384

-5.2404

-3.3704

PI

-38.7753

16.0863

-22.3867

-12.9336

-36.8026

-16.1814

PK

-15.7942

9.5860

-14.1395

-7.5200

-14.2976

-9.3672

SO

-18.0472

7.2774

-21.0514

-7.8063

-21.5278

-10.0517

IP

-31.9075

0.5456

-30.1813

-1.3795

-33.9586

-1.6746

41

Lampiran 17 Gambaran biplot tahun akademik 2008/2009

42

Lampiran 18 Gambaran biplot tahun akademik 2009/2010

43

Lampiran 19 Gambaran biplot tahun akademik 2010/2011