Penerapan Regresi Dummy dalam Memprediksi Performansi Akademik Mahasiswa (Studi Kasus pada Mahasiswa Jurusan Matematika UNP)

STATISTIKA

LAPORAN PENELITIAN

Oo

Penerapan Regresi Dummy dalam Memprediksi Performansi Akademik Mahasiswa (Studi Kasus pada Mahasiswa Jurusan Matematika UNP)

Oleh : Dra. Nonong Amalita, M.Si Drs. Lutfian Almash, MS Yenni Kurniawati, S.Si, M.Si

PROGRAM STUDI STATISTIKA JURUSAN MATEMATIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM UNIVERSITAS NEGERI PADANG 2012

HALAMAN PENGESAHAN PROPOSAL PENELITIAN DOSEN PEMULA 1. Judul Penelitian

2. Bidang Penelitian 3. A. Ketua Peneliti 1. Nama Lengkap 2. Jenis Kelamin 3. NIP 4. Disiplin Ilmu 5. Pangkat / Golongan 6. Jabatan Fungsional 7. Fakultas / Jurusan 8. Alamat 9. Telepon/Faks/E-mail 10. Alamat Rumah 11. Telepon/Faks/E-mail B. Anggota

4. Lokasi Penelitian Jumlah Biaya Penelitian`

Disetujui Oleh, Dekan FMIPA UNP

Prof. Dr. Lufri, MS NIP. 19610510 198703 1 002

: Penerapan Regresi Dummy dalam Memprediksi Performansi Akademik Mahasiswa (Studi Kasus Pada Mahasiswa Jurusan Matematika FMIPA UNP) : Statistika : Dra. Nonong Amalita. M.Si : Perempuan : 19690615 199303 2 001 : Statistika : Penata Tk I / III d : Lektor : FMIPA/ Matematika : Jl. Prof. Dr.Hamka Air Tawar Padang : (0751) 7057420 : Perum. Griya Insani Ambacang B/6 Padang : 08126636820/-/ : 1. Drs. Lutfian Almash, MS 2. Yenni Kurniawati, S.Si, M.Si : Jurusan Matematika FMIPA UNP : Rp. 4.000.000,(Empat Juta Rupiah) Padang, 14 Maret 2013 Ketua Peneliti

Dra. Nonong Amalita, M.Si NIP. 19690615 199303 2 001

Mengetahui, Ketua Lembaga Penelitian Universitas Negeri Padang

Dr. Alwen Bentri, M.Pd NIP. 19610722 198602 1 002

RINGKASAN

Pendidikan Tinggi sebagai lembaga pencipta generasi yang berkualitas, selalu berusaha meningkatkan mutu lulusannya agar menghasilkan lulusan yang mampu bersaing diera globalisasi. Salah satu indikator yang dapat dijadikan sebagai penentu dalam mutu pendidikan tinggi adalah prestasi akademik atau IPK yang dicapai mahasiswa. Keberhasilan suatu perguruan tinggi dalam menghasilkan output yang bagus dapat dilihat dari prestasi akademik. Input merupakan sumberdaya yang akan ditransformsi menjadi output. Kualitas input mahasiswa yang di terima oleh Jurusan Matematika FMIPA UNP juga dapat mempengaruhi kualitas outputnya. Salah satu parameter untuk mengukur kualitas input mahasiswa dari sisi akademik adalah nilai Ujian Nasional (UN). Indikator lain yang diasumsikan dapat mengukur kualitas input mahasiswa adalah asal sekolahnya yang digambarkan dengan status asal sekolah (negeri / swasta). Selain dari parameter di atas, ada beberapa parameter yang juga dianggap dapat mempengaruhi IPK mahasiswa, yaitu jenis jalur masuk dan jenis kelamin dari mahasiswa. Penerimaan mahasiswa pada jurusan matematika saat ini dibagi atas 4 jenis jalur masuk, yaitu PMDK, SMPTN, Seleksi UNP, BIDIK MISI. Karena peubah yang dianggap dapat mempengaruhi IPK ini memiliki 2 jenis peubah, yaitu kuantitatif dan kualitatif, maka pada penelitian ini akan dibentuk model regresi dummy untuk melihat keterkaitan antar peubah-peubah. Dummy (Peubah boneka) merupakan cara yang sederhana untuk mengkuantifikasi peubah kualitatif dalam model regresi. Untuk peubah kualitatif yang mempunyai k kategori bisa dibangun k-1 peubah boneka. Pendugaan parameter dan uji inferensinya sama dengan analisis regresi linier sederhana.

Ketika faktor interaksi dimasukkan dalam model maka bisa

membandingkan fungsi regresi untuk masing-masing kategori. Persamaan regresi dummy untuk setiap angkatan 2009-2011 digambarkan sebagai berikut: a. Angkatan 2009 IPK = 3,95 - 0,287 UN Mat - 0,922 D1(1=L) - 1,11 D3(SNM) + 0,118 D1X + 0,174 D2X + 0,183 D3X

b. Angkatan 2010 IPK = - 14,6 + 1,92 UN Mat + 16,7 D2(1=N) + 3,37 D3(SNM) + 0,389 D4(PMDK)0,0321 D1X - 1,82 D2X - 0,339 D3X

c. Angkatan 2011 IPK = 2,60 + 2,04 D1(1=L) - 1,47 D2(1=N) - 0,690 D3(SNM) + 0,427 D4(PMDK)- 0,255 D1X + 0,208 D2X + 0,117 D3X

Dari ketiga persamaan diatas, Nilai UN Matematika ternyata tidak menjadi faktor penentu kualitas calon mahasiswa dari jurusan matematika FMIPA UNP. Walaupun selama tahun 20102011 rata-rata nilai UN matematika dari mahasiswa meningkatbdari pada tahun sebelumnya, namun pada tingkat IPK dua angkatan ini tidak sebanding dengan nilai rata-rata UN yang diperoleh. Oleh karena itu, dalam usaha peningkatan input dari jurusan perlu kajian mendalam lagi, sehingga nilai UN tidak lagi menjadi dasar utama dalam menyaring calon mahasiswa.

Kata Kunci: Peubah Dummy (Boneka), persamaan regresi dummy.

BAB I PENDAHULUAN A. Latar Belakang Pendidikan Tinggi sebagai lembaga pencipta generasi yang berkualitas, memiliki misi membentuk manusia berbudaya, berkemampuan, profesional dan mampu mengembangkan potensinya melalui peningkatan mutu (Afifuddin, 2004). Setiap Perguruan Tinggi berusaha meningkatkan mutu lulusannya, agar menghasilkan lulusan yang mampu bersaing di era globalisasi sekarang ini. Salah satu indikator yang dapat dijadikan sebagai penentu dalam mutu pendidikan tinggi adalah prestasi akademik dari mahasiswa atau lulusan Pergurugan Tinggi tersebut. Indeks Prestasi Komulatif (IPK) merupakan salah satu tolak ukur dalam prestasi akademik tersebut. IPK lulusan juga dapat mencerminkan performansi dari suatu Perguruan Tinggi, karena IPK merupakan hasil komponen pendidikan yang diperoleh mahasiswa selama menempuh jenjang perkuliahan. Komponen-komponen pendidikan dapat berupa komponen konteks pendidikan, komponen input, komponen proses, komponen output dan komponen outcome (Nastuti, 2010). Semua komponen tersebut saling mempengaruhi dalam pencapaian kualitas suatu perguruan tinggi. Seperti pada kualitas input mahasiswa yang diterima oleh sebuah perguruan tinggi yang tentunya akan menjadi salah satu faktor yang mempengaruhi kualitas outputnya. Lulusan Perguruan Tinggi merupakan output dari suatu proses pendidikan. Keberhasilan suatu perguruan tinggi dalam menghasilkan output yang bagus dapat dilihat dari prestasi akademik. Input merupakan sumberdaya yang akan ditransformsi menjadi output. Dalam arti sempit input ini merupakan calon mahasiswa. Output yang akan dicapai pada umumnya digolong menjadi dua, yaitu output prestasi akademik (academic achievement) dan prestasi non-akademik (non-academicachievement). Prestasi ini dapat tercapai apabila sekolah memiliki proses belajar mengajar efektivitas tinggi, manajemen baik, lingkungan aman tertib, pengelolaan tenaga kependidikan efektif, memiliki budaya mutu, mandiri, didukung partisipasi masyarakat tingggi, akuntabilitas manajemen, proses

1

perbaikan berkesinambungan, trend setter, komunikasi yang baik (Anonimous, 2003). Jurusan Matematika sebagai salah satu jurusan favorit yang dimiliki oleh Universitas Negeri Padang setiap tahun menghasilkan lulusan yang memiliki kompetensi dalam bidangnya. Melalui penyaringan input atau calon mahasiswa tentunya diharapkan mahasiswa yang diterima pada Jurusan Matematika memiliki kualitas yang baik dari segi akademik. Karena kualitas input mahasiswa yang di terima oleh sebuah jurusan juga dapat mempengaruhi kualitas outputnya. Salah satu parameter untuk mengukur kualitas input mahasiswa dari sisi akademik adalah nilai Ujian Nasional (UN). Indikator lain yang diasumsikan dapat mengukur kualitas input mahasiswa adalah asal sekolahnya yang digambarkan dengan status asal sekolah (negeri / swasta). Selain parameter di atas, ada beberapa parameter yang juga dianggap dapat mempengaruhi IPK mahasiswa, yaitu jenis jalur masuk dan jenis kelamin dari mahasiswa. Penerimaan mahasiswa pada jurusan matematika saat ini dibagi atas 4 jenis jalur masuk, yaitu PMDK, SMPTN, Seleksi UNP, BIDIK MISI. Karena peubah yang dianggap dapat mempengaruhi IPK ini memiliki 2 jenis peubah, yaitu kuantitatif dan kualitatif, maka pada penelitian ini akan dibentuk model regresi dummy untuk melihat keterkaitan antar peubah-peubah. Dummy variable (Peubah boneka) merupakan cara yang sederhana untuk mengkuantifikasi peubah kualitatif dalam model regresi. Untuk peubah kualitatif yang mempunyai k kategori bisa dibangun k-1 peubah boneka.

Pendugaan

parameter dan uji inferensinya sama dengan analisis regresi linier sederhana. Ketika faktor interaksi dimasukkan dalam model maka kita bisa membandingkan fungsi regresi untuk masing-masing kategori. Dalam analisis regresi sering kali bukan hanya peubah penjelas kuantitatif yang mempegaruhi peubah tak bebas (Y), tetapi ada juga peubah kualitatif yang ikut juga mempengaruhi (Gasperz, V, 1996). Oleh karena itu, peubah dummy digunakan sebagai upaya untuk melihat bagaimana klasifikasi-klasifikasi dalam sampel berpengaruh terhadap parameter pendugaan. Peubah dummy mencoba membuat kuantifikasi dari peubah kualitatif.

2

Penelitian ini menerapkan analisis regresi dummy untuk memprediksi IPK mahasiswa Jurusan Matematika, sehingga diperoleh model terbaik dalam memprediksi performansi akademik mahasiswa. Asumsi indikator yang mempengaruhi IPK adalah nilai matematika UN, status asal sekolah, jenis jalur masuk dan jenis kelamin. Nilai UN merupaka peubah kuantitatif, sedangkan peubah kualitatif adalah status asal sekolah, jenis jalur masuk, dan jenis kelamin. B. Perumusan Masalah Berdasarkan uraian pada pendahuluan di atas, maka dapat dikemukakan rumusan masalah sebagai berikut: 1. Bagaimana membentuk model regresi dummy dari peubah-peubah bebas yang diasumsikan? 2. Bagaimana memperoleh model terbaik dari regresi dummy? 3. Apakah peubah-peubah bebas yang diasumsikan berpengaruh signifikan terhadap IPK mahasiswa jurusan matematika? C. Tujuan Penelitian Tujuan Penelitian ini adalah untuk: 1. Membentuk model regresi dummy dari peubah-peubah bebas yang diasumsikan? 2. Memperoleh model terbaik dari regresi dummy? 3. Menentukan peubah-peubah bebas yang berpengaruh signifikan terhadap IPK mahasiswa Jurusan Matematika?

3

BAB II TINJAUAN PUSTAKA Dalam melengkapi pemahaman mengenai regresi dummy, perlu dikaji analisis regresi berganda terlebih dahulu, kemudian proses kodifikasi peubah dummy dan model regresi dummy. A. Analisis Regresi Linear Berganda Pada setiap pengamatan, yang diwakili pengamatan ke i, berlaku persamaan : Yi = β0 + β1 X1i + β2 X2i + β3 X3i + … + βp Xpi + εi

(1)

Sistem persamaan (1) dapat ditulis dalam bentuk matrik, dengan mendefinisikan matrik-matrik berikut:

;

… …

1 1

;

;

2

1 atau dapat ditulis dalam bentuk matrik sebagai berikut : Y = Xβ +

(3)

Berdasarkan asumsi yaitu

~

0,

, maka kita dapat menulis

persamaan (1) dalam bentuk nilai harapan : E(Yi) =

Matrik X dan vektor b dan β menjadi :

X=

⎡ 1 x11 ⎢1 x 12 ⎢ ⎢... ... ⎢ ⎢⎣ 1 x1n

x 21 x 22 ... x 2n

x p1 ⎤ ... x p 2 ⎥⎥ ... ... ⎥ ⎥ ... x pn ⎥⎦ ...

⎡β0 ⎤ ⎢β ⎥ ⎢ 1⎥ β = ⎢β 2 ⎥ ⎢ ⎥ ⎢ ... ⎥ ⎢β p ⎥ ⎣ ⎦

4

⎡ b0 ⎤ ⎢b ⎥ ⎢ 1⎥ b = ⎢ b2 ⎥ ⎢ ⎥ ⎢ ... ⎥ ⎢b p ⎥ ⎣ ⎦

Pada analisis regresi linier berganda ada beberapa uji asumsi klasik yang harus dipenuhi, yaitu asumsi kenormalan galat, heteroskedasitas, autokorelasi dan multikoliniritas. 1. Uji Kenormalan. Berdasarkan teori statistika model linier hanya peubah dependen dan galat yang mempunyai distribusi dan dapat diuji normalitasnya. Sedangkan peubah independen diasumsikan bukan merupakan fungsi distribusi, jadi tidak perlu diuji normalitasnya. Salah satu cara untuk menguji kenormalan data yaitu dengan uji Kolmogorov-Smirnov. Hipotesis: H0 : Peubah menyebar mengikuti sebaran normal H1 : Peubah menyebar tidak mengikuti sebaran normal Selain itu kenormalan data dapat juga dideteksi dari penyebaran data (titik) pada sumbu diagonal pada kertas peluang. Jika data menyebar di sekitar garis diagonal dan mengikuti arah garis histograf menuju pola distribusi normal, maka model regresi memenuhi asumsi normalitas (Sukestiyarno, 2008). 2. Uji Heteroskedastisitas Heteroskedastisitas terjadi apabila error atau residual dari model yang diamati tidak memiliki varian yang konstan dari satu observasi ke observasi lainnya. Pengujian heteroskedastisitas dilakukan dengan melihat diagram residual terhadap peubah bebas pada output Scatterplot. Jika nilai error membentuk pola tertentu tidak bersifat acak terhadap nol maka dikatakan terjadi heteroskedasti (Sukestiyarno 2008). 3. Uji Autokorelasi Uji autokorelasi bertujuan menguji apakah dalam model regresi linier ada korelasi antar error satu dengan error yang lainnya. Ada beberapa cara untuk mendeteksi gejala autokorelasi yaitu uji Durbin Watson (DW test), uji Langrage Multiplier (LM test), uji statistik Q, dan Run Test. 4. Uji Multikolinearitas Uji multikolinearitas bertujuan untuk menguji apakah model regresi ditemukan adanya korelasi antara peubah bebas. Jadi uji multikolinearitas terjadi hanya pada regresi ganda. Model regresi yang baik seharusnya tidak terjadi 5

korelasi tinggi diantara peubah bebas. Gejala multikolinearitas dapat dideteksi dengan melihat nilai Variance Inflasi Factor (VIF). Multikolinearitas terjadi jika VIF berada di atas 10 (Sukestiyarno 2008). B. Estimasi Parameter dan Pengujian Hipotesis Estimasi parameter dapat kita peroleh dengan menggunakan metode kuadrat terkecil, sehinnga dari bentuk persamaan (3) dapat kita tulis dalam bentuk matriks yaitu : 1

1

1

1

1 1

1

1

1 X’X = X’Y

(6)

Solusi dari persamaan di atas adalah dengan mengalikan kedua ruas dengan (X’X)-1 didapatkan : = (X’X)-1X’Y

(7)

Uji keseluruahan parameter regresi sebagai berikut: H0: β1 = β2 ….=βk = 0 H1 : minimal ada satu βj ≠ 0 Jumlah kuadrat total (JKT) merupakan penjumlahan dari jumlah kuadrat regresi (JKR) dan jumlah kuadrat kesalahan (JKG), atau dapat ditulis: JKT = JKR + JKG

(8)

Statistik uji :

F=

JKR/

R

JKG/

G

=

KTR KTG

H0 ditolak jika F > F(α , k, n-k-1) Dengan meminimumkan jumlah kuadrat kesalahan, maka diperoleh : JKG = ∑

2

(9) 6

2

JKT = ∑

(10)

Oleh karena itu JKR = ’X’Y –

∑

(11)

Tabel 1. Analisis Ragam dalam Analisis Regresi Linier Berganda Sumber Jumlah Derajat Bebas Kuadrat Tengah Fhit Keragaman Kuadrat (JK) (db) (KT) Regresi JKR K KTR=JKR/k KTR/KTG Galat JKG n-k-1 KTG=JKG/n-k-1 Total JKT n-1 Bila peubah bebas dimasukkan satu per satu secara bertahap ke dalam suatu persamaan regresi, maka dilakukan uji F sekuensial (Draper dan Smith,1982). Untuk menguji apakah

signifikan atau tidak dalam model, maka dapat

dilakukan degan mempartisi koefisien regresi seperti di bawah ini :

Hipotesis pengujian: H0 :

0

H1 :

0

Model (3) dapat ditulis menjadi : (13)

Y=X Untuk model (12), berdasarkan persamaan (7) diperoleh: JKR = ’X’Y –

∑

Untuk menguji bahwa H0 :

dan KTG = 0 adalah benar, maka model (13) direduksi

menjadi: (14)

Y= penduga kuadrat terkecil dari :

yang direduksi dalam model (14) tersebut adalah

(X1’X1)-1 X1’Y dengan JKR( ) =

7

X1’Y -

∑

Jumlah kuadrat regresi untuk

apabila

dimasukkan ke dalam model:

JKR( | ) = JKR ( ) – JKR( Statistik ujinya: |

Fhit = H0 ditolak jika Fhit >

/

, ,

Sedangkan pengujian hipotesis untuk parameter koefisien regresi secara individual dapat dilakukan dengan menggunakan uji parsial. Dengan hipotesis berikut: H0 : β j = 0 H1 : β j ≠ 0 Statistik uji :

thit = H0 ditolak jika |thit|

> t(α/2; n-k-1)

Koefisien determinasi berganda R2 mengukur proporsi keragaman total dalam peubah tak bebas Y yang dapat dijelaskan oleh model persamaan regresi secara bersama. Besaran koefisien determinasi ditentukan oleh formula :

R2 =

JKR JKT

C. Analisis Regresi dengan Peubah Kualitatif Ada banyak cara untuk membangun model regresi yang peubah bebasnya mengandung peubah kualitatif, salah satunya adalah menggunakan peubah boneka. Misalnya jika ingin memperkirakan nilai peubah Y yang dipengaruhi oleh satu peubah kuantitatif (X) dan satu peubah bebas kualitatif yang mempunyai dua kategori, misalnya kategori 1 dan kategori 2.

8

Peubah dummy digunakan sebagai upaya untuk melihat bagaimana klasifikasi-klasifikasi dalam sampel berpengaruh terhadap parameter pendugaan. Peubah dummy juga mencoba membuat kuantifikasi dari peubah kualitatif. Beberapa jenis model dummy: I. Y = a + bX + c D1 (Model Dummy Intersep) II. Y = a + bX + c (D1X) (Model Dummy Slope) III. Y = a + bX + c (D1X) + d D1 (Model Dummy Intersep dan Slope) Penentuan pendugaan model yang sesuai dapat dilihat secara visual dengan sebaran data (plot)nya.

Bentuk sebaran datan yang sesuai dengan model

dugaannya dapat dilihat dalam gambar berikut :

Gambar 1. Model-model plot yang menggambarkan regresi dummy D. Pemilihan Model Terbaik Prosedur-prosedur yang dapat digunakan dalam membentuk model terbaik adalah: (1) semua kemungkinan regresi (all possible regression) dengan menggunakan tiga kriteria: R2, s2, dan Cp Mallow, (2) regresi himpunan bagian terbaik (best subset regression) dengan menggunakan R2, R2 (terkoreksi), dan Cp, (3) eliminasi langkah mundur, (4) regresi bertatar (stepwise regression). 1. Prosedur Semua Kemungkinan Regresi (All Possible Regression) Pertama-tama prosedur ini menentukan semua kemungkinan persamaan regresi.Setiap persamaan regresi harus dievaluisi menurut kriterium tertentu, tiga kriteria yang akan dibahas adalah a. nilai R2 yang dicapai, Pertimbangkan nilai R2 yang diperoleh untuk semua kemungkinan persamaan 9

regresi, nilai R2 yang besar menjadi salah satu bahan pertimbangan dalam memilih model terbaik. b. nilai s2, sebagai pertimbangan adalah jumiah kuadrat sisa yang terkecil. c. statistik Cp. Model "terbaik" ditentukan setelah memeriksa tebaran Cp. Sebagai bahan pertimbangan adalah persamaan regresi dengan nilai Cp rendah yang kira-kira sama dengan p (banyaknya parmeter dalam model termasuk βo) . 2. Prosedur Regresi "Himpunan Bagian Terbaik" ("Best Subset" Regression) Tiga kriteria dapat digunakan untuk menentukan himpunan bagian "K terbaik", yaitu: a. Nilai R2 maksimum, b. Nilai R2 terkoreksi maksimum R2 terkoreksi = 1- (1-R2){(n-1)/n-p)} c. Statistik Cp Mallows yang rendah yang kir-kira sama dengan p. 3. Prosedur Eliminasi Langkah Mundur (Backward Elimination) Tahap pemilihannya : a. Tuliskan persamaan regresi yang mengandung semua variabel b. Hitung nilai t parsialnya c. Banding nilai t parsialnya i. Jika tL < tO maka buang variabel L yang menghasilkan tL, kemudian hitung kembali persamaan regresi tanpa menyertakan variabel L ii. Jika tL > tO maka ambil persamaan regresi tersebut 4. Prosedur Regresi Bertatar (Stepwise Regression) Prosedure ini dilakukan dengan menambahkan satu variabel independen pada setiap step dalam model. Pada prosedur ini, setiap step dilakukan : a. Pembentukan persamaan regresi b. Penambahan atau penghapusan suatu variabel independen Kriteria untuk suatu variabel independen masuk ke model regresi:

10

1) Variabel independen yang menjelaskan paling besar variasi dari variabel dependen yang akan masuk model pertama kali. 2) Variabel selanjutnya yang menjelaskan paling besar variasi dengan variabel pertama yang masuk model, dan seterusnya. 3) Statistik F-parsial digunakan untuk mengevaluasi apakan suatu variabel tetap dipertahankan dari model atau dikeluarkan dari model. (Draper , 1992)

11

BAB III TUJUAN, LUARAN DAN KONTRIBUSI PENELITIAN Tujuan dari penelitian ini adalah: 1. Membentuk model yang menggambarkan performance mahasiswa jurusan matematika menggunakan regresi dummy. 2. Memperoleh model terbaik dari semua kemungkinan regesi dummy. 3. Mengkaji faktor-faktor yang mempengaruhi nilai IPK mahasiswa Jurusan Matematika UNP. Target luaran yang ingin dicapai dari penelitian ini adalah publikasi ilmiah dalam jurnal lokal yang mempunyai ISSN atau jurnal nasional terakreditasi. Kemudian diharapkan hasil penelitian ini juga dapat diseminarkan dan dimuat dalam proseding dalam seminar ilmiah baik yang berskala lokal, regional maupun nasional. Kontribusi penelitian ini adalah 1) memberikan tambahan wawasan terutama bagi penulis sendiri tentang model regresi dummy. 2) memberikan informasi bagi pihak-pihak terkait dalam peningkatan performansi Jurusan Matematika di masa akan datang, 3) bahan masukkan bagi peneliti selanjutnya dalam mengembangkan cakupan penelitian ini dengan menggunakan penerapan analisis statistika lainnya seperti analisis pohon, analisis data kategorik,dll.

12

BAB IV METODE PENELITIAN Penelitian dibagi menjadi 5 tahapan. Tahapan 1 melakukan pengumpulan data penelitian berupa data nilai UN mahasiswa pada jurusan matematika, jenis jalur masuk, status asal sekolah, dan jenis kelamin. Sebagai peubah terikatnya diambil data nilai IPK mahasiswa dari angkatan 2009, 2010 dan 2011. Keterbatasan dalam pengumpulan data penelitian, mengakibatkan data pada penelitian ini tidak lengkap. Pada angkatan 2009, data yang tersedia hanya 68 dari 120 mahasiswa yang terdaftar. Data yang tersedia untuk mahasiswa angkatan 2010 dan 2011 masing-masing adalah 118 dari 160 dan 105 dari 150. Oleh karena itu, diperlukan penentuan ukuran sampel dalam penelitian ini, maka pada tahapan ke dua adalah menentukaan jumlah sampel yang akan digunakan dalam penelitian menggunakan persamaan: ⁄

(Walpole, 1995)

. Berdasarkan persamaan tersebut, dengan nilai g = 0,1 dan Zα/2 = 1, 96 maka diperoleh banyak sampel pada penelitian ini yaitu 47, 62, dan 68 sampel. Namun dalam proses pengambilan data sampel dilakukan pembulatan ukuran sampel yaitu masing-masing 50, 65, dan 70 sampel. Setelah ukuran sampel ditentukan kemudian sampel dipilih secara acak yang dibutuhkan dalam penelitian. Tahapan ke tiga adalah kodifikasi peubah kualitatif ke dalam peubah dummy. Peubah bebas jenis kelamin dan status asal sekolah memiliki 2 kategori, sehingga masing-masing peubah kualitatif tersebut dapat ditransformasi kedalam satu peubah dummy. Sedangkan peubah status jalur masuk membentuk 3 peubah dummy karena peubah tersebut terdiri dari 4 kategori. Kemudian pada tahapan ke empat, melakukan pengolahan data dengan metode analisis regresi dummy. Tahapan terakhir dalam penelitian ini dalah menentukan model dummy terbaik yang dapat menggambarkan hubungan setiap peubah bebas terhadap peubah tak bebas (Y). Sehingga dapat diperoleh model yang dapat menggambarkan IPK mahasiswa Jurusan Matematika untuk melihat performansi jurusan.

13

B AB V HASIL DAN PEMBAHASAN A. Deskriptif data Nilai Ujian Nasional merupakan salah satu indikator yang menjadi cerminan kualitas dari input suatu perguruan tinggi, sehingga kualitas calon mahasiswa dapat dilihat dari prestasi dalam bidang pendidikan yang diraihnya pada jenjang pendidikan sebelumnya. Dari angkatan 2009, 2010, dan 2011 terlihat bahwa ratarata nilai UN Matematika relatif tinggi. Hal ini terlihat pada Gambar 2, dimana rata-rata nilai UN matematika untuk ketiga angkatan ini berturut-turut adalah 7,493; 8,711 dan 8,27. Rata-rata nilai UN Matematika tertinggi terdapat pada angkatan 2010, kemudian diikuti oleh angkatan 2011 dan 2009.

Gambar 2. Boxplot Nilai UN Matematika Mahasiswa Angkatan 2009-2011 Boxplot pada Gambar 2 memperlihatkan keragaman terbesar dialami pada mahasiswa angkatan 2009, dengan simpangan baku sebesar 1,21. Angkatan 2011 juga memiliki ragam yang cukup besar dibandingkan angkatan 2010, yaitu masing-masing 1,046 dan 0,931. Kondisi ini memperlihatkan rata-rata input mahasiswa pada angkat 2010 lebih tinggi dan relatif seragam dibandingkan dengan 2 angkatan lainnya. IPK yang dihasilkan oleh mahasiswa jurusan Matematika sampai dengan semester genap (Januari – Juni) 2012 digambarkan oleh Boxplot pada gambar 3. Berdasarkan sampel yang dianalisis, ternyata nilai rata-rata IPK untuk masingmasing angkatan adalah

3,1690;

2,9849 dan 14

2,9797.

Nilai rata-rata IPK

tertinggi dicapai oleh angkatan 2009, sedangkan untuk angkatan 2010 dan 2011, nilai rata-rata IPK tidak terlalu jauh berbeda. Kondisi ini berbanding terbalik dengan nilai UN Matematika yang diperoleh oleh masing-masing angkatan. Angkatan 2009 unggul dalam rata-rata IPK, sendangkan nilai UN Matematika pada angkatan ini memiliki nilai paling rendah.

Gambar 3. Boxplot IPK Mahasiswa Angkatan 2009-2011 Jurusan Matematika FMIPA UNP Nilai UN Matematika merupakan salah satu karakteristik yang dapat menggambarkan kondisi input dari mahasiswa dalam suatu perguruan tinggi. Sedangkan salah satu karakteristik dari output suatu perguruan tinggi adalah IPK. Unversitas yang merupakan salah satu pencetak generasi bangsa yang berkualitas, mengharapakan setiap output dari perguruan tinggi tersebut dapat menjadi outcome

yang

diharapkan

oleh

stakeholders

.

Indikator

yang

dapat

menggambarkan output dari perguruan tinggi, salah satunya adalah IPK mahasiswa. Ouput yang baik biasanya juga dipengaruhi oleh kualitas dari inputnya. Beberapa perguruan tinggi di Indonesia menggunakan beberapa metode untuk memperoleh input yang baik, salah satunya dengan melakukan seleksi baik berupa ujian masuk perguruan tinggi, ataupun hanya dengan menggunakan seleksi hasil nilai UN. Analisis Regresi Dummy yang digunakan pada penelitian ini memberikan hasil yang beragam untuk setiap angkatan pada mahasiswa jurusan matematika. Tahap awal analisis pada penelitian ini, semua data sampel untuk masing-masing angkatan dianalisis menggunakan analisis regresi dummy. Peubah bebasnya 15

adalah nilai UN matematika (X) sebagai peubah kuantitatif. Sedangkan jenis kelamin, status asal sekolah, dan status jalur masuk mahasiswa merupakan peubah kualitatif yang diasumsikan juga mempengaruhi IPK mahasiswa. Status asal sekolah dibedakan menjadi 2 kategori, yaitu Negeri dan Swasta, sehingga dapat dijadikan kedalam satu peubah dummy. Begitu juga dengan jenis kelamin, dijadikan kedalam satu peubah dummy. Sedangkan status jalur masuk yang dipilih untuk menjadi mahsiswa UNP dijadikan kedalam dua peubah dummy. Karena pada penelitian ini, jalur masuk mahasiswa jurusan matematika FMIPA UNP dibedakan kedalam 3 kategori, yaitu SNMPTN, PMDK, Bidik Misi dan Seleksi UNP. Persamaan regresi dummy pada angkatan 2009 didapat digambarkan pada persamaan berikut ini: IPK = 4,43 - 0,372 UN Mat - 0,608 D1(1=L) - 0,92 D2(1=N) - 0,675 D3(SNM) - 0,11 D4(PMDK) + 0,085 D1X + 0,300 D2X + 0,129 D3X + 0,028 D4X

Untuk persamaan regresi di atas, tidak ada koefisien regresi yang signifikan. Terlihat dari uji parsial terhadap koefisien regresi yang nilai p-valuenya di atas 0,05. Hanya parameter β0 yang signifikan dengan p-value 0,031. Bedasarkan analisis sisaan (lampiran 3, dan 4), terlihat ada beberapa asumsi yang dilanggar. Nilai VIF yang besar mencerminkan adanya pelanggaran asumsi multikolinieritas. Bedasarkan plot dari sisaan juga terlihat ada kecengdrungan pelanggaran asumsi kenormalan. Unusual observasi juga mengindikasikan terdapat pencilan (outlier) dan data berpengaruh (influence). Oleh karena itu perlu dilakukan penanganan terhadap pencilan tersebut (lampiran 5). Pencilan dapat dihilangkan dari data sehingga tidak terdapat lagi pencilan dalam analisis regresi tersebut, agar diperoleh hasil yang shahi. Pelanggaran asumsi dapat terjadi akibat adanya pencilan. Proses eliminir pencilan dapat dilihat pada lamipran 6 sampai lampiran 8. Proses pemilihan model terbaik menggunakan All possible regression, diperoleh persamaan regresi terbaik sebagai berikut: IPK = 3,95 - 0,287 UN Mat - 0,922 D1(1=L) - 1,11 D3(SNM) + 0,118 D1X + 0,174 D2X + 0,183 D3X

(16)

16

Uji parsial untuk koefisien regresi menujukkan bahwa semua peubah pada persamaan regresi diatas memiliki nilai p-value < 0,05 kecuali D1 yang menyatakan peubah dummy untuk jenis kelamin (lampiran 9). Berdasarkan plot residual terlihat tidak terdapat pelanggaran asumsi, dan melalui uji kenormalan sisaan menggunakan uji kolmogorov-smirnov juga terlihat sisaan secara signifikan menyebar mengikuti sebaran normal dengan p-value > 0,15. R2- adjusted juga menunjukkan nilai yang cukup besar yaitu 76,2 %. Hal ini menunjukkan bahwa peubah independen (Nilai UN matematika) dan 5 peubah dummy lainnya dapat menerangkan nilai IPK mahasiswa jurusan matematika FMIPA UNP angkatan 2009 sebesar 76,2%. Analisis regresi dummy untuk angkatan 2010 digambarkan pada persamaan berikut ini: IPK = - 14,6 + 1,91 UN Mat - 0,24 D1(1=L) + 16,6 D2(1=N) + 2,94 D3(SNM) + 1,74 D4(PMDK) + 0,003 D1X - 1,81 D2X - 0,318 D3X - 0,153 D4X

Koefisien regresi yang signifikan untuk persamaan regresi diatas hanya . Unusual Observasi dari persamaan (17) pada lampiran (13) memperlihatkan terdapat pencilan. Oleh karena itu, perlu dilakukan penanganan terhadap pencilan tersebut. Setelah mendeteksi pencilan melalui nilai DEFITS, HI (leverage), COOK’S distance, dan SRES (lampiran 14), maka diketahui dari persamaan regresi yang diperoleh terdapat 2 pencilan yaitu observasi 1 dan 64. Pencilan yang terdeteksi di eliminir satu persatu secara bertahap (lampiran 15) sampai masalah pencilan dapat teratasi. Pembentukan model terbaik dilakukan dengan menggunakan metode All posibble regression, sehingga diperoleh model regresi terbaik yang dipilih berdasarkan kriteria R2adj yang terbesar, S terkecil dan Cp Mallow yang mendekati parameter, yaitu: IPK = - 14,7 + 1,92 UN Mat + 16,8 D2(1=N) + 3,94 D3(SNM) + 0,414 D4(PMDK) - 0,0356 D1X - 1,82 D2X - 0,407 D3X

(17) Uji Parsial untuk semua parameter regresi pada persamaan (17) diatas memperlihatkan bahwa semua paremeter tersebut memberikan pengaruh terhadap peubah Y (IPK) pada taraf nyata 10%, namun untuk taraf nyata 5% ada satu peubah yang tidak signifikan yaitu peubah dummy interaksi jenis kelamin dengan nilai UN Matematika . Hal ini juga terlihat melalui uji kelayakan model (uji F)

17

pada Anova lampiran 17, dengan nilai P-value 0,000. Peubah bebas UN Mat, Status sekolah asal, jalur masuk UNP mampu menerangkan keragaman dari nilai IPK mahasiswa sebesar 44 % dan R2adj sebesar 36,8 %. Setelah masalah pencilan diatasi, maka nilai R2 dan R2adj meningkat masing-masing sebesar 44,6 % dan 37,3%. Kenaikan nilai UN Matematika sebesar satu satuan mempengaruhi kenaikan IPK mahasiwa jurusan matematika sebesar 1,92. Begitu juga dengan 3 peubah dummy lainnya, juga terlihat bahwa mahasiswa yang berasal dari sekolah negeri dan atau masuk UNP melewati jalur SNMPTN atau PMDK, cendrung memberikan pengaruh positif terhadap kenaikan IPK. Semua peubah dummy tersebut memberikan penambahan kepada intersep (β0) dari persamaan (17) sebesar 2,1. IPK mahasiswa jurusan matematika angkatan 2011 digambarkan oleh persamaan regresi dummy berikut ini: IPK = 2,78 - 0,024 UN Mat + 1,88 D1(1=L) - 1,18 D2(1=N) - 0,252 D3(SNM) + 0,64 D4(PMDK) - 0,246 D1X + 0,179 D2X + 0,0682 D3X - 0,027 D4X

(18) Persamaan 18 pada lampiran 21 ini belum memenuhi kriteria yang baik, karena hasil Unusual Observation mengindikasikan adanya pencilan dan data berpengaruh. Hal itu harus diatasi, sehingga pencilan dalam penelitian dieliminir satu persatu, seperti yang terlihat pada lampiran 22. Kemudian dibentuk model terbaik menggunakan metode All Possible Regression (Lampiran 23). Sehingga diperoleh persamaan regresi terbaik, yaitu: IPK = 2,60 + 2,04 D1(1=L) - 1,47 D2(1=N) - 0,690 D3(SNM) + 0,427 D4(PMDK) - 0,255 D1X + 0,208 D2X + 0,117 D3X

(19) Peubah bebas yang berpengaruh signifikan pada persamaan di atas adalah peubah dummy jenis kelamin (D1/laki-laki), status sekolah asal (D2/negeri), jalur masuk (D4/PMDK). Dan interaksi dari peubah boneka dengan nilai UN Matematika yaitu, D1X dan D2X. Semua koefisien regresi dari peubah tersebut nilai P-valuenya kecil dari 0,05 (Lampiran 24). Nilai UN Matematika ternyata tidak memberikan pengaruh signifikan terhadap IPK mahasiswa pada angkatan 2011. Mahasiswa laki-laki atau mahasiswa yang berasal dari jalur masuk PMDK ternyata nilai rata-rata IPK

18

mereka lebih tinggi daripada mahasiswa perempuan atau mahasiswa yang berasal dari jalur masuk seleksi UNP.

19

BAB VI KESIMPULAN DAN SARAN A. Kesimpulan Berdasarkan hasil penelitian dapat disimpulakan beberapa hal yang berkaitan dengan IPK mahasiswa jurusan matematika angkatan 2009-2011: 1. Nilai UN ternyata tidak berpengaruh signifikan terhadap keberhasilan IPK mahasiswa. Hal ini dibuktikan dengan persamaan regresi yang terbentuk dari setiap angkatan, yaitu masing-masing sebagai berikut: a. Angkatan 2009 IPK = 3,95 - 0,287 UN Mat - 0,922 D1(1=L) - 1,11 D3(SNM) + 0,118 D1X + 0,174 D2X + 0,183 D3X

b. Angkatan 2010 IPK = - 14,6 + 1,92 UN Mat + 16,7 D2(1=N) + 3,37 D3(SNM) + 0,389 D4(PMDK)- 0,0321 D1X - 1,82 D2X - 0,339 D3X

c. Angkatan 2011 IPK = 2,60 + 2,04 D1(1=L) - 1,47 D2(1=N) - 0,690 D3(SNM) + 0,427 D4(PMDK)- 0,255 D1X + 0,208 D2X + 0,117 D3X

Dari ketiga persamaan di atas, Nilai UN Matematika ternyata hanya signifikan mempengaruhi IPK mahasiswa pada Angkatan 2009 dan 2010. R2 untuk masing-masing persamaan di atas adalah 79,9 %, 44,6% dan 60,3%. 2. Faktor yang mempengaruhi IPK Mahasiswa Jurusan Matematika untuk masing-masing angkatan adalah: a. Angkatan 2009: Nilai UN Matematika pada angkatan ini berpengaruh signifikan terhadap IPK mahasiswa, walaupun nilai koefisiennya negatif, namun koefisien untuk D1X, D2X, dan D3X bernilai positif. Hal ini menandakan nilai UN Matematika bagi mahasiswa laki-laki atau bagi mahasiswa yang berasal dari SLTA negeri, ataupun mahasiswa yang masuk UNP melalui jalur SNMPTN memberikan pengaruh signifikan terhadap peningkatan IPK. b. Angkatan 2010: Nilai UN Matematika, mahasiswa yang berasal dari SLTA Negeri,atau mahasiswa yang memilih jalur masuk SNMPTN atau PMDK memberikan pengaruh positif terhadap IPK. c. Angkatan 2011: Nilai UN Matematika tidak mempengaruhi IPK mahasiswa pada angkatan ini. Walaupun rata-rata UN dari mahasiswa 20

tersebut tinggi, namun tidak memberikan pengaruh positif. Mahasiswa laki-laki, atau mahasiswa yang berasal dari jalur masuk PMDK ternyata memberikan pengaruh positif terhadap IPK, namun nilai koefisien bagi peubah mahasiswa yang berasal dari SLTA negeri adalah negatif. Hal ini menandakan, ternyata bahwa nilai IPK menurun untuk mahasiswa yang berasala dari SLTA negeri. B. Saran Penilaian input (mahasiswa) Jurusan Matematika berdasarkan nilai UN Matematika ternyata belum mencerminkan kualitas dari output dari jurusan matematika. Oleh karena itu, jika Jurusan Matematika menginginkan kualitas yang bagus untuk cerminan output yang bagus pula, perlu dikaji sebagai bahan pertimbangan dalam menyeleksi input mahasiswa. Penelitian ini juga dapat dikembangkan kembali menggunakan beberapa metode statistika lainnya, seperti: Analisis pohon, analisis data kategorik dan lain-lain. Penggunaan peubah pendukung juga dapat ditambahkan kembali agar model yang terbentuk lebih representatif.

.

21

DAFTAR PUSTAKA Afifuddin, 2004. Berfikir Sistem dalam Peningkatan Mutu Pendidikan Tinggi. Media Pendidikan, Vol. XVIII No.1 Juni 2004: 23-38. Anonimous, 1992, World Scientists: Warning to Humanity, Union of Concerned Scientists, New York. pp. 1-6. __________, 2003, Kurikulum Berbasis Kompetensi Mata Pelajaran Ekonomi, PusatPengembangan Kurikulum, Depatemen Pendidikan Nasional, Jakarta. Draper, N. dan Smith H, (1992), Analisis Regresi Terapan (terjemahan), Edisi ke-2,Penerbit PT Gramedia Pustaka Utama Jakarta. Gasperz, V. 1996. Ekonometrika Terapan I. Bandung, Transito Bandung. Montgomery D.C. & Peck E.A, (1991), Introduction to Linear Regression Analysis, New York:Jhon Willey & Sonc, 2nd edition. Myers, R.H. (1990), Classical and Modern with Application. Thomson Information Publishing Group, 2nd edition. Nastuti, A dan Ariadi, B.Y. (2010). Pengaruh Kondisi Sosial Ekonomi Orang Tua Siswa Terhadap Hasil Belajar Ilmu Pengetahuan Sosial. Volume 13 Nomor 2 Juli - Desember 2010 Sukestiyarno, 2008. Workshop Olah Data Penelitian dengan SPSS. Semarang: UNNES. Walpole, RH. 1995. Ilmu Peluang untuk Insinyur dan Ilmuwan. Bandung. ITB

Lampiran 1.Deskriptif Nilai UN Matematika dan IPK Mahasiswa Jurusan Matematika FMIPA UNP Angkatan 2009-2011 Descriptive Statistics: UN Mat(2009) Variable UN Mat(2009)

N 50

Mean 7,493

StDev 1,216

Minimum 4,250

Median 7,750

Maximum 9,670

Median 9,000

Maximum 10,000

Median 8,500

Maximum 10,000

Descriptive Statistics: UN Mat(2010) Variable UN Mat(2010)

N 65

Mean 8,712

StDev 0,931

Minimum 6,250

Descriptive Statistics: UN Mat(2011) Variable UN Mat(2011)

N 70

Mean 8,270

StDev 1,046

Minimum 5,750

Descriptive Statistics: IPK(2009) Variable IPK(2009)

N 50

Mean 3,1690

StDev 0,3514

Minimum 2,0100

Median 3,1850

Maximum 3,8200

Median 3,0300

Maximum 3,7800

Median 2,9900

Maximum 3,7300


N 65

Mean 2,9849

StDev 0,3730

Minimum 2,2500


N 70

Mean 2,9797

StDev 0,3995

Minimum 2,0800

Lampiran 2. Data Mahasiswa Jurusan Matematika Angkatan 2009 No 1 2

Nama Mahasiswa WINDA RAHMADANI ADE CANDRA BAYU

JK

Jalur Masuk

PRODI

IPK

UN Mat

P

SNMPTN

Pend. Matematika

3,43

8

L

SNMPTN

Pend. Matematika

3,82

9,67

3

RILA MAIFITRI

P

SNMPTN

Pend. Matematika

3,36

9,5

4

DEFI WIDYA SARY

P

SNMPTN

Pend. Matematika

3,54

6,75

5

SRI WAHYU

P

SNMPTN

Pend. Matematika

3,54

8,5

6

EKA WIJAYA

L

SNMPTN

Pend. Matematika

3,21

8,25

7

Dewi Susanti

P

Seleksi UNP

Pend. Matematika

2,01

6,5

8

HASANATUL NISAK

P

SNMPTN

Pend. Matematika

3,55

8,25

9

Khairat Ruhama

P

Pend. Matematika

2,45

7

10

Nelvia

P

Pend. Matematika

3,18

7,75

11

Vega Zayu Farima

P

12

YULIA REZKI

13

NILAM SARI

14

EGI MARDARETA LYDIA DWIANA PUTRI

15

SLTA

Status Sekolah

D1 (1=L)

D2 (1=N)

D3 (SNM)

D4 (PMDK)

D1X

D2X

D3X

D4X

Negeri

0

1

1

0

0

8

8

0

Negeri

1

1

1

0

9,67

9,67

9,67

0

SMAN 3 Bukittinggi SMAN 1 Tanjung Morawa SMAN 1 Ampek Angkek SMAN 4 Padang SMAN 1 Payakumbuh SMAN 1 IV Angkek SMA Pertiwi 2 Padang

Negeri

0

1

1

0

0

9,5

9,5

0

Negeri

0

1

1

0

0

6,75

6,75

0

Negeri

0

1

1

0

0

8,5

8,5

0

Negeri

1

1

1

0

8,25

8,25

8,25

0

Swasta

0

0

0

0

0

0

0

0

SMAN 1 Padang

Negeri

0

1

1

0

0

8,25

8,25

0

Negeri

0

1

0

0

0

7

0

0

Negeri

0

1

0

0

0

7,75

0

0

Negeri

0

1

0

0

0

8

0

0

Pend. Matematika

3,09

8

P

Seleksi UNP Seleksi UNP Seleksi UNP SNMPTN

Pend. Matematika

2,69

8,25

MAN Koto Baru Padang Panjang SMAN 2 Padang Panjang SMAN 10 Padang SMAN 8 Padang

Negeri

0

1

1

0

0

8,25

8,25

0

P

PMDK

Pend. Matematika

2,68

4,75

SMA Sabbihisma

Swasta

0

0

0

1

0

0

0

4,75

P

SNMPTN

Matematika

3,13

7,75

SMAN 6 Padang

Negeri

0

1

1

0

0

7,75

7,75

0

P

PMDK

Pend. Matematika

3,12

6,25

SMAN 2 Padang

Negeri

0

1

0

1

0

6,25

0

6,25

Negeri

0

1

1

0

0

9

9

0

Negeri

0

1

0

1

0

8,5

0

8,5

Negeri

0

1

0

1

0

7

0

7

Negeri

0

1

1

0

0

7,5

7,5

0

Negeri

0

1

1

0

0

6,25

6,25

0

MAN Koto Baru Padang Panjang SMAN 1 Banuhampu SMAN 1 Tilatang Kamang SMAN 5 Padang SMAN 1 Pariangan

16

DESMAIYANTI

P

SNMPTN

Pend. Matematika

3,62

9

17

WIDYA NINGSIH

P

PMDK

Matematika

3,20

8,5

P

PMDK

Pend. Matematika

2,74

7

P

SNMPTN

Matematika

2,74

7,5

P

SNMPTN

Matematika

2,70

6,25

P

SNMPTN

Matematika

3,30

7

SMAN 9 Padang

Negeri

0

1

1

0

0

7

7

0

P

SNMPTN

Pend. Matematika

3,43

8,25

SMAN 2 Muaro Bungo

Negeri

0

1

1

0

0

8,25

8,25

0

19

TITIN IZZATUL ULFA WELLNI PRALISKA

20

ELI YULIZA

18

21 22

SISKHA MAULANA B AULIA RAHMAWATI

No

Nama Mahasiswa

JK

Jalur Masuk

PRODI

UN Mat

IPK

23

SARI RAHMA CHANDRA

P

PMDK

Pend. Matematika

2,90

8,5

24

SRI ARNITA

P

SNMPTN

Pend. Matematika

3,43

7,75

25

DINI WIDIYASTUTI

P

PMDK

Pend. Matematika

3,20

7,25

26

Kevin Toniza

L

Seleksi UNP

Pend. Matematika

3,02

6,5

P

SNMPTN

Pend. Matematika

3,09

6

P

SNMPTN

Pend. Matematika

3,80

6,25

P

PMDK

Pend. Matematika

3,20

6,5

27 28 29

PUTRI MONIKA SARI FADHILA EL HUSNA ORI ADHITYA WAHYUNI

30

PEBRUDAL ZANU

L

SNMPTN

Pend. Matematika

3,69

9,25

31

RAHMI SYARWAN

P

SNMPTN

Pend. Matematika

3,08

4,25

SLTA

Status Sekolah

D1 (1=L)

D2 (1=N)

D3 (SNM)

D4 (PMDK)

D1X

D2X

D3X

D4X

SMAN 1 Bukittinggi SMAN 5 Bukittinggi SMAN 1 Banuhampu

Negeri

0

1

0

1

0

8,5

0

8,5

Negeri

0

1

1

0

0

7,75

7,75

0

Negeri

0

1

0

1

0

7,25

0

7,25

SMAN 2 Bayang

Negeri

1

1

0

0

6,5

6,5

0

0

Negeri

0

1

1

0

0

6

6

0

Negeri

0

1

1

0

0

6,25

6,25

0

Negeri

0

1

0

1

0

6,5

0

6,5

Negeri

1

1

1

0

9,25

9,25

9,25

0

Negeri

0

1

1

0

0

4,25

4,25

0

Negeri

0

1

0

1

0

6

0

6

Negeri

0

1

0

1

0

8,5

0

8,5

Negeri

0

1

0

0

0

6,5

0

0

Negeri

1

1

1

0

8,75

8,75

8,75

0

Negeri

0

1

1

0

0

7,5

7,5

0

SMAN 1 Payakumbuh SMAn 1 Sijunjung SMAN 1 Padang Panjang SMAN 1 Basa Ampek Balai Tapan MAN 2 Payakumbuh SMAN 1 Rao Pasaman SMAN 8 Padang SMAN 1 Kec. Guguak SMAN 1 Lubuk Alung SMAN 1 Batusangkar

P

PMDK

Pend. Matematika

2,90

6

33

NURUL ATIQAH HERMAN ATIKA SARI

P

Matematika

3,09

8,5

34

Zumiratil Hikmah

P

PMDK Seleksi UNP

Pend. Matematika

3,03

6,5

35

AZBAR TANJUNG

L

SNMPTN

Pend. Matematika

3,06

8,75

36

RIZA SEPTYANIE

P

SNMPTN

Pend. Matematika

3,09

7,5

37

Amir Ruzahri

L

Pend. Matematika

3,08

8,75

SMAN 1 Bintan

Negeri

1

1

0

0

8,75

8,75

0

0

38

ANDI SAPUTRA

L

Seleksi UNP SNMPTN

Pend. Matematika

3,34

6,75

Negeri

1

1

1

0

6,75

6,75

6,75

0

39

HILDA SUWANDI

P

SNMPTN

Pend. Matematika

3,43

6,75

Negeri

0

1

1

0

0

6,75

6,75

0

40

Ririn Afriani

P

Seleksi UNP

Pend. Matematika

3,32

6,25

Negeri

0

1

0

0

0

6,25

0

0

41

VIONA AMELIA

P

SNMPTN

Pend. Matematika

3,19

9

Negeri

0

1

1

0

0

9

9

0

42

HIDAYATUL FITRI OVI DELVIYANTI SAPUTRI

P

PMDK

Pend. Matematika

3,43

5,5

Negeri

0

1

0

1

0

5,5

0

5,5

P

PMDK

Matematika

3,08

6,75

SMAN 1 Panti SMAN 1 Padang Panjang SMAn 1 Sijunjung SMAN 1 Bukittinggi SMAN 7 Padang SMAN 12 Padang

Negeri

0

1

0

1

0

6,75

0

6,75

44

Laely Suci Handayani

P

Pend. Matematika

2,75

8,5

SMAN 2 Tebo

Negeri

0

1

0

0

0

8,5

0

0

45

CICILLIA IRBENI P

P

Pend. Matematika

3,31

8

SMAN 1 Padang

Negeri

0

1

1

0

0

8

8

0

32

43

Seleksi UNP SNMPTN

No

Nama Mahasiswa

JK

Jalur Masuk

PRODI

UN Mat

IPK

SLTA SMAN 3 Batusangkar SMAN 1 Bukittinggi

Status Sekolah

D1 (1=L)

D2 (1=N)

D3 (SNM)

D4 (PMDK)

D1X

D2X

D3X

D4X

Negeri

0

1

1

0

0

6,5

6,5

0

Negeri

0

1

1

0

0

8

8

0

46

RAHMADALENI

P

SNMPTN

Pend. Matematika

2,91

6,5

47

ELVI SYUKRINA E

P

SNMPTN

Pend. Matematika

3,57

8

P

SNMPTN

Matematika

2,93

8,75

SMAN 1 Padang

Negeri

0

1

1

0

0

8,75

8,75

0

P

SNMPTN

Pend. Matematika

3,59

8,25

SMAN 2 Painan

Negeri

0

1

1

0

0

8,25

8,25

0

P

SNMPTN

Pend. Matematika

3,41

8,75

SMAN 1 Bukittinggi

Negeri

0

1

1

0

0

8,75

8,75

0

48 49 50

MEINARTI SASTRIA U INNE SYAFRIAN PUTRI FEBRINA ERMI

Lampiran 3. Hasil Output MINITAB 15 dari Analisis Regresi Dummy (n = 50) The regression equation is IPK = 4,43 - 0,372 UN Mat - 0,608 D1(1=L) - 0,92 D2(1=N) - 0,675 D3(SNM) - 0,11 D4(PMDK) + 0,085 D1X + 0,300 D2X + 0,129 D3X + 0,028 D4X

Predictor Constant UN Mat D1(1=L) D2(1=N) D3(SNM) D4(PMDK) D1X D2X D3X D4X

Coef 4,429 -0,3722 -0,6082 -0,916 -0,6748 -0,112 0,0853 0,3001 0,1287 0,0275

S = 0,285431

SE Coef 1,979 0,3242 0,8989 1,602 0,9141 1,075 0,1091 0,2769 0,1212 0,1459

R-Sq = 46,2%

T 2,24 -1,15 -0,68 -0,57 -0,74 -0,10 0,78 1,08 1,06 0,19

P 0,031 0,258 0,503 0,571 0,465 0,918 0,439 0,285 0,295 0,851

VIF 93,500 59,710 60,478 123,082 121,774 61,456 163,485 138,626 109,793

R-Sq(adj) = 34,0%

Analysis of Variance Source Regression Residual Error Total

Source UN Mat D1(1=L) D2(1=N) D3(SNM) D4(PMDK) D1X D2X D3X D4X

DF 1 1 1 1 1 1 1 1 1

DF 9 40 49

SS 2,79323 3,25882 6,05205

MS 0,31036 0,08147

F 3,81

P 0,002

Seq SS 0,60807 0,05128 0,98725 0,60392 0,17814 0,05491 0,15370 0,15306 0,00290

Unusual Observations Obs 7 9 12 13 28

UN Mat 6,50 7,00 8,25 4,75 6,25

IPK 2,0100 2,4500 2,6900 2,6800 3,8000

Fit 2,0100 3,0088 3,3060 2,6800 3,1926

SE Fit 0,2854 0,1178 0,0634 0,2854 0,0873

Residual 0,0000 -0,5588 -0,6160 0,0000 0,6074

St Resid * X -2,15R -2,21R * X 2,24R

R denotes an observation with a large standardized residual. X denotes an observation whose X value gives it large leverage.

Lampiran 4. Analisis Sisaan Semua Data Pengamatan Mahasiswa Angkatan 2009 (n = 50) Residual Plots for IPK Mahasiswa angkatan 2009 Normal Probability Plot

Versus Fits

99 0,50 Residual

Percent

90 50 10 1

0,25 0,00 -0,25 -0,50

-0,50

-0,25

0,00 Residual

0,25

0,50

2,0

2,4

12

0,50

9

0,25

6 3 0

3,2

3,6

Versus Order

Residual

Frequency

Histogram

2,8 Fitted Value

0,00 -0,25 -0,50

-0,6

-0,3

0,0 Residual

0,3

0,6

1

5

10

15 20 25 30 35 Observation Order

40

45

50

Lampiran 5. Analisis Sisaan Obs 1 2 3 4 5 6 7 8 9(3) 10 11 12(2) 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28(1) 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44

RESI SRES TRES 0,1382 0,4946 0,4899 0,2170 0,9778 0,9772 ‐0,0169 ‐0,0637 ‐0,0629 0,3190 1,1534 1,1583 0,2198 0,7943 0,7906 ‐0,1914 ‐0,7302 ‐0,7259 0,0000 0,2440 0,8767 0,8741 ‐0,5588 ‐2,1493 ‐2,2566 0,2253 0,8596 0,8567 0,1533 0,5985 0,5936 ‐0,6160 ‐2,2135 ‐2,3333 0,0000 ‐0,1477 ‐0,5277 ‐0,5229 ‐0,0027 ‐0,0105 ‐0,0103 0,2715 0,9981 0,9981 0,1774 0,7361 0,7318 ‐0,3493 ‐1,2905 ‐1,3016 ‐0,5235 ‐1,8709 ‐1,9339 ‐0,4926 ‐1,8128 ‐1,8683 0,0649 0,2331 0,2303 0,1240 0,4455 0,4410 ‐0,1226 ‐0,5083 ‐0,5036 0,1523 0,5444 0,5395 0,1218 0,4505 0,4459 0,0291 0,1589 0,1570 ‐0,0885 ‐0,3295 ‐0,3257 0,6074 2,2350 2,3591 0,0884 0,3321 0,3284 0,1467 0,6015 0,5967 0,0008 0,0033 0,0033 ‐0,2339 ‐0,9196 ‐0,9178 0,0674 0,2798 0,2765 ‐0,0148 ‐0,0613 ‐0,0605 ‐0,4124 ‐1,5966 ‐1,6293 ‐0,1735 ‐0,6200 ‐0,6152 0,0593 0,2910 0,2877 0,1516 0,7317 0,7274 0,2090 0,7557 0,7516 0,2572 1,1395 1,1439 ‐0,1585 ‐0,5829 ‐0,5780 0,2739 1,1704 1,1760 ‐0,0205 ‐0,0760 ‐0,0751 ‐0,1507 ‐0,6469 ‐0,6422

HI COOK DFIT 0,0424 0,0011 0,1030 0,3953 0,0625 0,7901 0,1384 0,0001 ‐0,0252 0,0610 0,0086 0,2951 0,0600 0,0040 0,1998 0,1570 0,0099 ‐0,3133 1,0000 0,0494 0,0040 0,1993 0,1704 0,0949 ‐1,0228 0,1569 0,0138 0,3696 0,1948 0,0087 0,2920 0,0494 0,0255 ‐0,5319 1,0000 0,0389 0,0011 ‐0,1052 0,1626 0,0000 ‐0,0046 0,0920 0,0101 0,3178 0,2866 0,0218 0,4638 0,1005 0,0186 ‐0,4351 0,0390 0,0142 ‐0,3898 0,0935 0,0339 ‐0,6001 0,0501 0,0003 0,0529 0,0494 0,0010 0,1005 0,2866 0,0104 ‐0,3192 0,0389 0,0012 0,1085 0,1028 0,0023 0,1510 0,5883 0,0036 0,1877 0,1152 0,0014 ‐0,1175 0,0935 0,0515 0,7578 0,1304 0,0017 0,1272 0,2704 0,0134 0,3632 0,3673 0,0000 0,0025 0,2062 0,0220 ‐0,4678 0,2866 0,0031 0,1753 0,2854 0,0001 ‐0,0382 0,1813 0,0565 ‐0,7667 0,0390 0,0016 ‐0,1240 0,4898 0,0081 0,2819 0,4731 0,0481 0,6893 0,0610 0,0037 0,1915 0,3746 0,0778 0,8854 0,0920 0,0034 ‐0,1840 0,3280 0,0669 0,8216 0,1097 0,0001 ‐0,0263 0,3341 0,0210 ‐0,4549

45 46 47 48 49 50

0,0182 ‐0,2968 0,2782 ‐0,4044 0,2840 0,0756

0,0650 ‐1,0814 0,9958 ‐1,4724 1,0205 0,2754

0,0642 ‐1,0838 0,9957 ‐1,4949 1,0210 0,2722

0,0424 0,0755 0,0424 0,0742 0,0494 0,0742

0,0000 0,0095 0,0044 0,0174 0,0054 0,0006

0,0135 ‐0,3096 0,2094 ‐0,4233 0,2327 0,0771

Lampiran 6. Proses Eliminir Pencilan dari model lampiran 1. Eliminir 1 = data obs (28) The regression equation is IPK = 4,36 - 0,362 UN Mat - 0,465 D1(1=L) - 0,89 D2(1=N) - 0,859 D3(SNM) - 0,07 D4(PMDK) + 0,068 D1X + 0,295 D2X + 0,150 D3X + 0,022 D4X


Coef 4,361 -0,3617 -0,4650 -0,893 -0,8586 -0,067 0,0682 0,2954 0,1497 0,0219

S = 0,270416

SE Coef 1,876 0,3072 0,8538 1,518 0,8695 1,019 0,1036 0,2623 0,1152 0,1383

R-Sq = 49,5%

T 2,33 -1,18 -0,54 -0,59 -0,99 -0,07 0,66 1,13 1,30 0,16

P 0,025 0,246 0,589 0,559 0,330 0,948 0,514 0,267 0,201 0,875

R-Sq(adj) = 37,8%



DF 1 1 1 1 1 1 1 1 1

DF 9 39 48

SS 2,79390 2,85186 5,64576

MS 0,31043 0,07312

F 4,25

P 0,001

Seq SS 0,78059 0,05840 0,87372 0,45819 0,19419 0,03915 0,16449 0,22335 0,00183

Unusual Observations Obs 7 9 12 13

UN Mat 6,50 7,00 8,25 4,75

IPK 2,0100 2,4500 2,6900 2,6800

Fit 2,0100 3,0032 3,2966 2,6800

SE Fit 0,2704 0,1117 0,0602 0,2704

Residual -0,0000 -0,5532 -0,6066 -0,0000

St Resid * X -2,25R -2,30R * X


Eliminir 2 = data obs ke (12) The regression equation is IPK = 4,32 - 0,355 UN Mat - 0,390 D1(1=L) - 0,89 D2(1=N) - 0,878 D3(SNM) - 0,028 D4(PMDK) + 0,0560 D1X + 0,295 D2X + 0,155 D3X + 0,016 D4X

Predictor Constant UN Mat D1(1=L) D2(1=N) D3(SNM) D4(PMDK)

Coef 4,320 -0,3554 -0,3902 -0,891 -0,8776 -0,0277

SE Coef 1,766 0,2893 0,8047 1,429 0,8190 0,9598

T 2,45 -1,23 -0,48 -0,62 -1,07 -0,03

P 0,019 0,227 0,630 0,537 0,291 0,977

D1X D2X D3X D4X

0,05596 0,2949 0,1547 0,0159

S = 0,254677

0,09767 0,2471 0,1085 0,1303

R-Sq = 54,6%

0,57 1,19 1,43 0,12

0,570 0,240 0,162 0,903

R-Sq(adj) = 43,8%



DF 1 1 1 1 1 1 1 1 1

DF 9 38 47

SS 2,95927 2,46469 5,42397

MS 0,32881 0,06486

F 5,07

P 0,000

Seq SS 0,86197 0,03833 0,87515 0,53950 0,18981 0,02902 0,17265 0,25186 0,00097


UN Mat 6,50 7,00 4,75 7,50

IPK 2,0100 2,4500 2,6800 2,7400

Fit 2,0100 3,0054 2,6800 3,2576

SE Fit 0,2547 0,1052 0,2547 0,0526

Residual -0,0000 -0,5554 0,0000 -0,5176

St Resid * X -2,39R * X -2,08R




Coef 5,151 -0,4832 -0,6395 -1,267 -1,3145 -0,4822 0,08302 0,3741 0,2015 0,0646

S = 0,237825

SE Coef 1,681 0,2748 0,7577 1,343 0,7835 0,9136 0,09182 0,2328 0,1029 0,1231

R-Sq = 57,3%

T 3,06 -1,76 -0,84 -0,94 -1,68 -0,53 0,90 1,61 1,96 0,52

P 0,004 0,087 0,404 0,351 0,102 0,601 0,372 0,117 0,058 0,603

R-Sq(adj) = 46,9%


DF 9 37 46

SS 2,80790 2,09275 4,90065

MS 0,31199 0,05656

F 5,52

P 0,000


DF 1 1 1 1 1 1 1 1 1

Seq SS 0,78528 0,02730 0,94462 0,38623 0,08007 0,04456 0,21475 0,30953 0,01556

Unusual Observations Obs 7 11 17

UN Mat 6,50 4,75 7,50

IPK 2,0100 2,6800 2,7400

Fit 2,0100 2,6800 3,2615

SE Fit 0,2378 0,2378 0,0491

Residual -0,0000 -0,0000 -0,5215

St Resid * X * X -2,24R




Coef 5,155 -0,4838 -0,6467 -1,276 -1,2659 -0,4779 0,08198 0,3759 0,19749 0,0634

S = 0,224148

SE Coef 1,584 0,2590 0,7141 1,266 0,7387 0,8611 0,08654 0,2194 0,09704 0,1160

R-Sq = 61,5%

T 3,25 -1,87 -0,91 -1,01 -1,71 -0,55 0,95 1,71 2,04 0,55

P 0,002 0,070 0,371 0,320 0,095 0,582 0,350 0,095 0,049 0,588

R-Sq(adj) = 51,9%



DF 1 1 1 1 1 1 1 1 1

DF 9 36 45

SS 2,89316 1,80872 4,70188

MS 0,32146 0,05024

F 6,40

P 0,000

Seq SS 0,78392 0,01886 0,97448 0,47037 0,07394 0,04349 0,21602 0,29708 0,01500

Unusual Observations Obs 7 11

UN Mat 6,50 4,75

IPK 2,0100 2,6800

Fit 2,0100 2,6800

SE Fit 0,2241 0,2241

Residual -0,0000 0,0000

St Resid * X * X

17 31 44

6,25 8,75 8,75

2,7000 3,0600 2,9300

3,1727 3,4673 3,3966

0,0730 0,0956 0,0631

-0,4727 -0,4073 -0,4666

-2,23R -2,01R -2,17R




Coef 5,221 -0,4940 -0,7729 -1,300 -1,1076 -0,5205 0,09687 0,3809 0,17952 0,0686

S = 0,211034

SE Coef 1,492 0,2438 0,6745 1,192 0,6987 0,8109 0,08172 0,2066 0,09168 0,1093

R-Sq = 65,0%

T 3,50 -2,03 -1,15 -1,09 -1,59 -0,64 1,19 1,84 1,96 0,63

P 0,001 0,050 0,260 0,283 0,122 0,525 0,244 0,074 0,058 0,534

R-Sq(adj) = 56,0%



DF 1 1 1 1 1 1 1 1 1

DF 9 35 44

SS 2,89705 1,55874 4,45579

MS 0,32189 0,04454

F 7,23

P 0,000

Seq SS 0,67115 0,01649 1,04606 0,59982 0,06215 0,06149 0,20387 0,21844 0,01757


UN Mat 6,50 4,75 8,75 8,75

IPK 2,0100 2,6800 3,0600 2,9300

Fit 2,0100 2,6800 3,4695 3,3947

SE Fit 0,2110 0,2110 0,0900 0,0594

Residual -0,0000 -0,0000 -0,4095 -0,4647

St Resid * X * X -2,14R -2,29R



Predictor Constant

Coef 5,166

SE Coef 1,395

T 3,70

P 0,001

UN Mat D1(1=L) D2(1=N) D3(SNM) D4(PMDK) D1X D2X D3X D4X

-0,4855 -0,6659 -1,294 -1,1653 -0,4712 0,08059 0,3797 0,18906 0,0614

S = 0,197349

0,2281 0,6322 1,114 0,6538 0,7586 0,07671 0,1932 0,08582 0,1022

-2,13 -1,05 -1,16 -1,78 -0,62 1,05 1,97 2,20 0,60

R-Sq = 69,8%

0,041 0,300 0,254 0,084 0,539 0,301 0,058 0,034 0,552

R-Sq(adj) = 61,8%



DF 1 1 1 1 1 1 1 1 1

DF 9 34 43

SS 3,05619 1,32418 4,38037

MS 0,33958 0,03895

F 8,72

P 0,000

Seq SS 0,75567 0,00742 1,03253 0,66113 0,06125 0,04598 0,21492 0,26326 0,01403


UN Mat 6,50 4,75 8,75

IPK 2,0100 2,6800 3,0600

Fit 2,0100 2,6800 3,4740

SE Fit 0,1973 0,1973 0,0842

Residual -0,0000 0,0000 -0,4140



Eliminir ke 7 = data obs ke (30) The regression equation is IPK = 5,24 - 0,497 UN Mat - 0,816 D1(1=L) - 1,29 D2(1=N) - 1,25 D3(SNM) - 0,556 D4(PMDK) + 0,108 D1X + 0,378 D2X + 0,204 D3X + 0,0749 D4X


Coef 5,242 -0,4973 -0,8164 -1,285 -1,2543 -0,5559 0,10774 0,3779 0,20364 0,07488

S = 0,183789

SE Coef 1,300 0,2124 0,5919 1,038 0,6100 0,7073 0,07226 0,1799 0,08014 0,09535

R-Sq = 74,4%

T 4,03 -2,34 -1,38 -1,24 -2,06 -0,79 1,49 2,10 2,54 0,79

P 0,000 0,025 0,177 0,224 0,048 0,437 0,145 0,043 0,016 0,438

R-Sq(adj) = 67,4%

Analysis of Variance Source Regression

DF 9

SS 3,24335

MS 0,36037

F 10,67

P 0,000

Residual Error Total


DF 1 1 1 1 1 1 1 1 1

33 42

1,11469 4,35804

0,03378

Seq SS 0,81483 0,03584 1,01811 0,70889 0,08001 0,07543 0,20501 0,28439 0,02083


UN Mat 6,50 4,75 7,00

IPK 2,0100 2,6800 2,7400

Fit 2,0100 2,6800 3,0893

SE Fit 0,1838 0,1838 0,0583

Residual -0,0000 -0,0000 -0,3493





Coef 5,075 -0,4715 -0,8164 -1,1180 -1,2543 -0,4981 0,10774 0,3521 0,20364 0,07220

S = 0,174912

SE Coef 1,240 0,2025 0,5633 0,9908 0,5805 0,6737 0,06877 0,1716 0,07627 0,09075

R-Sq = 76,3%

T 4,09 -2,33 -1,45 -1,13 -2,16 -0,74 1,57 2,05 2,67 0,80

P 0,000 0,026 0,157 0,268 0,038 0,465 0,127 0,048 0,012 0,432

R-Sq(adj) = 69,6%



DF 1 1 1 1 1 1 1 1 1

DF 9 32 41

SS 3,15175 0,97901 4,13076

Seq SS 0,76612 0,02843 1,07120 0,59473 0,12390 0,07617 0,18146 0,29038 0,01936

Unusual Observations

MS 0,35019 0,03059

F 11,45

P 0,000

Obs 7 11 39

UN Mat 6,50 4,75 6,50

IPK 2,0100 2,6800 2,9100

Fit 2,0100 2,6800 3,2501

SE Fit 0,1749 0,1749 0,0543

Residual -0,0000 -0,0000 -0,3401





Coef 5,118 -0,4782 -0,8992 -1,1344 -1,1458 -0,5252 0,11726 0,3556 0,19158 0,07544

S = 0,165686

SE Coef 1,174 0,1919 0,5350 0,9386 0,5522 0,6383 0,06529 0,1626 0,07246 0,08598

R-Sq = 78,9%

T 4,36 -2,49 -1,68 -1,21 -2,07 -0,82 1,80 2,19 2,64 0,88

P 0,000 0,018 0,103 0,236 0,046 0,417 0,082 0,036 0,013 0,387

R-Sq(adj) = 72,8%



DF 1 1 1 1 1 1 1 1 1

DF 9 31 40

SS 3,17979 0,85101 4,03080

MS 0,35331 0,02745

F 12,87

P 0,000

SE Fit 0,1657 0,1657

Residual -0,0000 -0,0000

Seq SS 0,70953 0,02597 1,11394 0,69405 0,11288 0,09053 0,17437 0,23739 0,02113


Obs 7 11

UN Mat 6,50 4,75

IPK 2,0100 2,6800

Fit 2,0100 2,6800

St Resid * X * X

X denotes an observation whose X value gives it large leverage.

Lampiran 7. Hasil Output MINITAB 15 dari Analisis Regresi Dummy setelah pencilan di eliminir (n = 41) The regression equation is IPK = 5,12 - 0,478 UN Mat - 0,899 D1(1=L) - 1,13 D2(1=N) - 1,15 D3(SNM) - 0,525 D4(PMDK) + 0,117 D1X + 0,356 D2X + 0,192 D3X + 0,0754 D4X


Coef 5,118 -0,4782 -0,8992 -1,1344 -1,1458 -0,5252 0,11726 0,3556 0,19158 0,07544

S = 0,165686

SE Coef 1,174 0,1919 0,5350 0,9386 0,5522 0,6383 0,06529 0,1626 0,07246 0,08598

R-Sq = 78,9%

T 4,36 -2,49 -1,68 -1,21 -2,07 -0,82 1,80 2,19 2,64 0,88

P 0,000 0,018 0,103 0,236 0,046 0,417 0,082 0,036 0,013 0,387

R-Sq(adj) = 72,8%



DF 1 1 1 1 1 1 1 1 1

DF 9 31 40

SS 3,17979 0,85101 4,03080

MS 0,35331 0,02745

F 12,87

P 0,000

SE Fit 0,1657 0,1657

Residual -0,0000 -0,0000

Seq SS 0,70953 0,02597 1,11394 0,69405 0,11288 0,09053 0,17437 0,23739 0,02113


Obs 7 11

UN Mat 6,50 4,75

IPK 2,0100 2,6800

Fit 2,0100 2,6800

St Resid * X * X


Lampiran 8. Pemilihan Model terbaik menggunakan metode All Posible Reggresion Angkatan 2009 Response is IPK

U N

Vars 1 1 2 2 3 3 4 4 5 5 6 6 7 7 8 8 9

R-Sq 44,8 42,3 66,5 61,7 69,8 69,1 75,3 72,6 76,2 75,7 77,5 76,6 78,3 77,8 78,4 78,4 78,9

R-Sq(adj) 43,4 40,8 64,8 59,7 67,3 66,6 72,5 69,5 72,8 72,2 73,6 72,5 73,7 73,1 73,0 73,0 72,8

Mallows Cp 44,0 47,8 14,1 21,2 11,4 12,4 5,3 9,3 6,0 6,7 6,0 7,4 6,9 7,5 8,7 8,8 10,0

S 0,23884 0,24427 0,18841 0,20154 0,18147 0,18355 0,16647 0,17526 0,16560 0,16735 0,16315 0,16660 0,16285 0,16455 0,16485 0,16509 0,16569

M a t

D 1 ( 1 = L )

D 2 ( 1 = N )

D 3 ( S N M )

X X X

D 4 ( P M D D D D D K 1 2 3 4 ) X X X X X X X

X X X X X X X X X X X X X

X X X X X X

X

X X X X X X X X X X X X X X X X X X X X X X X X X X X X

X X X X X X X X X X X X X X X X X X X X X X X X X X X

Lampiran 9. Model Akhir dari Regresi Dummy yang menggambarkan IPK Mahasiswa Jurusan Matematika Angkatan 2009 The regression equation is IPK = 3,76 - 0,254 UN Mat - 0,838 D1(1=L) - 0,934 D3(SNM) + 0,109 D1X + 0,164 D2X + 0,161 D3X

Predictor Constant UN Mat D1(1=L) D3(SNM) D1X D2X D3X

Coef 3,7576 -0,25424 -0,8377 -0,9340 0,10869 0,16391 0,16138

S = 0,163146

SE Coef 0,2696 0,05099 0,4982 0,3491 0,06096 0,02348 0,04615

R-Sq = 77,5%

T 13,94 -4,99 -1,68 -2,68 1,78 6,98 3,50

P 0,000 0,000 0,102 0,011 0,084 0,000 0,001

R-Sq(adj) = 73,6%


Source UN Mat D1(1=L) D3(SNM) D1X D2X D3X

DF 1 1 1 1 1 1

DF 6 34 40

SS 3,12584 0,90496 4,03080

MS 0,52097 0,02662

F 19,57

P 0,000

SE Fit 0,1362 0,1209 0,0616

Residual -0,0950 -0,0192 -0,3156

Seq SS 0,70953 0,02597 0,98930 0,04661 1,02897 0,32546


UN Mat 6,50 6,50 6,00

IPK 2,0100 3,0200 2,9000

Fit 2,1050 3,0392 3,2156

St Resid -1,06 X -0,18 X -2,09R


Eliminir ke 10 = data obs ke (26) The regression equation is IPK = 3,95 - 0,287 UN Mat - 0,922 D1(1=L) - 1,11 D3(SNM) + 0,118 D1X + 0,174 D2X + 0,183 D3X

Predictor Constant UN Mat D1(1=L) D3(SNM) D1X D2X D3X

Coef 3,9483 -0,28734 -0,9216 -1,1139 0,11835 0,17398 0,18309

S = 0,154605

SE Coef 0,2697 0,05060 0,4736 0,3407 0,05794 0,02272 0,04483

R-Sq = 79,9%

Analysis of Variance

T 14,64 -5,68 -1,95 -3,27 2,04 7,66 4,08

P 0,000 0,000 0,060 0,003 0,049 0,000 0,000

R-Sq(adj) = 76,2%

Source Regression Residual Error Total

Source UN Mat D1(1=L) D3(SNM) D1X D2X D3X

DF 1 1 1 1 1 1

DF 6 33 39

SS 3,13039 0,78879 3,91918

MS 0,52173 0,02390

F 21,83

P 0,000

SE Fit 0,1295 0,1149

Residual -0,0706 -0,0391

Seq SS 0,62862 0,02466 0,96210 0,04847 1,06784 0,39871

Unusual Observations Obs 7 21

UN Mat 6,50 6,50

IPK 2,0100 3,0200

Fit 2,0806 3,0591

St Resid -0,84 X -0,38 X


Lampiran 10. Analisis Sisaan dari model Regresi dummy untuk angkatan 2009

Residual Plots for IPK Mahasiswa Angkatan 2009 (Model Akhir) Versus Fits 0,30

90

0,15 Residual

Percent

Normal Probability Plot 99

50 10

0,00 -0,15 -0,30

1 -0,4

-0,2

0,0 Residual

0,2

0,4

2,0

2,4

10,0 7,5

0,15

5,0 2,5 0,0

3,6

Versus Order 0,30

Residual

Frequency

Histogram

2,8 3,2 Fitted Value

0,00 -0,15 -0,30

-0,24

-0,12 0,00 Residual

0,12

0,24

1

5

10

15 20 25 30 Observation Order

35

40

c

Plot sisaan dari Model Terbaik IPK Mahasiswa Angkatan 2009 Versus Fits 0,30

90

0,15 Residual

Percent

Normal Probability Plot 99

50 10 1 -0,4

-0,2

0,0 Residual

0,2

0,00 -0,15 -0,30

0,4

2,0

2,4

8

0,30

6

0,15

4 2 0

-0,2

-0,1

0,0 Residual

3,6

Versus Order

Residual

Frequency

Histogram


0,1

0,2

0,00 -0,15 -0,30

1

5

10

15 20 25 30 Observation Order

35

40

Lampiran 11. Uji asumsi kenormalan residual mahasiswa angkatan 2009 uji kenormalan sisaan (KS) Normal 99

Mean StDev N KS P-Value

95 90

Percent

80 70 60 50 40 30 20 10 5

1

-0,4

-0,3

-0,2

-0,1

0,0 RESI1

0,1

0,2

0,3

0,4

-4,01901E-15 0,1422 40 0,104 >0,150

Lampiran 12. Data Mahasiswa Jurusan Matematika Angkatan 2010 No

Nama Mahasiswa

JK

Jalur Masuk

PRODI

IPK

UN Mat

SLTA

1

JUWITA

P

SNMPTN

Matematika

2,49

8,00

2

WIDYA ANANDA PUTRI

P

Seleksi UNP

Pend. Matematika

3,07

9,50

3

Krismi selvia S

P

Seleksi UNP

Statistika

2,59

6,25

P

Seleksi UNP

Statistika

2,25

8,75

P

Seleksi UNP

Pend. Matematika

3,18

8,00

P

Seleksi UNP

Statistika

2,65

9,25

P

Seleksi UNP

3,62

9,75

P

Seleksi UNP

2,90

9,50

P

SNMPTN

3,66

8,75

P

Seleksi UNP

Statistika

2,94

7,50

4 5 6 7 8 9 10

Ririn Rahayu Nazwir HANNI MUFLIHAT Friska Rusada NEKA AMELIA PUTRI Anggun Mustika FEMILYA SRI ZULFA Indri Sri Novita Sari

Pend. Matematika Statistika Pend. Matematika

11

DENI PUTRA

L

SNMPTN

Matematika

3,06

9,50

12

ELIYAWAR DHANIAH

P

SNMPTN

Matematika

3,13

8,25

13

SULIS ULIANTY S

P

PMDK

Pend. Matematika

2,87

9,00

P

Bidik Misi

Matematika

3,15

8,00

P

SNMPTN

Pend. Matematika

3,47

8,75

P

Seleksi UNP

Statistika

2,71

9,25

P

Seleksi UNP

2,77

8,75

P

Seleksi UNP

2,82

9,00

P

Seleksi UNP

Statistika

3,06

9,75

P

Seleksi UNP

Statistika

2,63

8,00

14 15 16 17 18 19 20

ROSI RAMAYANTI HUMAIRAH MUZTIKA Khaira Ningsih RISA ULFA SARI SYNTHIA DOLY VARINA Desri Fani Winati Rizky Adilla Putri

Pend. Matematika Pend. Matematika

Status Sekolah

D1 (1=L)

D2 (1=N)

D3 (SNMPTN)

D4 (PMDK)

D1X

D2X

D3X

D4X

SMAN 2 Pariaman

Negeri

0

1

1

0

0

8

8

0

SMAN 2 Payakumbuh

Negeri

0

1

0

0

0

9,5

0

0

Negeri

0

1

0

0

0

6,25

0

0

Swasta

0

0

0

0

0

0

0

0

Negeri

0

1

0

0

0

8

0

0

Negeri

0

1

0

0

0

9,25

0

0

Negeri

0

1

0

0

0

9,75

0

0

Negeri

0

1

0

0

0

9,5

0

0

Negeri

0

1

1

0

0

8,75

8,75

0

Negeri

0

1

0

0

0

7,5

0

0

Negeri

1

1

1

0

9,5

9,5

9,5

0

Negeri

0

1

1

0

0

8,25

8,25

0

Swasta

0

0

0

1

0

0

0

9

Negeri

0

1

0

0

0

8

0

0

Negeri

0

1

1

0

0

8,75

8,75

0

Negeri

0

1

0

0

0

9,25

0

0

Negeri

0

1

0

0

0

8,75

0

0

Swasta

0

0

0

0

0

0

0

0

Negeri

0

1

0

0

0

9,75

0

0

Negeri

0

1

0

0

0

8

0

0

SMAN 1 Danau Kerinci SMAN Pertiwi 1 Padang SMAN 1 Pasaman SMAN 1 Bukit Sundi SMAN 1 Kec. Guguak SMAN 8 Padang SMAN 1 Padang Panjang SMAN 2 Sawahlunto SMAN 2 Kota Solok SMAN 2 Pariaman SMA Pembangunan Labor UNP MAN Koto Baru Padang Panjang SMAN 2 Dumai SMAN 1 Lubuk Alung SMAN 1 Pariaman SMA Semen Padang SMAN 1 Gunung Talang SMAN 3 Bukittinggi

No 21 22 23 24 25 26 27 28

Nama Mahasiswa Siska Mulyaningsih WINA NOVITASARI Yulia Citra Utami FIARCY INTAN MULIA SARI JUNITA AMALIA WENNY IRNAS JULIS MARANALDI ARIFIN KURNIAWAN

JK

Jalur Masuk

PRODI

IPK

UN Mat

SLTA

D1 (1=L)

D2 (1=N)

D3 (SNMPTN)

D4 (PMDK)

D1X

D2X

D3X

D4X

Negeri

0

1

0

0

0

7

0

0

Negeri

0

1

0

0

0

9,25

0

0

Negeri

0

1

0

0

0

9,25

0

0

P

Seleksi UNP

Statistika

2,65

7,00

P

Seleksi UNP

Pend. Matematika

3,53

9,25

P

Seleksi UNP

Statistika

3,03

9,25

P

Seleksi UNP

Pend. Matematika

3,49

9,50

SMAN 2 Payakumbuh

Negeri

0

1

0

0

0

9,5

0

0

P

Seleksi UNP

2,99

9,25

SMAN 7 Padang

Negeri

0

1

0

0

0

9,25

0

0

P

Seleksi UNP

3,03

6,25

SMAN 3 Depok

Negeri

0

1

0

0

0

6,25

0

0

L

SNMPTN

Matematika

3,29

8,75

SMAN Agam Cendekia

Negeri

1

1

1

0

8,75

8,75

8,75

0

L

SNMPTN

Pend. Matematika

3,10

9,75

MAN 2 Padang

Negeri

1

1

1

0

9,75

9,75

9,75

0

Negeri

0

1

0

0

0

8,5

0

0

Negeri

0

1

0

0

0

9,5

0

0

Negeri

0

1

0

0

0

9,25

0

0

Negeri

0

1

0

0

0

7,75

0

0

Negeri

0

1

0

0

0

9,75

0

0

Negeri

1

1

1

0

10

10

10

0


SMTI Padang

Status Sekolah

SMAN 10 Padang SMAN 10 Padang

SMAN 1 Kec. Pangkalan Koto Baru SMAN 1 Bayang Pesisir Selatan

29

YOLANDA ANGRAINI

P

Bidik Misi

Matematika

2,63

8,50

30

Diah Pertiwi Ningsih

P

Seleksi UNP

Statistika

2,65

9,50

31

ZOLANIKA

P

Seleksi UNP

Pend. Matematika

3,01

9,25

32

Aulia Ziqri

P

Seleksi UNP

Statistika

2,68

7,75

P

Bidik Misi

Statistika

2,65

9,75

L

SNMPTN

Matematika

2,43

10,00

SMAN 2 Pariaman SMAN 1 X koto Singkarak SMAN 4 Padang

P

Seleksi UNP

2,59

7,25

SMTI Padang

Negeri

0

1

0

0

0

7,25

0

0

P

SNMPTN

3,78

8,25

MAN 2 Padang

Negeri

0

1

1

0

0

8,25

8,25

0

P

Seleksi UNP

2,99

7,25

SMAN 7 Padang

Negeri

0

1

0

0

0

7,25

0

0

P

Seleksi UNP

Statistika Pend. Matematika Pend. Matematika Pend. Matematika

3,19

9,75

SMAN 3 Bukittinggi

Negeri

0

1

0

0

0

9,75

0

0

P

Seleksi UNP

Pend. Matematika

3,66

9,50

SMA Don Bosco

Swasta

0

0

0

0

0

0

0

0

Negeri

0

1

0

0

0

7,75

0

0

Negeri

1

1

0

0

8

8

0

0

33 34 35 36 37 38 39

DWI YULIA METRI MULYADI Putry Rahmayani SYAFRIDA WIRMA YENTI YURISKA MAYA SARI YUZELI MEDIA YENNY MEIDIANA BR HUTAGALUNG

40

Nurlatifah

P

Seleksi UNP

Statistika

2,55

7,75

41

Ari Wicaksono

L

Seleksi UNP

Pend. Matematika

2,66

8,00

SMAN 9 Padang

SMAN 1 Rao Pasaman SMAN 2 Mejayan

No

Nama Mahasiswa

JK

Jalur Masuk

42

ELSA SELVIA

P

Seleksi UNP

43

Reni Novita YOHANA TRISANOVA

P

Seleksi UNP

P

Seleksi UNP

44

PRODI Pend. Matematika Statistika Pend. Matematika

IPK

UN Mat

2,72

10,00

3,06

8,75

3,10

7,25

SLTA SMAN 1 Lubuk Alung SMAN 7 Padang MAN Lubuk Alung MAN Kota Solok MAN Kota Solok

Status Sekolah

D1 (1=L)

D2 (1=N)

D3 (SNMPTN)

D4 (PMDK)

D1X

D2X

D3X

D4X

Negeri

0

1

0

0

0

10

0

0

Negeri

0

1

0

0

0

8,75

0

0

Negeri

0

1

0

0

0

7,25

0

0

Negeri

1

1

1

0

9,5

9,5

9,5

0

Negeri

0

1

1

0

0

9

9

0

Negeri

1

1

0

1

9,25

9,25

0

9,25

Negeri

0

1

0

0

0

9,25

0

0

Negeri

1

1

0

0

8

8

0

0

Negeri

0

1

0

0

0

9

0

0

45

ILHAM ANAS

L

SNMPTN

Matematika

2,28

9,50

46

RAHMI MULIA

P

SNMPTN

Matematika

3,36

9,00

L

PMDK

Statistika

3,04

9,25

P

Seleksi UNP

3,38

9,25

L

Seleksi UNP

2,62

8,00

P

Seleksi UNP

Statistika

3,39

9,00

P

Seleksi UNP

Pend. Matematika

2,87

9,25

SMAN 9 Padang

Negeri

0

1

0

0

0

9,25

0

0

P

Seleksi UNP

Statistika

3,18

9,00

SMAN 8 Padang

Negeri

0

1

0

0

0

9

0

0

L

PMDK

Matematika

3,16

10,00

Negeri

1

1

0

1

10

10

0

10

P

Seleksi UNP

Statistika

2,37

6,25

Negeri

0

1

0

0

0

6,25

0

0

P

Seleksi UNP

Statistika

2,90

9,00

Negeri

0

1

0

0

0

9

0

0

P

Seleksi UNP

3,17

7,50

Negeri

0

1

0

0

0

7,5

0

0

47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62

ROMY YUNIKA PUTRA AYU HANDAYANI HAFIZIL HARFAN Nurhaini Nazilil Husna ROZA SILVIANI Nendi Septi Arniva NA MENTACEM Hafizhatul Ardi Husna Melyana Eka Putri FITRIYENI


SMAN 1 Bayang Pesisir Selatan SMAN 2 Bukittinggi SMAN 1 Ranah Pesisir SMAN 1 Kota Solok

Pend. Matematika Pend. Matematika Matematika Pend. Matematika Pend. Matematika

3,21

9,50

3,12

9,25

MAN 2 Payakumbuh SMAN 1 Talang Empat Bengkulu SMAN 1 Sungai Rumbai SMAN 1 Sawahlunto SMAN 1 Lubuk Alung SMAN 9 Padang

3,43

9,00

SMAN 7 Padang

Negeri

1

1

0

1

9

9

0

9

2,62

9,00

SMA Yadika Lubuk Linggau

Swasta

0

0

0

0

0

0

0

0

MELLY SURYANI SARAH SADDAM AL AZIZ

P

Seleksi UNP

P

Bidik Misi

L

PMDK

Mulyana

P

Seleksi UNP

L

SNMPTN

Matematika

2,74

8,75

SMAN 10 Padang

Negeri

1

1

1

0

8,75

8,75

8,75

0

P

Bidik Misi

Pend. Matematika

3,44

8,00

SMAN 1 Batipuh

Negeri

0

1

0

0

0

8

0

0

DONI RAHMAT SEPTIANO WIDYA RAHMI

Negeri

0

1

0

0

0

9,5

0

0

Negeri

0

1

0

0

0

9,25

0

0

No 63

Nama Mahasiswa ALDHINI KEMALA PUTERI

JK

Jalur Masuk

PRODI

IPK

UN Mat

SLTA

P

Seleksi UNP

Pend. Matematika

3,61

8,75

SMAN 3 Bukittinggi

64

DISTI HARLIN

P

SNMPTN

Matematika

2,35

9,25

65

CINDI MEIDISIA

P

SNMPTN

Matematika

3,30

8,75

SMAN 1 Lubuk Sikaping SMAN 1 Kota Solok

Status Sekolah

D1 (1=L)

D2 (1=N)

D3 (SNMPTN)

D4 (PMDK)

D1X

D2X

D3X

D4X

Negeri

0

1

0

0

0

8,75

0

0

Negeri

0

1

1

0

0

9,25

9,25

0

Negeri

0

1

1

0

0

8,75

8,75

0

Lampiran 13. Hasil Out Put MINITAB 15 mengenai IPK Mahasiswa Angkatan 2010 dengan peubah semua peubah prediktor menggunakan Analisis Regresi Dummy. The regression equation is IPK = - 14,6 + 1,91 UN Mat - 0,24 D1(1=L) + 16,6 D2(1=N) + 2,94 D3(SNM) + 1,74 D4(PMDK) + 0,003 D1X - 1,81 D2X - 0,318 D3X - 0,153 D4X


Coef -14,550 1,9142 -0,237 16,639 2,938 1,736 0,0028 -1,8094 -0,3177 -0,1534

S = 0,338875

SE Coef 5,619 0,6202 2,229 5,637 2,349 4,787 0,2596 0,6224 0,2725 0,5255

R-Sq = 29,0%

T -2,59 3,09 -0,11 2,95 1,25 0,36 0,01 -2,91 -1,17 -0,29

P 0,012 0,003 0,916 0,005 0,216 0,718 0,991 0,005 0,249 0,771

R-Sq(adj) = 17,4%



DF 1 1 1 1 1 1 1 1 1

DF 9 55 64

SS 2,5860 6,3160 8,9020

MS 0,2873 0,1148

F 2,50

P 0,018

Seq SS 0,3570 0,2238 0,2239 0,0593 0,3981 0,1510 1,0071 0,1561 0,0098

Unusual Observations Obs 1 4 13 39 53 59 64

UN Mat 8,0 8,8 9,0 9,5 10,0 9,0 9,3

IPK 2,4900 2,2500 2,8700 3,6600 3,1600 3,4300 2,3500

Fit 3,3233 2,1987 3,0324 3,6344 3,1291 3,1750 3,0572

SE Fit 0,2013 0,2482 0,2570 0,3186 0,3313 0,2329 0,2066

Residual -0,8333 0,0513 -0,1624 0,0256 0,0309 0,2550 -0,7072

St Resid -3,06R 0,22 X -0,74 X 0,22 X 0,43 X 1,04 X -2,63R


Lampiran 14. Analisis sisaan Obs 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 35 36 37 38 39 40 41 42 43 44

RESI ‐0,8333 ‐0,0141 ‐0,1536 0,0513 0,2530 ‐0,4079 0,5097 ‐0,1841 0,4964 0,0654 0,2666 ‐0,1401 ‐0,1624 0,2230 0,3064 ‐0,3479 ‐0,2355 0,1427 ‐0,0503 ‐0,2970 ‐0,1722 0,4721 ‐0,0279 0,4059 ‐0,0679 0,2864 0,3390 0,3591 ‐0,3494 ‐0,4341 ‐0,0479 ‐0,2208 ‐0,4603 ‐0,2583 ‐0,2584 0,5099 0,1416 0,0797 0,0256 ‐0,3508 ‐0,0522 ‐0,4165 0,0545 0,2516

SRES ‐3,0565 ‐0,0426 ‐0,4894 0,2223 0,7586 ‐1,2248 1,5466 ‐0,5553 1,5671 0,1979 0,8641 ‐0,4617 ‐0,7352 0,6686 0,9673 ‐1,0446 ‐0,7038 0,4812 ‐0,1527 ‐0,8903 ‐0,5293 1,4174 ‐0,0839 1,2242 ‐0,2040 0,9121 1,1102 1,2221 ‐1,0436 ‐1,3094 ‐0,1439 ‐0,6645 ‐1,3968 ‐0,9576 ‐0,7874 1,6802 0,4315 0,2418 0,2223 ‐1,0558 ‐0,1985 ‐1,2735 0,1627 0,7667

TRES ‐3,3240 ‐0,0422 ‐0,4860 0,2204 0,7556 ‐1,2305 1,5670 ‐0,5518 1,5887 0,1962 0,8621 ‐0,4583 ‐0,7321 0,6652 0,9667 ‐1,0455 ‐0,7006 0,4778 ‐0,1513 ‐0,8886 ‐0,5258 1,4308 ‐0,0831 1,2299 ‐0,2022 0,9107 1,1125 1,2278 ‐1,0445 ‐1,3181 ‐0,1426 ‐0,6611 ‐1,4093 ‐0,9569 ‐0,7847 1,7093 0,4282 0,2397 0,2204 ‐1,0569 ‐0,1967 ‐1,2809 0,1613 0,7637

HI 0,3527 0,0428 0,1418 0,5366 0,0311 0,0340 0,0543 0,0428 0,1264 0,0491 0,1712 0,1980 0,5750 0,0311 0,1264 0,0340 0,0247 0,2337 0,0543 0,0311 0,0780 0,0340 0,0340 0,0428 0,0340 0,1418 0,1879 0,2481 0,0241 0,0428 0,0340 0,0388 0,0543 0,3662 0,0622 0,1980 0,0622 0,0543 0,8841 0,0388 0,3975 0,0685 0,0247 0,0622

COOK 0,5090 0,0000 0,0040 0,0057 0,0018 0,0053 0,0137 0,0014 0,0355 0,0002 0,0154 0,0053 0,0731 0,0014 0,0135 0,0038 0,0013 0,0071 0,0001 0,0025 0,0024 0,0071 0,0000 0,0067 0,0001 0,0137 0,0285 0,0493 0,0027 0,0077 0,0001 0,0018 0,0112 0,0530 0,0041 0,0697 0,0012 0,0003 0,0377 0,0045 0,0026 0,0119 0,0001 0,0039

DFIT ‐2,4537 ‐0,0089 ‐0,1975 0,2372 0,1355 ‐0,2310 0,3755 ‐0,1167 0,6043 0,0446 0,3918 ‐0,2278 ‐0,8516 0,1193 0,3677 ‐0,1962 ‐0,1115 0,2639 ‐0,0363 ‐0,1593 ‐0,1529 0,2686 ‐0,0156 0,2601 ‐0,0379 0,3701 0,5352 0,7052 ‐0,1642 ‐0,2787 ‐0,0268 ‐0,1328 ‐0,3377 ‐0,7274 ‐0,2020 0,8494 0,1103 0,0574 0,6088 ‐0,2122 ‐0,1598 ‐0,3474 0,0257 0,1966

45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65

‐0,5134 0,2496 ‐0,1235 0,3221 ‐0,0922 0,3583 ‐0,1879 0,1483 0,0309 ‐0,3736 ‐0,1317 0,2954 0,1259 0,0621 0,2550 ‐0,0573 ‐0,2110 0,5130 0,6045 ‐0,7072 0,1364

‐1,6641 0,8284 ‐0,4338 0,9670 ‐0,3505 1,0723 ‐0,5643 0,4438 0,4338 ‐1,1902 ‐0,3943 0,8939 0,3797 0,1864 1,0359 ‐0,1930 ‐0,6909 1,5380 1,8061 ‐2,6326 0,4305

‐1,6921 0,8260 ‐0,4305 0,9664 ‐0,3477 1,0738 ‐0,5607 0,4405 0,4305 ‐1,1948 ‐0,3913 0,8923 0,3767 0,1847 1,0366 ‐0,1913 ‐0,6876 1,5579 1,8452 ‐2,7902 0,4273

0,1712 0,2094 0,2941 0,0340 0,3975 0,0280 0,0340 0,0280 0,9559 0,1418 0,0280 0,0491 0,0428 0,0340 0,4722 0,2337 0,1879 0,0311 0,0247 0,3717 0,1264

0,0572 0,0182 0,0078 0,0033 0,0081 0,0033 0,0011 0,0006 0,4076 0,0234 0,0004 0,0041 0,0006 0,0001 0,0960 0,0011 0,0110 0,0076 0,0083 0,4099 0,0027

‐0,7689 0,4251 ‐0,2779 0,1814 ‐0,2824 0,1822 ‐0,1052 0,0748 2,0040 ‐0,4856 ‐0,0664 0,2028 0,0797 0,0347 0,9804 ‐0,1057 ‐0,3308 0,2793 0,2936 ‐2,1459 0,1625

Lampiran 15. Eliminir Pencilan Eliminir ke 1 = obs ke 1 The regression equation is IPK = - 14,4 + 1,90 UN Mat - 2,60 D1(1=L) + 16,5 D2(1=N) + 7,36 D3(SNM) + 4,68 D4(PMDK) + 0,283 D1X - 1,80 D2X - 0,814 D3X - 0,492 D4X


Coef -14,374 1,8969 -2,600 16,499 7,358 4,683 0,2825 -1,7959 -0,8141 -0,4924

S = 0,311602

SE Coef 5,167 0,5703 2,169 5,183 2,537 4,490 0,2531 0,5723 0,2917 0,4939

R-Sq = 39,4%

T -2,78 3,33 -1,20 3,18 2,90 1,04 1,12 -3,14 -2,79 -1,00

P 0,007 0,002 0,236 0,002 0,005 0,302 0,269 0,003 0,007 0,323

R-Sq(adj) = 29,3%



DF 1 1 1 1 1 1 1 1 1

DF 9 54 63

SS 3,41007 5,24318 8,65325

MS 0,37890 0,09710

F 3,90

P 0,001

Seq SS 0,30476 0,24007 0,23856 0,15611 0,48162 0,18456 1,02686 0,68103 0,09650

Unusual Observations Obs 3 12 38 52 58 63

UN Mat 8,8 9,0 9,5 10,0 9,0 9,3

IPK 2,2500 2,8700 3,6600 3,1600 3,4300 2,3500

Fit 2,2246 2,9505 3,6473 3,1197 3,2285 2,8860

SE Fit 0,2284 0,2376 0,2930 0,3047 0,2147 0,1968

Residual 0,0254 -0,0805 0,0127 0,0403 0,2015 -0,5360

St Resid 0,12 X -0,40 X 0,12 X 0,62 X 0,89 X -2,22R


Eliminir =obs (63) The regression equation is IPK = - 14,7 + 1,93 UN Mat + 0,20 D1(1=L) + 16,8 D2(1=N) + 3,75 D3(SNM) + 0,81 D4(PMDK) - 0,060 D1X - 1,82 D2X - 0,386 D3X - 0,042 D4X

Predictor Constant UN Mat D1(1=L) D2(1=N)

Coef -14,685 1,9273 0,204 16,785

SE Coef 4,974 0,5490 2,416 4,989

T -2,95 3,51 0,08 3,36

P 0,005 0,001 0,933 0,001

D3(SNM) D4(PMDK) D1X D2X D3X D4X

3,750 0,811 -0,0599 -1,8234 -0,3859 -0,0419

S = 0,299850

2,900 4,636 0,2853 0,5509 0,3366 0,5139

R-Sq = 42,1%

1,29 0,17 -0,21 -3,31 -1,15 -0,08

0,202 0,862 0,834 0,002 0,257 0,935

R-Sq(adj) = 32,3%



DF 1 1 1 1 1 1 1 1 1

DF 9 53 62

SS 3,46846 4,76523 8,23369

MS 0,38538 0,08991

F 4,29

P 0,000

Seq SS 0,36001 0,29400 0,28158 0,40647 0,61851 0,31053 1,02839 0,16839 0,00060


UN Mat 8,8 9,0 9,5 10,0 9,0 8,8

IPK 2,2500 2,8700 3,6600 3,1600 3,4300 3,6100

Fit 2,1790 3,0948 3,6245 3,1363 3,1342 3,0097

SE Fit 0,2207 0,2370 0,2821 0,2933 0,2106 0,0471

Residual 0,0710 -0,2248 0,0355 0,0237 0,2958 0,6003

St Resid 0,35 X -1,22 X 0,35 X 0,38 X 1,39 X 2,03R

R denotes an observation with a large standardized residual. X denotes an observation whose X value gives it large leverage. The regression equation is IPK = - 14,7 + 1,93 UN Mat + 0,27 D1(1=L) + 16,8 D2(1=N) + 3,74 D3(SNM) + 0,70 D4(PMDK) - 0,066 D1X - 1,83 D2X - 0,383 D3X - 0,029 D4X


Coef -14,697 1,9285 0,267 16,803 3,736 0,700 -0,0664 -1,8270 -0,3827 -0,0287

S = 0,290744

SE Coef 4,823 0,5323 2,343 4,838 2,811 4,496 0,2766 0,5342 0,3264 0,4983

R-Sq = 44,1%

T -3,05 3,62 0,11 3,47 1,33 0,16 -0,24 -3,42 -1,17 -0,06

P 0,004 0,001 0,910 0,001 0,190 0,877 0,811 0,001 0,246 0,954

R-Sq(adj) = 34,4%


DF 9 52 61

SS 3,46343 4,39568 7,85912

MS 0,38483 0,08453

F 4,55

P 0,000


DF 1 1 1 1 1 1 1 1 1

Seq SS 0,35645 0,25618 0,25321 0,44193 0,63646 0,31624 1,03250 0,17018 0,00028


UN Mat 8,8 9,0 9,5 10,0 9,0

IPK 2,2500 2,8700 3,6600 3,1600 3,4300

Fit 2,1772 3,1004 3,6236 3,1370 3,1305

SE Fit 0,2140 0,2298 0,2736 0,2844 0,2042

Residual 0,0728 -0,2304 0,0364 0,0230 0,2995

St Resid 0,37 -1,29 0,37 0,38 1,45

X X X X X


Lampiran 16.Pemilihan Model terbaik menggunakan metode All Posible Reggresion Response is IPK

D 2 ( 1 = N )

D 3 ( S N M )

X X X X X X X X X X X X X X X X X X X X X X X X

X X X X X X X X X X X X X X X X

U N

Vars 1 1 2 2 3 3 4 4 5 5 6 6 7 7 8 8 9

R-Sq 4,5 3,7 16,5 9,2 24,7 20,0 26,6 26,3 38,1 28,9 39,5 39,4 44,0 44,0 44,1 44,1 44,1

R-Sq(adj) 2,9 2,1 13,6 6,1 20,8 15,9 21,4 21,2 32,6 22,6 32,8 32,7 36,8 36,7 35,6 35,6 34,4

Mallows Cp 30,8 31,5 21,7 28,4 16,0 20,3 16,2 16,5 7,5 16,1 8,3 8,4 6,0 6,1 8,0 8,0 10,0

S 0,35362 0,35511 0,33356 0,34776 0,31940 0,32914 0,31814 0,31870 0,29465 0,31586 0,29414 0,29437 0,28543 0,28559 0,28800 0,28802 0,29074

M a t X

D 1 ( 1 = L )

X

D 4 ( P M D D D D D K 1 2 3 4 ) X X X X

X X

X X X X X X X X X X X

X X X X X X X X X X X X X X X X X X X X X X

X X X X

Lampiran 17. Model Akhir dari Regresi Dummy yang menggambarkan IPK Mahasiswa Jurusan Matematika Angkatan 2010 The regression equation is IPK = - 14,7 + 1,92 UN Mat + 16,8 D2(1=N) + 3,94 D3(SNM) + 0,414 D4(PMDK) - 0,0356 D1X - 1,82 D2X - 0,407 D3X

Predictor Constant UN Mat D2(1=N) D3(SNM) D4(PMDK) D1X D2X D3X

Coef -14,651 1,9240 16,771 3,943 0,4140 -0,03556 -1,8240 -0,4070

S = 0,285432

SE Coef 4,729 0,5221 4,747 1,683 0,1935 0,01665 0,5242 0,1914

R-Sq = 44,0%

T -3,10 3,68 3,53 2,34 2,14 -2,14 -3,48 -2,13

P 0,003 0,001 0,001 0,023 0,037 0,037 0,001 0,038

R-Sq(adj) = 36,8%


Source UN Mat D2(1=N) D3(SNM) D4(PMDK) D1X D2X D3X

DF 1 1 1 1 1 1 1

DF 7 54 61

SS 3,45966 4,39946 7,85912

MS 0,49424 0,08147

F 6,07

P 0,000

Seq SS 0,35645 0,17078 0,15584 0,08768 1,28167 1,03901 0,36823


UN Mat 8,8 9,0 9,5 9,5

IPK 2,2500 2,8700 3,6600 2,2800

Fit 2,1840 3,0790 3,6270 2,8087

SE Fit 0,2075 0,2011 0,2681 0,1154

Residual 0,0660 -0,2090 0,0330 -0,5287

St Resid 0,34 X -1,03 X 0,34 X -2,03R


Eliminir = obs 44 The regression equation is IPK = - 14,6 + 1,92 UN Mat + 16,7 D2(1=N) + 3,37 D3(SNM) + 0,389 D4(PMDK) - 0,0321 D1X - 1,82 D2X - 0,339 D3X

Predictor Constant UN Mat D2(1=N) D3(SNM) D4(PMDK) D1X D2X D3X

Coef -14,609 1,9199 16,725 3,371 0,3895 -0,03211 -1,8197 -0,3391

S = 0,276955

SE Coef 4,589 0,5066 4,606 1,656 0,1881 0,01624 0,5086 0,1886

R-Sq = 44,6%

T -3,18 3,79 3,63 2,04 2,07 -1,98 -3,58 -1,80

P 0,002 0,000 0,001 0,047 0,043 0,053 0,001 0,078

R-Sq(adj) = 37,3%


Source UN Mat D2(1=N) D3(SNM) D4(PMDK) D1X D2X D3X

DF 1 1 1 1 1 1 1

DF 7 53 60

SS 3,27702 4,06530 7,34232

MS 0,46815 0,07670

F 6,10

P 0,000

Seq SS 0,45964 0,20527 0,37410 0,08076 0,88567 1,02356 0,24802


UN Mat 8,8 9,0 10,0 9,5

IPK 2,2500 2,8700 2,4300 3,6600

Fit 2,1901 3,0596 2,7766 3,6301

SE Fit 0,2014 0,1953 0,1818 0,2601

Residual 0,0599 -0,1896 -0,3466 0,0299

St Resid 0,31 -0,97 -1,66 0,31

X X X X


Lampiran 18. Analisis Sisaan dari model Regresi dummy untuk angkatan 2010 Plot Sisaan dari IPK Jurusan Matematika Angkatan 2010 Normal Probability Plot

Versus Fits

99

0,50

90

0,25

Residual

Percent

99,9

50 10 1 0,1

-1,0

-0,5

0,0 Residual

0,5

0,00 -0,25 -0,50

1,0

10,0

0,50

7,5

0,25

5,0


3,6

0,00 -0,25

2,5 0,0

2,4

Versus Order

Residual

Frequency

Histogram

2,0

-0,4

-0,2

0,0 0,2 Residual

0,4

-0,50

1 5 10 15 20 25 30 35 40 45 50 55 60 Observation Order

Lampiran 19. Plot kenormalan Sisaan Uji Kenormalan Sisaan (2010) Normal 99,9


99

Percent

95 90 80 70 60 50 40 30 20 10 5 1 0,1

-1,0

-0,5

0,0 RESI5

0,5

1,0

8,415855E-15 0,2603 61 0,080 >0,150

Lampiran 20. Data Mahasiswa Jurusan Matematika Angkatan 2011 No 1 2

Nama Mahasiswa VERRA YOLANDA SY CENG SRI YUNITA

JK

Jalur Masuk

PRODI

IPK

UN Mat

SLTA

Status Sekolah

D1 (1=L)

D2 (1=N)

D3 (SNMPTN)

D4 (PMDK)

D1X

D2X

D3X

D4X

P

SNMPTN

Pend. Matematika

3,20

9,50

SMAN 1 Padang Panjang

Negeri

0

1

1

0

0

9,5

9,5

0

P

Bidik Misi

Matematika

2,58

7,00

SMAN 1 Sutera

Negeri

0

1

0

0

0

7

0

0

3,06

8,75

MAN 2 Padang

Negeri

0

1

1

0

0

8,75

8,75

0

3,50

9,00

SMAN 1 Padang Panjang

Negeri

0

1

1

0

0

9

9

0

SMAN 1 Rao

Negeri

0

1

0

0

0

7,5

0

0

Negeri

0

1

0

0

0

5,75

0

0

Negeri

1

1

0

0

7

7

0

0

Negeri

0

1

1

0

0

8

8

0

Negeri

1

1

0

0

6,75

6,75

0

0

Negeri

0

1

0

0

0

7,25

0

0

Negeri

0

1

0

0

0

6,9

0

0

Negeri

1

1

0

0

9,25

9,25

0

0

Swasta

0

0

0

0

0

0

0

0

Negeri

1

1

1

0

9,5

9,5

9,5

0

Negeri

0

1

0

0

0

9,5

0

0

Negeri

0

1

0

0

0

9,5

0

0

Negeri

0

1

0

0

0

9,5

0

0

Negeri

0

1

0

0

0

8,5

0

0

Negeri

1

1

0

1

9

9

0

9

Negeri

0

1

0

0

0

7,75

0

0


3

TIARA ARINI

P

SNMPTN

4

AFRIYETTI

P

SNMPTN

5

Ade Yuli Muharly

P

Seleksi UNP

Statistika

2,74

7,50

6

Desi Asmona

P

Seleksi UNP

Statistika

2,53

5,75

L

Seleksi UNP

Statistika

3,07

7,00

P

SNMPTN

3,73

8,00

Bidik Misi

2,51

6,75

Statistika

2,76

7,25

Statistika

2,32

6,90

7 8

Radhi Ikhlas Subardi VANNY LARUSTAM


9

DEDI SUARDI

L

10

Suci Rani Yunas

P

11

Mardiah Ramadhan MUHAMMAD IQBAL PAHLAWAN

P L

Seleksi UNP

Pend. Matematika

3,06

9,25

Fanni Irwan

P

Seleksi UNP

Statistika

2,94

7,50

L

SNMPTN

3,50

9,50

3,40

9,50

3,18

9,50

3,18

9,50

Statistika

2,98

8,50

12

13 14 15 16

ANDRO KURNIAWAN ERNINCE LIYANDAROPI MASRITA OKTO BAYLLY

P P

17

SRI MALIYANTI

P

18

Rika Aprima Deli

P

19 20

ANDRE PRASETYA Lona Galilia Febrien

Seleksi UNP Bidik Misi

Seleksi UNP Seleksi UNP Seleksi UNP Seleksi UNP

Pend. Matematika Pend. Matematika Pend. Matematika Pend. Matematika

L

PMDK

Pend. Matematika

3,00

9,00

P

Bidik Misi

Statistika

3,33

7,75

SMAN 1 Lembah Melintang SMAN 3 Padang Panjang SMAN 6 Padang MAN 1 Bukittinggi SMAN 1 Pariaman SMAN 1 Panti SMAN 1 Sungai Penuh SMA Pembangunan UNP SMAN 1 Solok Selatan SMAN 1 Pasaman SMAN 1 Teluk Kuantan SMAN 4 Bukittinggi SMAN 1 Lengayang SMAN 1 Sarolangun SMAN 4 Padang

21 22 23 24 25 26 27 28

NURUL AFIFAH RUSYDA FADHILATUL HASNAH Emitrapil SYLVIA RIS FANNY AIZA PRIWAHYUNI CANDRA Fani Zam Zami HUMAIRA EFENDI DENY FINASTI SAKANTI

P

Seleksi UNP

P

SNMPTN

L

Seleksi UNP

P


3,57

9,50

SMAN 1 Padang

Negeri

0

1

0

0

0

9,5

0

0

2,56

6,00

MA Arrisalah

Swasta

0

0

1

0

0

0

6

0

Statistika

2,08

9,25

Negeri

1

1

0

0

9,25

9,25

0

0

SNMPTN

Matematika

3,27

7,75

Negeri

0

1

1

0

0

7,75

7,75

0

P

PMDK

Pend. Matematika

3,41

9,25

Negeri

0

1

0

1

0

9,25

0

9,25

P

Seleksi UNP

Statistika

2,34

8,00

Negeri

0

1

0

0

0

8

0

0

P

SNMPTN

3,24

7,75

Negeri

0

1

1

0

0

7,75

7,75

0

P

Seleksi UNP


3,00

9,75

Negeri

0

1

0

0

0

9,75

0

0

Negeri

0

1

1

0

0

7,5

7,5

0

Negeri

0

1

1

0

0

8,5

8,5

0

Negeri

1

1

0

0

9

9

0

0

Negeri

0

1

0

0

0

8

0

0

Swasta

0

0

0

0

0

0

0

0

Negeri

0

1

1

0

0

7

7

0

Swasta

0

0

0

1

0

0

0

7,5

Negeri

0

1

0

0

0

9,25

0

0

Negeri

1

1

1

0

7,25

7,25

7,25

0

Negeri

0

1

1

0

0

8,5

8,5

0

Negeri

0

1

1

0

0

9,25

9,25

0

Negeri

0

1

0

0

0

7,5

0

0

Negeri

0

1

1

0

0

9

9

0

Negeri

0

1

0

1

0

6,5

0

6,5

Negeri

0

1

1

0

0

8,5

8,5

0

29

ANNISYA

P

SNMPTN

Matematika

2,87

7,50

30

ANDESTA SRIRAHAYU

P

SNMPTN

Matematika

2,77

8,50

31

Ridho Gunawan

L

Statistika

2,39

9,00

32

Helmi Yati

P

Statistika

2,68

8,00

Pend. Matematika

2,29

9,00

33 34

PARIDAH ARIANI IDA MUJTAHIDAH

P

Seleksi UNP Seleksi UNP Seleksi UNP

P

SNMPTN

Matematika

3,47

7,00

35

Anisa Nadia Putri

P

PMDK

Pend. Matematika

3,21

7,50

36

Fenny Okmaliarni

P

Bidik Misi

Statistika

2,91

9,25

37

HARY MERDEKA

L

SNMPTN

Matematika

2,93

7,25

P

SNMPTN

3,11

8,50

P

SNMPTN

3,38

9,25

2,98

7,50

3,50

9,00

3,04

6,50

3,04

8,50

38 39

FANNY NOVIARTY PUTRI KOMALA SARI

40

Metria Ramadhani

P

Seleksi UNP

41

ANNISA URAHMI

P

SNMPTN

42

HARDINI RAHMI

P

PMDK

43

MONA MARSA PUTRI

P

SNMPTN

Pend. Matematika Pend. Matematika Statistika Pend. Matematika Pend. Matematika Pend. Matematika

SMAN 1 Tigo Nagari Pasaman SMAN 5 Bukittinggi SMAN 1 Lubuk Alung SMAN 12 Padang SMAN 1 Lubuk Sikaping SMAN 2 Mandau, Duri SMAN 2 Payakumbuh SMAN & Sijunjung SMAN 12 Padang SMAN 2 Pariaman SMA IT Bangkinang SMAN 1 Pariangan SMAN 1 Pertiwi Padang SMAN 12 Padang MAN Kota Solok SMAN 3 Payakumbuh SMAN 1 MA. BUNGO SMAN 1 Gunung Talang SMAN 1 Padang Panjang SMAN 1 Batang Anai SMAN 1 IV Angkek

44 45 46 47

Maidi Satria PUTRA BIN ALDABIYAH RINANTI RIANE MASRI RANI RAHMAWITA

L

Seleksi UNP

Statistika

2,73

9,00

L

SNMPTN

Matematika

2,80

8,50

P

SNMPTN

2,73

9,00

2,58

9,25

Statistika

3,45

7,50

Statistika

2,78

7,75

Pend. Matematika

2,23

6,25

P

Seleksi UNP Seleksi UNP Seleksi UNP Seleksi UNP


SMAN 7 Sijunjung SMAN 1 Lengayang SMAN 10 Padang SMK Kosgoro Lubuk Sikaping SMAN 3 Padang SMAN 1 Sawahlunto SMAN 1 Pasaman SMK N 2 Bukittinggi SMAN 2 Padang SMAN 1 Lembah Gumanti SMAN 1 Lubuk Alung SMAN 1 Danau Kembar SMAN 1 Banuhampu MAN Gunung Padang Panjang SMAN 1 Ampek Angkek SMAN 1 Lubuk Alung SMAN 2 Payakumbuh SMK Karya Padang Panjang SMAN 1 Pariaman

Negeri

1

1

0

0

9

9

0

0

Negeri

1

1

1

0

8,5

8,5

8,5

0

Negeri

0

1

1

0

0

9

9

0

Swasta

0

0

0

0

0

0

0

0

Negeri

0

1

0

0

0

7,5

0

0

Negeri

0

1

0

0

0

7,75

0

0

Negeri

0

1

0

0

0

6,25

0

0

Negeri

0

1

0

1

0

9

0

9

Negeri

0

1

1

0

0

9,75

9,75

0

Negeri

1

1

0

0

7,5

7,5

0

0

Negeri

0

1

0

1

0

8

0

8

Negeri

0

1

0

0

0

7,75

0

0

Negeri

0

1

1

0

0

8,5

8,5

0

Negeri

1

1

0

0

6,25

6,25

0

0

Negeri

0

1

0

0

0

10

0

0

Negeri

0

1

0

0

0

8,25

0

0

Negeri

0

1

1

0

0

9,25

9,25

0

Swasta

1

0

0

0

7,25

0

0

0

Negeri

0

1

1

0

0

7,25

7,25

0

48

Meltha Trisna

P

49

Sherly Aprilia

P

50

ISTIVA RAHMADHENI

P

51

RIZKI AMELIA

P

PMDK

Matematika

3,50

9,00

52

SILVIA NURDIHAYATI

P

SNMPTN

Pend. Matematika

3,50

9,75

53

Muhammad Fitrah Faizin

L

Seleksi UNP

Statistika

2,78

7,50

54

RAESYA GUSMIYANTI

P

PMDK

Pend. Matematika

3,07

8,00

55

Anisa Fransiska

P

Seleksi UNP

Statistika

2,98

7,75

P

SNMPTN

Matematika

3,44

8,50

L

Seleksi UNP

Statistika

3,15

6,25

P

Bidik Misi

3,61

10,00

P

Seleksi UNP

2,77

8,25

P

SNMPTN

3,68

9,25

L

Seleksi UNP

Statistika

2,84

7,25

P

SNMPTN

Matematika

2,81

7,25

P

SNMPTN

Pend. Matematika

3,00

8,50

SMAN 1 Solok

Negeri

0

1

1

0

0

8,5

8,5

0

Statistika

2,38

8,25

SMAN 5 Padang

Negeri

0

1

0

0

0

8,25

0

0

Pend. Matematika

2,52

9,50

SMAN 7 Siak

Negeri

0

1

0

0

0

9,5

0

0

Statistika

2,42

7,25

SMA Adabiah Padang

Swasta

0

0

0

0

0

0

0

0

56 57 58 59 60 61 62 63

FITRI MARYENNI Ryan Ikhsan Ramadhan YOLI AGNESIA OKTIA RESTI ANGGRAINI FAMELA HARASA Feri Anggriawan TISA REVINA DEWI META CICIANA PUTRI

64

Laily Latifah

P

65

INTAN PERMATASARI

P

66

Roza Alfianti

P

Seleksi UNP Seleksi UNP Seleksi UNP

Pend. Matematika Pend. Matematika Pend. Matematika

67

REZA TRIJOANDA

P

68

FITRIANI

P

69

DONA RAHMADIAN

P

70

MUTIA ELIDA

P

SNMPTN

Matematika

Seleksi UNP Seleksi UNP


Bidik Misi

Matematika

3,64

9,25

2,58

9,25

2,78

9,25

3,22

8,75

SMAN 1 Lubuk Alung SMAN 2 Batanghari SMAN 1 Ujungbatu Riau SMAN 2 Pariaman

Negeri

0

1

1

0

0

9,25

9,25

0

Negeri

0

1

0

0

0

9,25

0

0

Negeri

0

1

0

0

0

9,25

0

0

Negeri

0

1

0

0

0

8,75

0

0

Lampiran 21. Hasil Out Put MINITAB 15 mengenai IPK Mahasisw Angkatan 2011 dengan peubah semua peubah prediktor menggunakan Analisis Regresi Dummy. The regression equation is IPK = 2,78 - 0,024 UN Mat + 1,88 D1(1=L) - 1,18 D2(1=N) - 0,252 D3(SNM) + 0,64 D4(PMDK) - 0,246 D1X + 0,179 D2X + 0,0682 D3X - 0,027 D4X


Coef 2,779 -0,0245 1,8835 -1,184 -0,2518 0,645 -0,24587 0,1790 0,06823 -0,0270

S = 0,322265

SE Coef 1,025 0,1299 0,7767 1,024 0,7540 1,194 0,09422 0,1310 0,08941 0,1441

R-Sq = 43,4%

T 2,71 -0,19 2,42 -1,16 -0,33 0,54 -2,61 1,37 0,76 -0,19

P 0,009 0,851 0,018 0,252 0,740 0,591 0,011 0,177 0,448 0,852

R-Sq(adj) = 34,9%



DF 1 1 1 1 1 1 1 1 1

DF 9 60 69

SS 4,7821 6,2313 11,0134

MS 0,5313 0,1039

F 5,12

P 0,000

SE Fit 0,2573 0,2689 0,2270 0,0718

Residual -0,2300 -0,0284 0,0271 0,6960

Seq SS 1,2296 0,2553 0,3984 1,1949 0,7929 0,6841 0,1545 0,0687 0,0036


UN Mat 6,0 6,5 9,3 7,5

IPK 2,5600 3,0400 2,5800 3,4500

Fit 2,7900 3,0684 2,5529 2,7540

St Resid -1,18 X -0,16 X 0,12 X 2,22R


Residual Plots for IPK Angkatan 2011 (ALL) Normal Probability Plot

Versus Fits 0,8

99,9

0,4

90

Residual

Percent

99

50 10

0,0 -0,4

1 0,1

-1,0

-0,5

0,0 Residual

0,5

-0,8

1,0

2,50

Histogram

2,75

3,00 Fitted Value

3,25

3,50

Versus Order 0,8

7,5

Residual

Frequency

10,0

5,0 2,5 0,0

-0,6

-0,4

-0,2

0,0 0,2 Residual

0,4

0,6

0,4 0,0 -0,4 -0,8

1 5

10 15 20 25 30 35 40 45 50 55 60 65 70

Observation Order

Lampiran 22. Reduksi Sisaan Eliminir data= obs (ke 48) The regression equation is IPK = 2,66 - 0,012 UN Mat + 2,02 D1(1=L) - 1,22 D2(1=N) - 0,141 D3(SNM) + 0,78 D4(PMDK) - 0,260 D1X + 0,181 D2X + 0,0573 D3X - 0,041 D4X


Coef 2,6647 -0,0116 2,0189 -1,2211 -0,1409 0,782 -0,26007 0,1815 0,05735 -0,0412

S = 0,311408

SE Coef 0,9914 0,1256 0,7529 0,9894 0,7302 1,155 0,09126 0,1266 0,08653 0,1394

R-Sq = 47,0%

T 2,69 -0,09 2,68 -1,23 -0,19 0,68 -2,85 1,43 0,66 -0,30

P 0,009 0,927 0,009 0,222 0,848 0,501 0,006 0,157 0,510 0,769

R-Sq(adj) = 38,9%



DF 1 1 1 1 1 1 1 1 1

DF 9 59 68

SS 5,06751 5,72151 10,78902

MS 0,56306 0,09697

F 5,81

P 0,000

Seq SS 1,33580 0,22023 0,35847 1,31529 0,86083 0,75227 0,16404 0,05213 0,00845


UN Mat 8,0 6,0 7,0 6,5 9,0 9,3

IPK 3,7300 2,5600 3,4700 3,0400 2,7300 2,5800

Fit 3,1205 2,7984 2,8933 3,0620 3,3477 2,5575

SE Fit 0,0744 0,2486 0,1307 0,2598 0,0780 0,2194

Residual 0,6095 -0,2384 0,5767 -0,0220 -0,6177 0,0225

St Resid 2,02R -1,27 X 2,04R -0,13 X -2,05R 0,10 X


Eliminir data ke 46 The regression equation is IPK = 2,71 - 0,017 UN Mat + 2,06 D1(1=L) - 1,28 D2(1=N) - 0,288 D3(SNM) + 0,78 D4(PMDK) - 0,266 D1X + 0,189 D2X + 0,0780 D3X - 0,040 D4X

Predictor Constant UN Mat D1(1=L)

Coef 2,7101 -0,0170 2,0625

SE Coef 0,9639 0,1221 0,7321

T 2,81 -0,14 2,82

P 0,007 0,890 0,007

D2(1=N) D3(SNM) D4(PMDK) D1X D2X D3X D4X

-1,2792 -0,2883 0,776 -0,26641 0,1886 0,07802 -0,0405

S = 0,302700

0,9621 0,7133 1,123 0,08876 0,1231 0,08468 0,1355

R-Sq = 50,5%

-1,33 -0,40 0,69 -3,00 1,53 0,92 -0,30

0,189 0,688 0,492 0,004 0,131 0,361 0,766

R-Sq(adj) = 42,8%



DF 1 1 1 1 1 1 1 1 1

DF 9 58 67

SS 5,41477 5,31438 10,72915

MS 0,60164 0,09163

F 6,57

P 0,000

Seq SS 1,39330 0,23804 0,37121 1,48836 0,85952 0,79921 0,16591 0,09104 0,00818


UN Mat 8,0 6,0 7,0 6,5 9,3

IPK 3,7300 2,5600 3,4700 3,0400 2,5800

Fit 3,1395 2,7878 2,8899 3,0594 2,5528

SE Fit 0,0729 0,2417 0,1271 0,2525 0,2132

Residual 0,5905 -0,2278 0,5801 -0,0194 0,0272

St Resid 2,01R -1,25 X 2,11R -0,12 X 0,13 X

R denotes an observation with a large standardized residual. X denotes an observation whose X value gives it large leverage. Eliminir ke 34 The regression equation is IPK = 3,01 - 0,054 UN Mat + 2,17 D1(1=L) - 1,65 D2(1=N) - 0,797 D3(SNM) + 0,79 D4(PMDK) - 0,278 D1X + 0,232 D2X + 0,135 D3X - 0,043 D4X


Coef 3,0133 -0,0537 2,1669 -1,6453 -0,7974 0,794 -0,27823 0,2325 0,13485 -0,0428

S = 0,293372

SE Coef 0,9445 0,1196 0,7112 0,9475 0,7297 1,088 0,08620 0,1210 0,08611 0,1313

R-Sq = 53,2%

T 3,19 -0,45 3,05 -1,74 -1,09 0,73 -3,23 1,92 1,57 -0,33

P 0,002 0,655 0,003 0,088 0,279 0,469 0,002 0,060 0,123 0,745

R-Sq(adj) = 45,8%

Analysis of Variance Source Regression Residual Error

DF 9 57

SS 5,57611 4,90584

MS 0,61957 0,08607

F 7,20

P 0,000

Total


66

DF 1 1 1 1 1 1 1 1 1

10,48195

Seq SS 1,60843 0,19419 0,31532 1,28598 0,86025 0,86008 0,20798 0,23472 0,00916


UN Mat 8,0 7,8 6,0 9,3 6,5 9,3

IPK 3,7300 3,3300 2,5600 2,0800 3,0400 2,5800

Fit 3,0794 2,7533 2,7027 2,6147 3,0454 2,5164

SE Fit 0,0759 0,0609 0,2375 0,1245 0,2448 0,2073

Residual 0,6506 0,5767 -0,1427 -0,5347 -0,0054 0,0636

St Resid 2,30R 2,01R -0,83 X -2,01R -0,03 X 0,31 X

R denotes an observation with a large standardized residual. X denotes an observation whose X value gives it large leverage. Eliminir ke 8 The regression equation is IPK = 3,17 - 0,073 UN Mat + 2,20 D1(1=L) - 1,83 D2(1=N) - 1,02 D3(SNM) + 0,81 D4(PMDK) - 0,282 D1X + 0,255 D2X + 0,157 D3X - 0,045 D4X


Coef 3,1688 -0,0726 2,2047 -1,8314 -1,0183 0,808 -0,28170 0,2546 0,15715 -0,0446

S = 0,281964

SE Coef 0,9101 0,1152 0,6837 0,9140 0,7074 1,046 0,08286 0,1167 0,08329 0,1262

R-Sq = 55,0%

T 3,48 -0,63 3,22 -2,00 -1,44 0,77 -3,40 2,18 1,89 -0,35

P 0,001 0,531 0,002 0,050 0,156 0,443 0,001 0,033 0,064 0,725

R-Sq(adj) = 47,8%



DF 1 1 1 1 1 1 1 1 1

DF 9 56 65

SS 5,44201 4,45220 9,89421

Seq SS 1,67761 0,15213 0,27028 1,04072 0,86152 0,87987 0,23788 0,31207 0,00994


MS 0,60467 0,07950

F 7,61

P 0,000

Obs 19 21 22 40 44 61

UN Mat 7,8 6,0 9,3 6,5 9,3 9,5

IPK 3,3300 2,5600 2,0800 3,0400 2,5800 2,5200

Fit 2,7484 2,6579 2,6205 3,0384 2,4974 3,0670

SE Fit 0,0585 0,2291 0,1196 0,2353 0,1994 0,0770

Residual 0,5816 -0,0979 -0,5405 0,0016 0,0826 -0,5470

St Resid 2,11R -0,60 X -2,12R 0,01 X 0,41 X -2,02R


Eliminir data 22 The regression equation is IPK = 3,15 - 0,070 UN Mat + 1,86 D1(1=L) - 1,84 D2(1=N) - 0,936 D3(SNM) + 0,94 D4(PMDK) - 0,233 D1X + 0,257 D2X + 0,145 D3X - 0,063 D4X


Coef 3,1474 -0,0700 1,8626 -1,8415 -0,9361 0,936 -0,23335 0,2569 0,14521 -0,0630

S = 0,272896

SE Coef 0,8809 0,1115 0,6800 0,8846 0,6857 1,014 0,08318 0,1129 0,08080 0,1224

R-Sq = 55,0%

T 3,57 -0,63 2,74 -2,08 -1,37 0,92 -2,81 2,28 1,80 -0,51

P 0,001 0,533 0,008 0,042 0,178 0,360 0,007 0,027 0,078 0,609

R-Sq(adj) = 47,7%



DF 1 1 1 1 1 1 1 1 1

DF 9 55 64

SS 5,01626 4,09596 9,11222

MS 0,55736 0,07447

F 7,48

P 0,000

Seq SS 1,97174 0,01486 0,27368 0,89346 0,78429 0,53273 0,25046 0,27530 0,01973


UN Mat 7,8 6,0 6,5 9,3 9,5

IPK 3,3300 2,5600 3,0400 2,5800 2,5200

Fit 2,7547 2,6627 3,0471 2,5002 3,0818

SE Fit 0,0567 0,2217 0,2278 0,1930 0,0748

Residual 0,5753 -0,1027 -0,0071 0,0798 -0,5618

St Resid 2,16R -0,65 X -0,05 X 0,41 X -2,14R


Eliminir data ke 19 IPK = 3,07 - 0,061 UN Mat + 1,96 D1(1=L) - 1,86 D2(1=N) - 0,874 D3(SNM) + 1,02 D4(PMDK) - 0,243 D1X + 0,257 D2X + 0,140 D3X - 0,071 D4X


Coef 3,0696 -0,0613 1,9562 -1,8605 -0,8743 1,0218 -0,24291 0,2574 0,13989 -0,0713

S = 0,263524

SE Coef 0,8514 0,1077 0,6579 0,8543 0,6627 0,9799 0,08044 0,1090 0,07806 0,1183

R-Sq = 58,2%

T 3,61 -0,57 2,97 -2,18 -1,32 1,04 -3,02 2,36 1,79 -0,60

P 0,001 0,572 0,004 0,034 0,193 0,302 0,004 0,022 0,079 0,549

R-Sq(adj) = 51,3%



DF 1 1 1 1 1 1 1 1 1

DF 9 54 63

SS 5,23135 3,75003 8,98139

MS 0,58126 0,06945

F 8,37

P 0,000

Seq SS 2,04436 0,00841 0,24674 0,97478 0,84231 0,57497 0,25466 0,25989 0,02524


UN Mat 6,0 6,5 9,3 9,5

IPK 2,5600 3,0400 2,5800 2,5200

Fit 2,6669 3,0418 2,5027 3,0719

SE Fit 0,2141 0,2200 0,1864 0,0724

Residual -0,1069 -0,0018 0,0773 -0,5519

St Resid -0,70 X -0,01 X 0,42 X -2,18R


Eliminir data ke 59 The regression equation is IPK = 3,04 - 0,058 UN Mat + 2,06 D1(1=L) - 1,97 D2(1=N) - 0,765 D3(SNM) + 1,16 D4(PMDK) - 0,256 D1X + 0,274 D2X + 0,124 D3X - 0,089 D4X

Predictor Constant UN Mat D1(1=L) D2(1=N) D3(SNM) D4(PMDK) D1X D2X D3X

Coef 3,0400 -0,0577 2,0557 -1,9745 -0,7649 1,1557 -0,25622 0,2737 0,12418

SE Coef 0,8208 0,1039 0,6358 0,8251 0,6407 0,9465 0,07777 0,1054 0,07557

T 3,70 -0,56 3,23 -2,39 -1,19 1,22 -3,29 2,60 1,64

P 0,001 0,581 0,002 0,020 0,238 0,227 0,002 0,012 0,106

D4X

-0,0894

S = 0,254047

0,1143

R-Sq = 61,0%

-0,78

0,438

R-Sq(adj) = 54,4%



DF 1 1 1 1 1 1 1 1 1

DF 9 53 62

SS 5,35919 3,42061 8,77979

MS 0,59547 0,06454

F 9,23

P 0,000

Seq SS 2,28196 0,01460 0,25916 0,84016 0,77965 0,62141 0,30840 0,21434 0,03949


UN Mat 6,0 6,5 9,3

IPK 2,5600 3,0400 2,5800

Fit 2,6738 3,0436 2,5059

SE Fit 0,2064 0,2121 0,1797

Residual -0,1138 -0,0036 0,0741

St Resid -0,77 X -0,03 X 0,41 X


Lampiran 23. Pemilihan Model terbaik menggunakan metode All Posible Reggresion Response is IPK

U N

Vars 1 1 2 2 3 3 4 4 5 5 6 6 7 7 8 8 9

R-Sq 26,0 19,2 37,9 36,9 46,8 46,4 51,0 50,4 53,8 53,2 59,2 58,4 60,3 60,0 60,8 60,6 61,0

R-Sq(adj) 24,8 17,9 35,8 34,8 44,1 43,6 47,6 47,0 49,7 49,0 54,9 53,9 55,2 54,9 55,0 54,8 54,4

Mallows Cp 41,7 50,9 27,5 28,8 17,4 18,0 13,6 14,5 11,9 12,7 6,5 7,6 7,0 7,4 8,3 8,6 10,0

S 0,32638 0,34103 0,30142 0,30382 0,28136 0,28254 0,27228 0,27396 0,26677 0,26861 0,25282 0,25538 0,25176 0,25272 0,25242 0,25313 0,25405

M a t X

D 1 ( 1 = L )

D 2 ( 1 = N )

D 3 ( S N M )

X X

X X X X

X X X X


D 4 ( P M D D D D D K 1 2 3 4 ) X X X X

X X X X X X X

X

X X X X

X X X X X X X X X X X X X X X X

X X

X X X X X X X


X X X X X X X

Lampiran 24. Model Akhir dari Regresi Dummy yang menggambarkan IPK Mahasiswa Jurusan Matematika Angkatan 2009 The regression equation is IPK = 2,60 + 2,04 D1(1=L) - 1,47 D2(1=N) - 0,690 D3(SNM) + 0,427 D4(PMDK) - 0,255 D1X + 0,208 D2X + 0,117 D3X

Predictor Constant D1(1=L) D2(1=N) D3(SNM) D4(PMDK) D1X D2X D3X

Coef 2,6018 2,0366 -1,4748 -0,6900 0,4266 -0,25454 0,20809 0,11660

S = 0,251756

SE Coef 0,1016 0,6250 0,3346 0,5683 0,1123 0,07664 0,03996 0,06750

R-Sq = 60,3%

T 25,61 3,26 -4,41 -1,21 3,80 -3,32 5,21 1,73

P 0,000 0,002 0,000 0,230 0,000 0,002 0,000 0,090

R-Sq(adj) = 55,2%


Source D1(1=L) D2(1=N) D3(SNM) D4(PMDK) D1X D2X D3X

DF 1 1 1 1 1 1 1

DF 7 55 62

SS 5,29384 3,48595 8,77979

MS 0,75626 0,06338

F 11,93

P 0,000

Seq SS 0,08533 0,64341 1,08611 0,80786 0,02342 2,45858 0,18912

Unusual Observations Obs 20

D1(1=L) 0,00

IPK 2,5600

Fit 2,6114

SE Fit 0,1765

Residual -0,0514

St Resid -0,29 X


Lampiran 25. Analisis Sisaan dari model Regresi dummy untuk angkatan 2011 Residual Plots for IPK Normal Probability Plot

Versus Fits

99,9

0,50

99

0,25 Residual

Percent

90 50 10 1

0,00 -0,25 -0,50

0,1

-0,8

-0,4

0,0 Residual

0,4

0,8

2,4

Histogram

3,0 Fitted Value

3,3

3,6

Versus Order

7,5

0,25 Residual

10,0

0,50

Frequency

2,7

5,0 2,5

0,00 -0,25 -0,50

0,0

-0,4

-0,2

0,0 Residual

0,2

0,4

1 5 10 15 20 25 30 35 40 45 50 55 60 Observation Order

Lampiran 26. Plot kenormalan sisaan Uji kenormalan sisaan (2011) Normal 99,9


99

Percent

95 90 80 70 60 50 40 30 20 10 5 1 0,1

-0,8

-0,6

-0,4

-0,2

0,0 RESI1

0,2

0,4

0,6

0,8

-9,79816E-16 0,2371 63 0,074 >0,150

Penerapan Regresi Dummy dalam Memprediksi Performansi Akademik Mahasiswa (Studi Kasus pada Mahasiswa Jurusan Matematika UNP)

Recommend Documents