PENDEKATAN MULTIVARIATE ADAPTIVE REGRESSION SPLINE (MARS) DENGAN BINARY RESPONSE UNTUK MENGANALISIS FAKTOR-FAKTOR YANG BERPENGARUH TERHADAP NILAI UN SMA Maylita Hasyim Dosen STKIP PGRI Tulungagung ABSTRACT: In order to actualize the aim of national education, the government must do evaluation system of education, namely The Graduated Competence Standard. In accordance with The Graduated Competence Standard measured by score of national examination, so it is needed to know influenced-factors to the score of national examination significantly, include student’s external and internal factors. Therefore, the aim of this research to analyze the factors that influence the score of national examination of Senior High School X in Maluku province by using Multivariate Adaptive Regression Spline (MARS) approach with binary response. Multivariate Adaptive Regression Spline chosen because there are many research before that conclude this methode is better than the others. The response variable of this research is categorized into two categories, there are score of national examination ≤ 6,5 is categorized 1(minus) and score of national examination > 6,5 is categorized 2 (good). The result of MARS models are five variables that influence the score of national examination of Senior High School. There are the score of national examination’s mean of Junior High School, score of school examination’s mean, score of tryout examination’s mean, score of raport’s mean, and parent’s income. The correct of classification over all is 96.72 percent with GCV 0,0742 and value of R2 is 89.4 percent. Keyword: score of national examination, MARS, binary response
PENDAHULUAN Suatu bangsa akan maju apabila didukung oleh Sumber Daya Manusia (SDM) yang produktif dan berkualitas. Menurut Mulyasa (2011: 3) bangsa Indonesia saat ini sedang dihadapkan pada fenomena rendahnya daya saing, sebagai indikator bahwa pendidikan di Indonesia belum mampu menghasilkan SDM yang berkualitas. Oleh karena itu,
berkualitas dan berdaya saing tinggi adalah melalui peningkatan kualitas pendidikan. Menurut Arifin (2011: 39) ”pendidikan merupakan suatu usaha yang dilakukan untuk mengembangkan kemampuan dan kepribadian individual melalui proses tertentu, melalui pengajaran serta interaksi individu dengan lingkungannya untuk mencapai manusia seutuhnya”.
upaya untuk meningkatkan SDM yang Maylita Hasyim, M.Si: Pendekatan Multivariate Adaptive Regression Spline (MARS) Dengan Binary Response Untuk Menganalisis Faktor-Faktor Yang Berpengaruh Terhadap Nilai UN SMA
100
Dalam rangka mewujudkan tujuan pendidikan nasional, pemerintah telah
teknologi, dalam rangka pencapaian standar nasional”.
berupaya untuk meningkatkan kualitas
Nilai Ujian Nasional (UN) dapat
pendidikan yaitu dengan mengeluarkan
digunakan untuk berbagai kepentingan,
PP No.19 Tahun 2005, tentang Standar
baik bagi peserta didik, pengajar maupun
Nasional Pendidikan (SNP) diantaranya
satuan pendidikan terkait, yaitu sebagai
yaitu sistem evaluasi, dimana yang
salah satu pertimbangan bagi satuan
dimaksud yaitu evaluasi hasil belajar.
pendidikan
Sedangkan definisi hasil belajar adalah
lulusan, seleksi masuk jenjang pen-
perubahan perilaku yang terjadi setelah
didikan berikutnya, akreditasi satuan
mengikuti proses belajar mengajar sesuai
pendidikan,
dengan tujuan pendidikan (Purwanto,
kinerja pengajar. Keseluruhan kepen-
2011: 54). Evaluasi hasil belajar ini
tingan tersebut di atas semata-mata
dilakukan
dalam
oleh
pendidik,
satuan
pendidikan dan pemerintah. Evaluasi
dalam
upaya
menentukan
penilaian
ke-
produktivitas
peningkatan
kualitas
pendidikan di Indonesia.
yang dilakukan oleh pemerintah men-
Mengingat pentingnya pencapaian
cakup pencapaian Standar Kompetensi
Standar Kompetensi Lulusan (SKL)
Lulusan (SKL).
yang diukur dengan nilai Ujian Nasional
Pencapaian Standar Kompetensi
(UN),
maka
sangat
perlu
untuk
Lulusan (SKL) dapat diukur dengan nilai
mengetahui faktor-faktor yang signifikan
Ujian
mempengaruhi
Nasional
(UN).
Berdasarkan
nilai
Ujian
Nasional
Peraturan Menteri Pendidikan Nomor 34
(UN), baik faktor internal siswa maupun
Tahun 2007
faktor eksternal (lingkungan) demi upaya
adalah penilaian
bahwa “ujian nasional
kegiatan
pengukuran
kompetensi
peserta
dan
mewujudkan tujuan pendidikan nasional.
didik
Penelitian ini mengkaji faktor-faktor
secara nasional untuk jenjang pendidikan
yang
dasar dan menengah yang bertujuan
terhadap nilai UN siswa SMA X yang
untuk menilai pencapaian kompetensi
berlokasi di provinsi Maluku dengan
lulusan
menggunakan
secara
nasional
pada
mata
berpengaruh
secara
metode
signifikan
Multivariate
pelajaran yang ditentukan dari kelompok
Adaptive Regression Spline (MARS)
mata pelajaran ilmu pengetahuan dan
sebagai
pendekatan
regresi
non-
parametrik multivariat. Dalam kasus ini, Maylita Hasyim, M.Si: Pendekatan Multivariate Adaptive Regression Spline (MARS) Dengan Binary Response Untuk Menganalisis Faktor-Faktor Yang Berpengaruh Terhadap Nilai UN SMA
101
nilai UN siswa akan dikategorikan
masukan bagi pemerintah khususnya
menjadi dua, yaitu kategori kurang dan
Kemendikbud
baik sehingga variabel respon akan
kualitas pendidikan di Indonesia.
dalam
meningkatkan
memiliki dua kategori atau biasa disebut binary response.
MULTIVARIATE ADAPTIVE
Pemodelan data dengan menggunakan metode parametrik sesuai untuk data yang sudah diketahui bentuk model dasarnya dan terikat oleh asumsi terkait struktur data, namun seringkali pelanggaran asumsi terjadi sehingga pendekatan nonparametrik sering dijadikan alternatif oleh para peneliti. Salah satu metode nonparameterik
yang sering
digunakan yaitu Multivariate Adaptive Regression Spline (MARS). Hidayat (2003)
menyatakan
bahwa
MARS
merupakan salah satu metode alternatif untuk pemodelan bagi data berdimensi tinggi, memiliki variabel banyak, serta ukuran sampel yang besar. diharapkan
mampu menambah wawasan keilmuan pengembangan
metode
pen-
dekatan MARS khususnya dalam bidang pendidikan. Sedangkan manfaat bagi siswa, pengajar, dan satuan pendidikan yaitu
dapat
memberikan
gambaran
mengenai upaya-upaya peningkatan nilai UN yang harus dilakukan untuk ke depannya. Selain itu, hasil penelitian ini diharapkan
mampu
Pada tahun 1991, Jerome H. Friedman yang selanjutnya akan ditulis Friedman telah memperkenalkan metode MARS sebagai suatu metode baru yang mengotomatiskan pembangunan modelmodel prediktif akurat untuk variabelvariabel respon yang kontinu dan biner. Model
MARS
mengatasi
ini
berguna
permasalahan
untuk
data
yang
berdimensi tinggi, diskontiouitas pada data serta untuk menghasilkan prediksi variabel respon yang akurat. Selain itu, MARS merupakan pengembangan dari pendekatan
Recursive
Partition
Regression (RPR) yang masih memiliki
Dari penelitian ini
terkait
REGRESSION SPLINE (MARS)
menjadi
kelemahan
dimana
model
yang
dihasilkan tidak kontinu pada knot. Teknik MARS menjadi populer karena tidak mengasumsikan dan tidak menentukan tipe khusus seperti pada hubungan
(linier,
kuadratik,
kubik)
diantara variabel prediktor dan respon (Otok, dkk., 2006) sehingga pendekatan MARS tergolong metode nonparametrik multivariat. Selain itu, proses pem-
bahan
Maylita Hasyim, M.Si: Pendekatan Multivariate Adaptive Regression Spline (MARS) Dengan Binary Response Untuk Menganalisis Faktor-Faktor Yang Berpengaruh Terhadap Nilai UN SMA
102
bentukan model pada MARS tidak
Fungsi basis ini merupakan fungsi
memerlukan asumsi.
parametrik yang didefinisikan pada tiap
Menurut Friedman (1991), model umum
persamaan
MARS
sebagai
berikut.
region. Pada umumnya fungsi basis yang dipilih
adalah
berbentuk
polinomial
dengan turunan yang kontinu pada setiap M
Km
fˆ x a0 am skm xv k ,m tkm m 1 k 1 (1)
titik knot. Friedman
(1991)
menyarankan
jumlah maksimum fungsi basis (BF) adalah 2 sampai dengan 4 kali jumlah
dengan,
variabel prediktornya. Sedangkan untuk
a0 = fungsi basis induk am = koefisien dari fungsi basis ke-m
jumlah maksimum interaksi (MI) adalah 1, 2 dan 3 dengan pertimbangan jika
M = maksimum fungsi basis (nonconstant basis fungsi)
lebih dari 3 akan menghasilkan bentuk
Km = derajat interaksi
model
skm = nilainya 1 atau -1 jika data
Minimum
berada di sebelah kanan titik knot atau kiri titik knot.
Penentuan
Ada beberapa hal yang perlu diperhatikan dalam membangun model MARS menurut Nash dan Bradford (2001) adalah (1) Knot, yaitu akhir dari sebuah region dan awal dari sebuah region yang lain. Di setiap titik knot, adanya
kontinuitas
jarak
antara
kompleks. knots
atau
0, 1, 2 dan 3.
= nilai knots dari variabel prediktor xv(k,m)
diharapkan
semakin
minimum observasi antara knots sebesar
xv(k,m) = variabel prediktor tkm
yang
dari
fungsi basis antar satu region dengan region lainnya. (2) Basis Function, yaitu kumpulan dari fungsi yang digunakan untuk mewakili informasi. Fungsi basis terdiri dari satu atau lebih variabel.
knot
pada
MARS
menggunakan
algoritma
forward
stepwise
backward
stepwise.
dan
Pemilihan model dengan menggunakan forward
stepwise
dilakukan
untuk
mendapatkan jumlah fungsi basis dengan kriteria pemilihan fungsi basis adalah meminimumkan Average Sum of Square Residual
(ASR).
konsep
parsimoni
Untuk
memenuhi
(model
yang
sederhana) dilakukan backward stepwise yaitu membuang fungsi basis yang memiliki
kontribusi
kecil
terhadap
respon dari forward stepwise dengan meminimumkan nilai Generalized Cross
Maylita Hasyim, M.Si: Pendekatan Multivariate Adaptive Regression Spline (MARS) Dengan Binary Response Untuk Menganalisis Faktor-Faktor Yang Berpengaruh Terhadap Nilai UN SMA
103
Validation
(GCV)
(Friedman
Silverman,
1989).
Pada
dan
MARS,
pemilihan model terbaik berdasarkan nilai GCV paling rendah (minimum).
nisikan sebagai berikut, ASR
C Mˆ 1 n
2
2 1 n yi fˆM xi n i 1
C Mˆ 1 n
variabel respon. Hipotesis yang digunakan sebagai berikut.
Fungsi GCV minimum didefi-
GCV M
tepat antara variabel prediktor dengan
2
H0 : 1 2 ... m 0 H1 : Paling tidak ada satu j 0 , j = 1,2,…,m Nilai Fhitung yang didapatkan dari tabel ordinary least squares results
(2)
(output pengolahan software MARS) dibandingkan F
dengan,
(V1,V2)
dengan tingkat
yi
= variabel respon
signifikansi serta derajat bebas V1 dan V2 yang merupakan nilai MDF dan NDF
n
= nilai taksiran variabel respon pada M fungsi basis = banyaknya pengamatan =
Tolak H0 jika Fhitung F T
-1
T
= Trace [B(B B) B ]+1 = nilai ketika setiap fungsi basis mencapai optimasi
yang juga berasal dari dari tabel ordinary least squares results. Daerah kritis yaitu (V1,V2),
artinya
paling sedikit ada satu j yang tidak sama dengan nol. Selanjutnya, uji yang dilakukan
UJI SIGNIFIKANSI FUNGSI BASIS
secara parsial/individu bertujuan untuk
MODEL MARS
mengetahui apakah fungsi basis yang
Pada model MARS dilakukan uji
terbentuk mempunyai pengaruh secara
signifikansi fungsi basis yang meliputi
signifikan terhadap model. Selain itu
uji serentak dan uji individu. Uji
juga ingin diketahui pula apakah model
signifikansi
yang
dilakukan
secara
yang memuat parameter tersebut telah
bersamaan/serentak
terhadap
fungsi
mampu menggambarkan keadaan data
basis-fungsi basis yang terdapat dalam
yang sebenarnya.
untuk
Hipotesisnya adalah,
mengetahui apakah secara umum model
H0 : j 0 H1 : j 0 , j = 1,2,…m
model
MARS
ini
bertujuan
MARS terpilih merupakan model yang sesuai dan menunjukkan hubungan yang
Maylita Hasyim, M.Si: Pendekatan Multivariate Adaptive Regression Spline (MARS) Dengan Binary Response Untuk Menganalisis Faktor-Faktor Yang Berpengaruh Terhadap Nilai UN SMA
104
Nilai thitung yang didapatkan dari output
pengolahan
dibandingkan
software
dengan
MARS
nilai
x logit x ln 1 x
Km
M
a0 am skm xv k ,m tkm m 1 k 1
tabel
distribusi t dengan derajat bebas (V) dan
(3)
tingkat signifikansi . Daerah kritis yaitu t hitung t(/2, V), maka H0 ditolak, artinya
Pada prinsipnya, pengklasifikasian
ada pengaruh variabel prediktor dengan
ini dilakukan untuk melihat seberapa
variabel respon pada fungsi basis di
besar ketepatan dalam mengelompokkan
dalam model.
sekumpulan data untuk digolongkan dengan
tepat
Menurut
KLASIFIKASI PADA MARS
pada
Agresti
kelompoknya.
(1990),
metode
Pada model MARS, klasifikasi
klasifikasi yang baik akan menghasilkan
didasarkan pada pendekatan analisis
sedikit kesalahan klasifikasi atau akan
regresi. Jika variabel respon terdiri dari
menghasilkan
dua nilai, maka dikatakan sebagai regresi
klasifikasi (alokasi) yang kecil.
peluang
kesalahan
dengan binary response (Cox dan Snell,
APER (Apparent Error Rate) adalah
1989) sehingga dapat digunakan model
suatu prosedur evaluasi yang digunakan
probabilitas dengan persamaan sebagai
untuk
berikut :
klasifikasi yang dilakukan oleh suatu
x
e f x ˆ
1 e f x ˆ
fungsi dan 1 x
1 1 e f x ˆ
melihat
peluang
klasifikasi.
Nilai
kesalahan
APER
ini
menyatakan nilai proporsi sampel yang salah
diklasifikasikan
oleh
fungsi
dengan fˆ x logit x
klasifikasi. Sedangkan Press’s Q adalah
prob Y 1 x
statistik
dan
prob Y 2 1 x
uji
yang digunakan
untuk
mengetahui kestabilan dalam ketepatan pengelompokkan (sampai sejauh mana
Oleh karena Y merupakan variabel respon biner (dengan 2 kategori yaitu 1 dan 2) dengan m banyaknya variabel prediktor x ( x1 ,..., xm ) , maka model MARS
untuk
klasifikasi
dapat
kelompok-kelompok dipisahkan
tersebut
dengan
dapat
menggunakan
variabel-variabel yang ada). Uji statistik
di-
nyatakan sebagai berikut (Otok, 2008): Maylita Hasyim, M.Si: Pendekatan Multivariate Adaptive Regression Spline (MARS) Dengan Binary Response Untuk Menganalisis Faktor-Faktor Yang Berpengaruh Terhadap Nilai UN SMA
105
Press’s Q dapat diformulasikan sebagai :
belum mampu kearah sudah mampu dan
N (nK ) Pr ess ' s Q
terjadi dalam kurun waktu tertentu.
2
(4)
N ( K 1)
Sedangkan
menurut
ahli
psikologis
belajar merupakan aktifitas mental atau
dengan, N = jumlah total sampel
psikis yang berlangsung dalam interaksi
n = jumlah individu yang tepat diklasifikasikan
aktif
K = jumlah kelompok
pengetahuan, pemahaman, ketrampilan
dengan
lingkungan,
menghasilkan
Nilai dari Press’s Q ini membandingkan antara jumlah ketepatan klasifikasi dengan total sampel dan
yang
perubahan
dalam
dan nilai sikap. Perubahan itu bersifat relatif dan konstan membekas. Cara
belajar
bisa
bermacam-
jumlah kelompok. Jika nilai Press’s Q >
macam dan diharapkan pemilihan cara
, maka klasifikasi dapat dianggap
belajar harus sesuai dengan kondisi dan
stabil
tujuan,
sudah
dan
konsisten
secara
kualitas
statistik (Hair, 2006).
agar
mampu
proses
meningkatkan
belajar
mengajar.
Menurut Skinner yang dikutip oleh HASIL BELAJAR
Dimyati dan Mudjiono (1999) bahwa
Menurut Hamalik (2004: 28-29) “Belajar
merupakan
suatu
proses
perubahan tingkah laku individu melalui
belajar
merupakan
hubungan
antara
stimulus dan respons yang tercipta melalui proses tingkah laku.
interaksi dengan lingkungan. Belajar
Berdasarkan pengertian tersebut
bukan suatu tujuan tetapi merupakan
maka dapat disintesiskan bahwa belajar
suatu proses untuk mencapai tujuan”.
adalah
Belajar merupakan suatu proses usaha
kualitas dan kuantitas tingkah laku
yang
seseorang diberbagai bidang yang terjadi
dilakukan
seseorang
untuk
perubahan
serta
peningkatan
memperoleh suatu perubahan tingkah
akibat
laku yang baru secara keseluruhan,
menerus dengan lingkungannya. Jika di
sebagai hasil pengalamannya sendiri
dalam proses belajar tidak mendapatkan
dalam interaksi dengan lingkungannya
peningkatan
(Slameto, 2010: 2)
kemampuan, dapat dikatakan bahwa
Menurut Winkel (1991) belajar merupakan suatu proses perubahan dari
melakukan
kualitas
interaksi
dan
terus
kuantitas
orang tersebut mengalami kegagalan di dalam proses belajar
Maylita Hasyim, M.Si: Pendekatan Multivariate Adaptive Regression Spline (MARS) Dengan Binary Response Untuk Menganalisis Faktor-Faktor Yang Berpengaruh Terhadap Nilai UN SMA
106
Sedangkan hasil belajar merupakan
kemampuan
yaitu
hal yang dapat dipandang dari dua sisi
menjawab
yaitu sisi siswa dan dari sisi guru
organisasi dan karakterisasi dengan
(Dimyati dan Mudjiono, 1999). Dari sisi
suatu nilai atau kompleks nilai.
siswa, hasil belajar merupakan tingkat
atau
menerima,
reaksi,
menilai,
3. Ranah Psikomotor
perkembangan mental yang lebih baik
Meliputi
bila dibandingkan pada saat sebelum
manipulasi benda-benda, koordinasi
belajar. Tingkat perkembangan mental
neuromuscular
tersebut terwujud pada jenis-jenis ranah
mengamati).
kognitif,
afektif,
dan
merupakan saat terselesikannya bahan Menurut
Hamalik
(2004)
“Hasil belajar adalah bila seseorang telah belajar akan terjadi perubahan tingkah laku pada orang tersebut, misalnya dari
dominan daripada afektif dan psikomotor karena lebih menonjol, namun hasil belajar psikomotor dan afektif juga harus menjadi bagian dari hasil penilaian dalam proses pembelajaran di sekolah. Hasil belajar adalah kemampuankemampuan yang dimiliki siswa setelah
mengerti menjadi mengerti”. teori
Taksonomi
Bloom, hasil belajar dalam rangka studi dicapai melalui tiga kategori ranah antara lain kognitif, afektif, psikomotor.
hasil
belajar
intelektual yang terdiri dari 6 aspek yaitu
pengetahuan,
penerapan,
analisis,
pengalaman belajarnya.
Hasil belajar digunakan oleh guru untuk dijadikan ukuran atau kriteria dalam mencapai suatu tujuan pendidikan. Hal
memahami belajar dengan diiringi oleh
1. Ranah Kognitif dengan
ia menerima
ini dapat tercapai apabila siswa sudah
Perinciannya adalah sebagai berikut:
Berkenaan
(menghubungkan,
Tipe hasil belajar kognitif lebih
tidak tahu menjadi tahu, dan dari tidak
Berdasarkan
motorik,
psikomotor.
Sedangkan dari sisi guru, hasil belajar
pelajaran.
keterampilan
pemahaman, sintesis
dan
penilaian. 2. Ranah Afektif Berkenaan dengan sikap dan nilai. Ranah afektif meliputi lima jenjang
perubahan tingkah laku yang lebih baik lagi. Berdasarkan pengertian di atas maka dapat disintesiskan bahwa hasil belajar adalah suatu penilaian akhir dari proses
dan
pengenalan
yang
telah
dilakukan berulang-ulang. Selain itu hasil belajar juga akan tersimpan dalam
Maylita Hasyim, M.Si: Pendekatan Multivariate Adaptive Regression Spline (MARS) Dengan Binary Response Untuk Menganalisis Faktor-Faktor Yang Berpengaruh Terhadap Nilai UN SMA
107
jangka waktu lama atau bahkan tidak
Faktor fisiologis dalam belajar
akan hilang selama-lamanya, karena
dapat dibedakan menjadi dua macam
hasil
dalam
yaitu keadaan jasmani pada umumnya
membentuk pribadi individu yang selalu
dan keadaan fungsi-fungsi fisiologis
ingin mencapai hasil yang lebih baik lagi
tertentu.
Keadaan
sehingga akan merubah cara berpikir
umumnya
adalah
serta menghasilkan perilaku kerja yang
berpengaruh terhadap kesegaran dan
lebih baik.
konsentrasi. Kurangnya pasokan nutrisi
belajar
turut
serta
jasmani
pada
kecukupan
nutrisi
ke dalam tubuh akan mengakibatkan FAKTOR-FAKTOR YANG MEM-
kelesuan, lekas mengantuk, cepat lelah
PENGARUHI HASIL BELAJAR
dan
Faktor-faktor
yang
mempe-
ngaruhi hasil belajar diklasifikasikan menjadi faktor eksternal atau faktor
menurunkan
siswa. Faktor eskternal terdiri dari faktor non sosial dan faktor sosial sedangkan faktor internal terdiri dari
faktor
nonsosial
adalah
lingkungan sekitar misalnya keadaan cuaca, suhu, tempat tinggal, alat-alat belajar dan benda-benda yang membantu dalam
proses
belajar.
sosial
adalah
kelakuan
Faktor-faktor dan
sikap
manusia di sekitar siswa yang ikut memberikan pengaruh terhadap proses belajar siswa.
dan
prestasi-prestasi
tentunya
penyerapan
pelajaran.
adalah fungsi-fungsi pancaindera. Faktor-faktor psikologis dalam belajar adalah hal-hal yang mendorong aktivitas belajar, beberapa hal tersebut diantaranya adanya sifat ingin tahu dan ingin menyelidiki dunia yang lebih luas, adanya sifat kreatif yang ada pada
fisiologis dan faktor psikologis. Faktor
yang
Keadaan fungsi-fungsi fisiologis tertentu
yang berasal dari luar dan faktor internal atau faktor yang berasal dari dalam diri
semacamnya
belajar
manusia dan keinginan untuk selalu maju,
adanya
keinginan
untuk
mendapatkan simpati dari orang tua, guru dan teman-teman, adanya keinginan untuk memperbaiki kegagalan yang lalu dengan usaha yang baru, baik dengan koperasi maupun dengan kompetisi, adanya keinginan untuk mendapatkan rasa aman bila menguasai pelajaran, adanya ganjaran atau hukuman sebagai akhir daripada belajar.
Maylita Hasyim, M.Si: Pendekatan Multivariate Adaptive Regression Spline (MARS) Dengan Binary Response Untuk Menganalisis Faktor-Faktor Yang Berpengaruh Terhadap Nilai UN SMA
108
proses belajar mengajar di Sekolah
METODOLOGI PENELITIAN Data
yang
digunakan
dalam
Menengah
Pertama
(SMP)
secara
yang
penelitian ini adalah data sekunder yang
diselenggarakan
nasional.
diambil dari SMA X yang berlokasi di
Variabel ini berskala kontinyu.
provinsi Maluku yaitu berupa data hasil
2) Rata-rata nilai Ujian Sekolah (X2)
Ujian Nasional (UN) siswa SMA X pada
adalah nilai yang diperoleh siswa
tahun pelajaran 2011/2012 yang terdiri
setelah mengikuti kegiatan proses
dari nilai UN, nilai UN SMP, nilai
belajar
tryout, nilai ujian sekolah, nilai rapor
Menengah Atas (SMA) selama 3
semester, penghasilan orang tua
tahun yang diselenggarakan di tingkat
dan
mengajar
jumlah saudara. Jumlah keseluruhan
sekolah.
lulusan SMA X pada tahun pembelajaran
kontinyu.
2011/2012 adalah sebanyak 61 orang
Variabel
di
ini
Sekolah
berskala
3) Rata-rata nilai tryout (X3)
yang terdiri dari:
adalah penilaian yang dilaksanakan
1. Jurusan
secara terpadu dengan kegiatan pem-
Ilmu Pengetahuan Alam
belajaran atau terpisah. Variabel ini
(IPA) sebanyak 19 orang 2. Jurusan Ilmu Pengetahuan Sosial
4) Rata-rata nilai rapor SMA (X4)
(IPS) sebanyak 42 orang Variabel
Respon
(Y)
berskala kontinyu.
sebagai
variabel yang dipengaruhi adalah berupa nilai UN siswa SMA X dengan dua
adalah nilai yang diperoleh siswa setelah mengikuti kegiatan proses belajar
mengajar
di
Sekolah
kategori yaitu nilai UN 65 tergolong
Menengah Atas (SMA) selama satu
Kurang (1) dan nilai UN 75 tergolong
semester yang diselenggarakan tiap
Baik (2). Sedangkan variabel prediktor (X) yaitu variabel-variabel yang diduga mempengaruhi
probabilitas
seorang
siswa bernilai kategori Kurang dan Baik sebagai berikut : 1) Rata-rata nilai UN SMP (X1) adalah jumlah nilai yang diperoleh siswa setelah mengikuti kegiatan
akhir semester. Variabel ini berskala kontinyu. 5) Pendapatan orang tua (X5) adalah
jumlah
penghasilan
yang
didapatkan oleh setiap orang tua siswa, termasuk penghasilan yang diperoleh tanpa melakukan kegiatan apapun
dalam
setiap
bulannya.
Variabel ini berskala kontinyu. Maylita Hasyim, M.Si: Pendekatan Multivariate Adaptive Regression Spline (MARS) Dengan Binary Response Untuk Menganalisis Faktor-Faktor Yang Berpengaruh Terhadap Nilai UN SMA
109
6) Jumlah saudara (X6)
jumlah
adalah jumlah saudara (kakak-adik) baik
saudara
kandung
prediktor
yang
akan
digunakan.
maupun
2) Menentukan jumlah maksimum
saudara tiri yang dimiliki oleh tiap
interaksi (Max-I), yaitu 1,2 dan 3,
siswa. Variabel ini berskala kontinyu.
dengan asumsi bahwa jika MI > 3
7) Jurusan (X7) adalah
akan menghasilkan model yang
jurusan yang dipilih siswa.
Variabel
ini
berskala
kategorik
semakin kompleks. 3) Menentukan
minimal
jumlah
(nominal), yaitu IPA dengan kategori
pengamatan setiap knots (Min-O),
1 dan IPS dengan kategori 2.
yaitu 0, 1,2 dan 3. c. Menetapkan model terbaik dengan
Metode yang digunakan untuk mencapai tujuan penelitian ini adalah metode
regresi
multivariat
nonparametrik
dengan
pendekatan
Multivariate Adaptive Regression Spline (MARS). Langkah-langkah analisis yang dilakukan pada penelitian ini sebagai berikut.
yang
diduga
berpengaruh ke dalam software i MARS 2.0.
diperoleh
dengan
mengkombinasikan BF, MI, dan MO. d. Menduga koefisien model. e. Melakukan uji signifikansi fungsi basis model MARS. f. Mengelompokkan
fungsi
basis
masuk dalam model. g. Menguji keakurasian prediksi model MARS (ketepatan klasifikasi) yang terbentuk dari data sehingga men-
b. Mengkombinasikan unsur penentu model yaitu besarnya Basis Function (BF), Maximum Interaction (MI) dan Minimum Observation (MO) pada data training yang digunakan dengan cara: 1) Menentukan
yang
berdasarkan variabel prediktor yang
a. Memasukkan data Nilai UN beserta faktor-faktor
didasarkan pada nilai GCV minimum
dapatkan angka ketepatan klasifikasi. h. Menghitung nilai kesalahan klasifikasi dengan menggunakan APER serta
menghitung
kestabilan
kla-
sifikasi dengan statistik uji Press’s Q. MODEL MARS
maksimum
fungsi
basis (Max-BF), yaitu 2-4 kali
Penentuan
model
didasarkan pada nilai
Maylita Hasyim, M.Si: Pendekatan Multivariate Adaptive Regression Spline (MARS) Dengan Binary Response Untuk Menganalisis Faktor-Faktor Yang Berpengaruh Terhadap Nilai UN SMA
terbaik
GCV paling 110
minimum yang diperoleh dengan cara
UJI SIGNIFIKANSI FUNGSI BASIS
trial dan error dalam mengkombinasikan
MODEL MARS
nilai
BF,
sampai
Pada model MARS dilakukan uji
Dari
signifikansi fungsi basis yang meliputi
keseluruhan model yang telah diperoleh
uji serentak dan uji individu. Uji
dengan berdasarkan pada nilai GCV
signifikansi
yang
dilakukan
secara
paling minimum maka model MARS
bersamaan/serentak
terhadap
fungsi
terbaik yang dipilih yaitu model dengan
basis-fungsi basis yang terdapat dalam
nilai BF = 21, MI = 3, dan MO = 0 serta
model MARS ini menggunakan hipotesis
mendapatkan
MI,
dan
model
MO terbaik.
2
nilai GCV sebesar 0,0742 dan R sebesar 89,4%.
sebagai berikut. H 0 : 10 11 12 14 15 16 17
Model MARS terbaik dari nilai
19 0
UN siswa SMA X tahun pelajaran
H1 : Paling tidak ada satu j 0
2011/2012, sebagai berikut.
dengan,
Y 0,945 1,511BF10 2,529 BF11
j 10,11,12,14,15,16,17,19
0,162 BF12 9,194 BF14 15,181BF15 13, 776 BF16 5, 772 BF17 5,915 BF19 (5)
Berdasarkan
hasil
pengolahan
MARS dapat diketahui bahwa nilai
dengan,
Fhitung sebesar 55,004. Dengan meng-
BF2 max 0, X 1 6,980 ;
gunakan = 0,05 maka diperoleh
BF4 max 0, 6,920 X 2 ;
F0,05(8,52) = 2,14 sehingga daerah kritis
BF6 max 0, 6, 450 X 1 * BF4 ;
yaitu Fhitung F0,05(8,52), maka keputusan
BF10 max 0, 70, 00 X 4 * BF6 ;
yang diambil yaitu menolak H0, artinya
BF11 max 0, 70, 00 X 4 * BF6 ;
paling sedikit ada satu j yang tidak
BF12 max 0, X 4 68, 00 * BF2 ;
sama dengan nol yang dapat dinyatakan
BF14 max 0, X 3 5,370 ;
pula bahwa minimal terdapat satu fungsi
BF15 max 0, X 3 5,370 * BF2 ;
basis yang memuat variabel prediktor
BF16 max 0, 0,500 X 5 * BF6 ;
yang berpengaruh terhadap variabel
BF17 max 0, 6, 610 X 1 ;
respon.
BF19 max 0, X 1 6, 450 ;
Maylita Hasyim, M.Si: Pendekatan Multivariate Adaptive Regression Spline (MARS) Dengan Binary Response Untuk Menganalisis Faktor-Faktor Yang Berpengaruh Terhadap Nilai UN SMA
111
Uji yang dilakukan secara parsial/ individu menggunakan hipotesis sebagai berikut. H0 : j 0 H1 : j 0 dengan,
j 10,11,12,14,15,16,17,19
Dengan menggunakan = 0,05 maka didapatkan : ttabel = t(0,025; 52) = 2,011 Daerah kritis adalah jika t hitung t(0,025; 52)
maka menolak H0.
Tabel 1 Uji Signifikansi Fungsi Basis pada Model yang Terpilih Parameter
t-hitung
Keputusan
Constant BF 10 BF 11 BF 12 BF 14 BF 15 BF 16 BF 17 BF 19
22.380 -3.285 -6.481 5.190 6.242 4.341 -5.805 -11.355 13.602
Tolak H0 Tolak H0 Tolak H0 Tolak H0 Tolak H0 Tolak H0 Tolak H0 Tolak H0 Tolak H0
Sumber : Output pengolahan MARS
Berdasarkan Tabel 1 dapat dilihat bahwa semua parameter fungsi basis mempunyai nilai signifikan sehingga keputusan yang diambil adalah menolak H0 yang berarti semua parameter fungsi basis dalam model mempunyai pengaruh yang signifikan terhadap model. Berikut intepretasi model MARS pada Persamaan 5, yaitu.
Tabel 2 Interpretasi Model MARS Fungsi Interpretasi Basis Setiap kenaikan satu fungsi basis ( ) dapat meningkatkan resiko memperoleh nilai UN “kurang” sebesar 1,511 pada siswa yang memiliki rata-rata nilai rapor kurang dari 70,00; rata-rata nilai UN SMP kurang dari 6,45; dan rata-rata nilai ujian sekolah kurang dari 6,92. Setiap kenaikan satu fungsi basis ( ) dapat meningkatkan resiko memperoleh nilai UN “kurang” sebesar 2,529 pada siswa yang memiliki ratarata nilai rapor kurang dari 70,00; rata-rata nilai UN SMP kurang dari 6,45; dan rata-rata nilai ujian sekolah kurang dari 6,92. Fungsi Basis
Interpretasi Setiap kenaikan satu fungsi basis ( ) dapat mengurangi resiko memperoleh nilai UN “kurang” sebesar 0,162 pada siswa yang memiliki rata-rata nilai rapor lebih dari 68,00 dan rata-rata nilai UN SMP lebih dari 6,98. Setiap kenaikan satu fungsi basis ( ) dapat mengurangi resiko memperoleh nilai UN “kurang” sebesar 9,194 pada siswa yang memiliki rata-rata nilai tryout lebih dari 5,37. Setiap kenaikan satu fungsi basis ( ) dapat mengurangi resiko memperoleh nilai UN “kurang” sebesar 15,181 pada siswa yang memiliki rata-rata nilai tryout lebih dari 5,37 dan rata-rata nilai UN SMP lebih dari 6,98. Setiap kenaikan satu fungsi basis ( ) dapat meningkatkan resiko memperoleh nilai UN “kurang” sebesar
Maylita Hasyim, M.Si: Pendekatan Multivariate Adaptive Regression Spline (MARS) Dengan Binary Response Untuk Menganalisis Faktor-Faktor Yang Berpengaruh Terhadap Nilai UN SMA
112
13,776 pada siswa yang penghasilan orang tuanya kurang dari Rp. 500.000 dan rata-rata nilai UN SMP kurang dari 6,45 Setiap kenaikan satu fungsi basis ( ) dapat meningkatkan resiko memperoleh nilai UN “kurang” sebesar 5,772 pada siswa yang memiliki ratarata nilai UN SMP kurang dari 6,610. Setiap kenaikan satu fungsi basis ( ) dapat mengurangi resiko memperoleh nilai UN “kurang” sebesar 5,915 pada siswa yang memiliki rata-rata nilai UN SMP lebih dari 6,45.
Tabel
2
menunjukkan
jumlah saudara (
) dan jurusan (
)
tidak memiliki tingkat kepentingan (0%) karena sudah terwakili oleh lima variabel sebelumnya. Tabel 3 Kepentingan Variabel Prediktor Variabel Tingkat Kepentingan X1 100,000% X4
66,923%
X2
43,321%
X5
40,984%
X3
34,502%
X6
0,000%
X7
0,000%
tingkat
kepentingan variabel prediktor pada fungsi pengelompokan, yang ditaksir oleh
kenaikan
berpindahnya
nilai
GCV
karena
variabel-variabel
KETEPATAN KLASIFIKASI DAN EVALUASI PENGKLASIFIKASIAN
yang
dipertimbangkan tersebut dari model.
Untuk
melihat
peluang
nilai UN SMP (
) adalah variabel
sifikasian nilai UN siswa SMA maka
terpenting pada model dengan tingkat
dihitung dengan menggunakan nilai
kepentingannya 100%, kemudian diikuti
APER. Penelitian ini merupakan binary
oleh variabel rata-rata nilai rapor (
)
response yang dikelompokkan menjadi
dengan tingkat kepentingan 66,923%.
siswa dengan nilai UN 65 tergolong
Urutan ketiga yaitu variabel rata-rata
Kurang (1) dan siswa dengan nilai UN
nilai ujian sekolah (
75 tergolong Baik (2). Berdasarkan
kepentingan 43,321%, urutan keempat yaitu penghasilan orang tua (
) dengan
tingkat kepentingan 40,984%, dan urutan terakhir yaitu variabel rata-rata nilai tryout (
) dengan tingkat kepentingan
34,502%. Dua variabel lainnya yaitu
dalam
besar
Dapat dilihat bahwa variabel rata-rata
) dengan tingkat
kesalahan
seberapa
pengkla-
Tabel 5 kesalahan klasifikasi (nilai APER) dalam pengklasifikasian nilai UN siswa terdapat
SMA
adalah
1,6%.
Karena
kesalahan
dalam
pengklasifikasian 5 ART terinfeksi (1) masuk ke dalam kelompok ART tidak
Maylita Hasyim, M.Si: Pendekatan Multivariate Adaptive Regression Spline (MARS) Dengan Binary Response Untuk Menganalisis Faktor-Faktor Yang Berpengaruh Terhadap Nilai UN SMA
113
Tabel 5 Ketepatan dan Kestabilan Klasifikasi Nilai UN SMA
terinfeksi (2) dan kesalahan dalam pengklasifikasian 1 ART tidak terinfeksi (2) masuk ke dalam kelompok ART terinfeksi (1). Tabel 4 Ketepatan dan Kesalahan Klasifikasi Data Nilai UN SMA Prediksi Kelas Kelas Total Aktual Aktual 1 2
Ketepatan Klasifikasi Nilai UN 65 (1)
Nilai UN > 65 (2)
24 (39,34%)
35 (57,37%)
24
2
26
2
0
35
35
pembahasan,
Total Prediksi
24
37
61
kesimpulan sebagai berikut.
Benar
39,34%
57,37%
Total Benar
96,72%
53,26
KESIMPULAN
1
APER 3,28%
Press’s Q
Berdasarkan hasil penelitian dan maka
dapat
ditarik
1. Variabel yang berpengaruh terhadap nilai UN SMA X yang berlokasi di provinsi Maluku meliputi variabel
Untuk
mengetahui
kestabilan
rata-rata nilai UN SMP (
) dengan
dalam ketepatan klasifikasi (sejauh mana
tingkat kepentingan 100%, kemudian
kelompok-kelompok
ini
diikuti oleh variabel rata-rata nilai
dipisahkan
menggunakan
dengan
dapat
rapor (
) dengan tingkat kepen-
variabel yang ada) maka digunakan uji
tingan 66,923%. Urutan ketiga yaitu
statistik Press’s Q. Tabel 5 menunjukkan
variabel rata-rata nilai ujian sekolah
besarnya kestabilan dalam ketepatan
(
klasifikasi nilai UN SMA berdasarkan
43,321%,
nilai dari Press’s Q adalah 53,26. Bila
penghasilan orang tua (
dibandingkan dengan
= 3,841
tingkat kepentingan 40,984%, dan
maka nilai dari Press’s Q untuk model
urutan terakhir yaitu variabel rata-
tersebut jauh lebih besar daripada nilai
rata nilai tryout (
sehingga dapat disimpulkan bahwa keakuratan pengklasifikasian nilai UN SMA dengan pendekatan MARS sudah statistik.
dikatakan
konsisten
secara
) dengan tingkat kepentingan urutan
keempat
yaitu
) dengan
) dengan tingkat
kepentingan 34,502%. 2. Pada model MARS terbaik, terdapat interaksi antara dua variabel yaitu interaksi antara variabel rata-rata nilai tryout dengan rata-rata nilai UN
Maylita Hasyim, M.Si: Pendekatan Multivariate Adaptive Regression Spline (MARS) Dengan Binary Response Untuk Menganalisis Faktor-Faktor Yang Berpengaruh Terhadap Nilai UN SMA
114
Additive Technometrics, 31.
SMP, serta interaksi antara variabel penghasilan orang tua dengan ratarata nilai UN SMP. Selain itu juga terdapat interaksi tiga variabel yaitu interaksi antara variabel rata-rata nilai rapor, rata-rata nilai UN SMP dan rata-rata nilai ujian sekolah. 3. Berdasarkan
evaluasi
pengklasi-
fikasian, maka diperoleh ketepatan klasifikasi nilai UN SMA X yang berlokasi di provinsi Maluku sebesar 96,7%. Keakuratan pengklasifikasian nilai UN SMA dapat dikatakan sudah stabil dan konsisten secara statistik.
DAFTAR PUSTAKA Agresti, A. 1990. Categorical Data Analysis. New York: John Willey and Sons.
Modelling.
Hair J.F, Rolph E. Anderson, Ronald L. Tatham, William C. Black. (2006). Multivariate Data Analysis. Sixth Edition, Pearson Education Prentice Hall, Inc. Hamalik, Oemar. 2004. Proses Belajar Mengajar. Jakarta: PT. Bumi Aksara. Hidayat, U. 2003. Analisis Pengelompokan dengan Metode MARS, Studi Kasus: Pengelompokan Desa/Kelurahan di Jatim. Tesis Master. (Tidak Dipubilkasikan), Mahasiswa Jurusan Statistika FMIPA ITS, Surabaya. Mulyasa, E. 2011. Standar Kompetensi dan Sertifikasi Guru. Bandung: PT. Remaja Rosdakarya. Nash, Mahliha S. dan David F. Bradford. 2001. Parametric and Non Parametric Logistic regression for Prediction of Precense/Absence of an Amphibian. Las Vegas, Nevada.
Arifin, Zainal. 2011. Evaluasi Pembelajaran (Prinsip, Teknik, Prosedur). Bandung: PT. Remaja Rosdakarya.
B.W., Guritno, S., Subanar, Haryatmi, S. 2006. Bootstrap dalam MARS untuk Klasifikasi Perbankan. Inferensi Jurnal Statistik, Volume 2, N0. 1, Januari 2006. FMIPA ITS Surabaya.
Cox, D.R., Snell, E.J. 1989. Analysis of Binary Data. Second Edition. London: Chapman & Hall.
Otok, B.W. 2008. Multivariate Adaptive Regression Spline. Pelatihan MARS. Surabaya.
Dimayati dan Mujiono. 1999. Belajar dan Pembelajaran. Jakarta: PT. Rineka Cipta.
Purwanto. 2009. Evaluasi Hasil Belajar. Yogyakarta: Pustaka Pelajar.
Friedman, J.H. 1991. Multivariate Adaptive Regression Splines. The Annals of Statistics, Vol. 19 No. 1.
Otok,
Slameto. 2010. Belajar dan FaktorFaktor yang Mempengaruhinya. Jakarta: Rineka Cipta.
Friedman, J.H., Silverman, B.W. (1989). Flexible Parsimony Smoothing and
Maylita Hasyim, M.Si: Pendekatan Multivariate Adaptive Regression Spline (MARS) Dengan Binary Response Untuk Menganalisis Faktor-Faktor Yang Berpengaruh Terhadap Nilai UN SMA
115