BIAStatistics (2016) Vol. 10, No. 1, hal. 8-16
PENGARUH PERAN DOSEN PEMBIMBING TERHADAP KUALITAS TUGAS AKHIR (Studi Kasus : Mahasiswa Fmipa Unsyiah) Nany Salwa1, Fitriana A.R.2, and Junita Aiza3 1, 2, 3 Jurusan Matematika FMIPA Unsyiah Email:
[email protected]
ABSTRAK Setiap pembimbing memiliki tanggung jawab terhadap tugas akhir mahasiswa yang dibimbingnya. Mahasiswa yang dibimbing dengan baik diduga akan menghasilkan tugas akhir yang baik pula, karena semua kendala dan kesulitan yang dialami oleh mahasiswa selama penyusunan tugas akhir dapat terjawab melalui konsultasi dengan pembimbing. Tujuan dari penelitian ini adalah menentukan pengaruh karakteristik dosen pembimbing terhadap kualitas tugas akhir mahasiswa FMIPA Unsyiah. Penelitian ini dilakukan di FMIPA Unsyiah dengan responden mahasiswa angkatan 2004-2008. Data diperoleh melalui pengisian kuisioner oleh mahasiswa FMIPA Unsyiah angkatan 2004-2008. Metode yang digunakan untuk menganalisis data dalam penelitian ini adalah metode CART (Classification and Regression Trees). Metode CART menghasilkan pohon klasifikasi (classification trees). Berdasarkan analisis pohon klasifikasi yang terbentuk dari metode CART, diduga bahwa variabel penjelas dari karakteristik dosen pembimbing yang mempengaruhi kualitas tugas akhir mahasiswa FMIPA Unsyiah adalah peran pembimbing dalam mengoreksi kesalahan penulisan dan format laporan, motivasi pembimbing dalam menyelesaikan penyusunan tugas akhir dengan cepat, penentuan tema, peran pembimbing dalam persiapan seminar dan sidang, serta kesepakatan pembimbing. Variabel penjelas yang paling dominan dan paling berpengaruh adalah peran pembimbing dalam mengoreksi kesalahan penulisan dan format laporan. Kata Kunci : kualitas tugas akhir, dosen pembimbing, cart, pohon klasifikasi
1.
PENDAHULUAN
1.1 Latar Belakang Tugas akhir merupakan suatu karya ilmiah yang dihasilkan melalui proses integrasi kompetensi kognitif, psikomotorik, dan afektif yang telah dipelajari dalam bentuk kegiatan penelitian (Tim penyusun, 2010). Kegiatan dan hasil pelaksanaan penelitian TA ditulis dalam bentuk laporan dan dipresentasikan di hadapan penguji. Pada umumnya mahasiswa yang dibimbing secara intens dan baik akan mendapat nilai hasil sidang yang sangat memuaskan.Oleh karena itu, nilai sidang tugas akhir dapat dijadikan salah satu indikator penilaian kualitas tugas akhir. Berdasarkan uraian di atas, ingin diketahui apakah proses pembimbingan yang berkualitas dari dosen pembimbing dapat menghasilkan suatu tugas akhir yang berkualitas baik juga 1.2 Tujuan Penelitian Adapun tujuan dari penelitian ini adalah menentukan pengaruh karakteristik dosen pembimbing terhadap kualitas tugas akhir mahasiswa FMIPA Universitas Syiah Kuala.
8
2.
METODOLOGI
2.1. Classification And Regression Trees (CART) Menurut Hill and Lewicki (2006), CART merupakan metodologi statistik nonparametrik dan nonlinier. Hal ini karena hasil dari CART yang merupakan suatu kondisi logis jika-maka (if-then) dalam bentuk pohon dan tidak ada suatu asumsi implisit bahwa hubungan antara variabel respon dan variabel penjelasnya linier. Beberapa kelebihan metode CART yaitu, kesederhanaan hasil yang diperoleh sehingga mudah diinterpretasikan, struktur datanya dapat dilihat secara visual, proses pengklasifikasian lebih mudah dilakukan dengan menelusuri pohon klasifikasi yang dihasilkan, dan dapat mengeksplorasi struktur data yang kompleks serta bersifat nonparametrik sehingga tidak memerlukan asumsi tertentu yang sering tidak terpenuhi oleh data. CART dapat melakukan eksplorasi data untuk penyusunan model regresi yang melibatkan banyak variabel dengan ukuran besar dan kompleks. Eksplorasi data ini dapat dilakukan dengan lebih mudah untuk melihat hubungan antara variabel respon kontinu dengan variabel-variabel penjelasnya. 2.2. Pembentukan Pohon Pembentukan pohon dilakukan melalui pemilahan gugus data dengan sederetan pemilah biner sampai dihasilkan simpul akhir (Komalasari, 2007). Metode pemilahan tersebut dimulai dengan memilah variabel penjelas menjadi dua anak gugus yang disebut simpul. Selanjutnya anak gugus ini dipilah lagi menjadi dua anak gugus yang baru. Pemilahan ini diulang sampai diperoleh sekatan-sekatan yang berdasarkan aturan tertentu dan tidak dapat dipilah lebih lanjut. Pilahan akhir yang dihasilkan disebut simpul akhir atau simpul terminal (terminal node), sedangkan pilahan yang masih mungkin dipilah lebih lanjut dinamakan simpul dalam atau simpul anak (non terminal node ) (Dewi, 2007). Algoritma pembentukan pohon klasifikasi terdiri dari empat tahap, yaitu pemilihan pemilah, penentuan simpul terminal, penandaan label kelas, dan penentuan pohon dengan ukuran yang tepat (Kardiana, 2006). 1. Pemilihan pemilah Pada tahap ini dicari pemilah dengan menentukan semua pemilah yang mungkin untuk setiap variabel penjelas dari setiap simpul yang menghasilkan penurunan tingkat keheterogenan tertinggi. Keheterogenan suatu simpul diukur berdasarkan nilai impuritas. Fungsi impuritas yang dapat digunakan adalah indeks Gini. Bila impuritas suatu simpul semakin besar, maka semakin heterogen pula simpul tersebut (Breiman et al, 1993). Nilai impuritas menggunakan indeks Gini pada simpul , ( ), dapat ditulis sebagai berikut : ( )=1−∑
(| )
(1)
Dimana ( | ) adalah peluang unit pengamatan dalam kelas ke-j dari simpul t yang dinyatakan sebagai berikut : ( | )=
( )/ ∑
( )/
(2)
Dengan adalah peluang awal kelas ke-j, adalah banyaknya unit pengamatan dalam kelas ke-j, dan ( ) adalah banyaknya unit pengamatan dalam kelas ke-j pada simpul t.
Biastatistics Vol 10, No.1, Februari 2016
9
Misalkan terdapat calon pemilah s yang memilah t menjadi (dengan proporsi ) dan menjadi (dengan proporsi ), maka kebaikan dari s didefinisikan sebagai penurunan impuritas : ( )− ∆ ( , )= ( )− ( ) (3) Pengembangan pohon dilakukan dengan cara pada simpul memberikan nilai penurunan impuritas tertinggi, yaitu : ∆ ( ∗, ) = ∈ ∆ ( , ) Maka dipilah menjadi dan dilakukan juga pemilah terbaik pada 2007).
, carilah
∗
yang (4)
∗
menggunakan . Dengan cara yang sama dan secara terpisah, dan seterusnya (Hardle,
2. Penentuan simpul terminal Suatu simpul t akan menjadi simpul terminal atau tidak akan dipilah lagi, apabila jumlah pengamatannya kurang dari jumlah minimum. Umumnya jumlah pengamatan minimum pada simpul sebesar 5 dan terkadang berjumlah 1 (Breiman et al, 1993). Maka selanjutnya t tidak dipilah lagi, tetapi dijadikan simpul terminal dan dihentikan pembentukan pohon. (Kardiana, 2006). 3. Penandaan label kelas Label kelas dari simpul terminal ditentukan berdasarkan aturan jumlah ( | ), maka label kelas untuk terminal t adalah terbanyak, yaitu jika ( | ) = (Breiman et al, 1993). 4. Penentuan pohon optimum Pohon klasifikasi tidak dibatasi jumlahnya. Pohon terbesar memiliki nilai salah pengklasifikasian terkecil sehingga akan cenderung memilih pohon tersebut untuk perkiraan, tetapi pohon ini cukup komplek dalam menggambarkan struktur data. Sehingga perlu dipilih pohon optimal yang lebih sederhana, tetapi memiliki kesalahan pengklasifikasian yang cukup kecil (Kardiana, 2006). Menurut Breiman et al. (1993), salah satu cara mendapatkan pohon optimum yaitu dengan pemangkasan (pruning). Pemangkas berturut-turut memangkas pohon bagian yang kurang penting. Tingkat kepentingan sebuah pohon bagian diukur berdasarkan ukuran cost-complexity pruning. Pohon maksimum dapat berubah menjadi kompleksitas yang sangat tinggi dan terdiri dari ratusan tingkat. Oleh karena itu, pohon tersebut harus dioptimalkan sebelum digunakan untuk klasifikasi dari data baru. Optimasi pohon berarti memilih ukuran pohon yang tepat (Timofeev, 2004). 2.3. Data Penelitian dan Tahapan Analisis Data diperoleh dengan cara mengajukan kuisioner kepada responden dalam bentuk soft copy dan hard copy. Sebagian besar kuisioner dikirimkan melalui email responden. Masing-masing responden diminta untuk mengisi kuisioner berdasarkan pengalaman pribadi yang dialami ketika penyusunan tugas akhir. Objek penelitian adalah lulusan dari empat jurusan di FMIPA Universitas Syiah Kuala angkatan 2004 sampai 2008, yaitu jurusan Matematika, Fisika, Kimia, dan Biologi.
10
Biastatistics Vol 10, No.1, Februari 2016
Tabel 1. menjelaskan keterangan serta tipe variabel yang digunakan pada penelitian ini. Tabel 1. Deskripsi variabel penjelas karakteristik dosen pembimbing Variabel Keterangan Y Kualitas tugas akhir (nilai sidang) X1
Waktu (pembimbing)
X2
Kehadiran (pembimbing)
X3
Motivasi (dari pembimbing)
X4
Penentuan tema (dari pembimbing)
X5
Penyusunan
X6
Penilaian objektif
X7
Pemahaman materi
X8
Pengoreksian
X9
Perbaikan makalah
X10 X11 X12 X13 X14
Kekonsistenan sikap pembimbing Jadwal berkala Koordinasi pembimbing Kesepakatan pembimbing Deadline
X15
Persiapan seminar dan sidang
X16
Kuliah dengan pembimbing
Kategori 1 = A ; 2 = B+; 3 = B;4 = C+ 1 = Banyak; 2 = Cukup; 3 = Sedikit 1 = Tepat waktu; 2 = Kurang tepat waktu 1 = Baik; 2 = Cukup; 3 = Kurang 1 = Tidak; 2 = Ya 1 = Baik; 2 = Cukup 3 = Kurang 1 = Baik; 2 = Cukup 3 = Kurang 1 = Baik; 2 = Cukup 3 = Kurang 1 = Baik; 2 = Cukup 3 = Kurang 1 = Baik; 2 = Cukup 3 = Kurang 1 = Ya; 2 = Tidak 1 = Ya; 2 = Tidak 1 = Baik; 2 = Kurang 1 = Tidak; 2 = Ya 1 = Tidak; 2 = Ya 1 = Baik; 2 = Cukup 3 = Kurang 1 = Ya 2 = Tidak
Adapun analisis data dilakukan melalui seharangkaian tahapan, yaitu: 1. 2.
3.
Melakukan analisa statistika deskriptif. Menganalisa pohon klasifikasi dengan metode CART untuk mengidentifikasi variabel karakteristik dosen pembimbing yang mempengaruhi kualitas tugas akhir mahasiswa FMIPA Universitas Syiah Kuala. HASIL DAN PEMBAHASAN
3.1. Karakteristik Responden Kuisioner dikirimkan kepada 490 responden. Dari 490 kuisioner yang dibagikan, terdapat 11,43% (56 kuisioner) yang diisi dan dikembalikan dari jumlah total kuisioner yang dikirimkan. Responden dikelompokkan ke dalam empat kategori, yaitu kategori I dengan nilai sidang A, kategori II dengan nilai sidang B+, kategori III dengan nilai sidang B, dan kategori IV dengan nilai sidang C+.
Biastatistics Vol 10, No.1, Februari 2016
11
Tabel 2. Kategori nilai sidang mahasiswa Kelompok I II II IV
Nilai sidang A (Istimewa) B+ (Amat baik) B (Baik) C+ (Sedang)
Skor ≥ 85 75 - < 85 65 - < 75 55 - < 65
Secara visual dapat dilihat pada Gambar 1.
0% 7% A B+
48%
B
45%
C+
Gambar 1. Persentase kategori nilai sidang mahasiswa Dari gambar 1 terlihat bahwa 27 orang mahasiswa (48%) mendapat nilai sidang A, 25 orang mahasiswa (45%) mendapat nilai sidang B+, dan 4 orang mahasiswa (7%) mendapat nilai sidang B. Sedangkan tidak ada mahasiswa (0%) yang mendapat nilai sidang C+. 3.2. Metode Classification and Regression Trees (CART) 3.2.1
Data asli
Data hasil pengisian kuisioner oleh responden yang berjumlah 56 dianalisis dengan menggunakan metode CART. Hasil analisis dari data tersebut memiliki nilai keakuratan klasifikasi sebesar 48,2% dan hanya menghasilkan satu simpul saja dan tidak ada variabel penjelas yang berpengaruh terhadap variabel respon. Kemudian dilakukan pembangkitan data dengan cara penggandaan data untuk menjaga kekonsistenan jawaban responden. 4.2.2. Data bangkitan Data asli yang berjumlah 56 dibangkitkan dengan penggandaan sebanyak 7, 9, dan 18 kali sehingga masing-masing menghasilkan data sejumlah 392, 504, dan 1008. Penggandaan data dilakukan untuk menghasilkan hasil analisis yang dapat diinterpretasikan. Berdasarkan hasil analisis pada data yang berjumlah 392, terdapat satu variabel penjelas yang mempengaruhi variabel respon dan hanya menghasilkan tiga simpul dengan nilai keakuratan klasifikasi sebesar 64,3%. Data sejumlah 502 menghasilkan 6 simpul dan memiliki nilai keakuratan klasifikasi sebesar 69,6% dengan tiga variabel penjelas yang berpengaruh. Sehingga informasi yang diperoleh dari hasil analisis sangat terbatas. Data yang berjumlah 1008 menghasilkan 10 simpul dan memiliki nilai keakuratan klasifikasi sebesar 73,2%. Hasil
12
Biastatistics Vol 10, No.1, Februari 2016
analisis data yang berjumlah 1008 menunjukkan bahwa terdapat lima variabel penjelas yang berpengaruh terhadap variabel respon. Hasil analisis pada data tersebut memberikan informasi yang lebih banyak untuk diinterpretasikan. Penjelasan hasil pohon klasifikasi dari data yang berjumlah 392 disajikan dalam Tabel 3. Tabel 3. Segmentasi hasil peran pembimbing dalam penyusunan TA pada data 392 Segmen Segmen 1 (node 0-1)
Keterangan Nilai sidang dengan peran pembimbing dalam mengoreksi kesalahan penulisan dan format penyusunan tugas akhir dengan kategori baik. Nilai sidang dengan peran pembimbing dalam mengoreksi kesalahan penulisan dan format penyusunan tugas akhir dengan kategori cukup dan kurang.
Segmen 2 (node 0-2)
Tabel 4. menunjukkan persentase dan jumlah mahasiswa untuk setiap kategori nilai sidang untuk masing-masing segmen yang dijelaskan pada Tabel 3. Tabel 4. Persentase dan jumlah mahasiswa berdasarkan nilai sidang pada data 392 Jumlah dan persentase mahasiswa berdasarkan nilai sidang
Segmen
A
B+
B
C+
Total
1
182 (57,8%)
105 (33,3%)
28 (8,9%)
0 (0%)
315 (100%)
2
7(9,1%)
70 (90,9%)
0 (0%)
0 (0%)
77 (100%)
Total
189 (48,2%)
175 (44,6%)
28 (7,1%)
0 (0%)
392 (100%)
Berdasarkan Tabel 4. pada segmen 1, diprediksi sebanyak 182 orang mahasiswa mendapat nilai sidang A, 105 orang mahasiswa mendapat nilai sidang B+, dan 28 orang mahasiswa mendapat nilai sidang B. Pada segmen 2, diprediksi sebanyak 7 orang mahasiswa mendapat nilai sidang A, 70 orang mahasiswa mendapat nilai sidang B+ , dan tidak ada mahasiwa yang mendapat nilai sidang B pada segmen 2 dan C+ untuk masingmasing segmen. Penjelasan hasil pohon klasifikasi data yang berjumlah 504 disajikan dalam Tabel 5. Tabel 5. Segmentasi hasil peran pembimbing dalam penyusunan TA pada data 504 Segmen Segmen 1 (node 0-1-3-5)
Segmen 2 (node 0-1-3-6)
Segmen 3 (node 0-1-4)
Keterangan Nilai sidang dengan peran pembimbing dalam mengoreksi kesalahan penulisan dan format penyusunan tugas akhir dengan kategori baik dan motivasi yang baik dari pembimbing dalam menyelesaikan tugas akhir dengan cepat serta tema yang berasal dari pembimbing. Nilai sidang dengan peran pembimbing dalam mengoreksi kesalahan penulisan dan format penyusunan tugas akhir dengan kategori baik dan motivasi yang baik dari pembimbing dalam menyelesaikan tugas akhir dengan cepat serta tema yang tidak berasal dari pembimbing. Nilai sidang dengan peran pembimbing dalam mengoreksi kesalahan penulisan dan format penyusunan tugas akhir dengan kategori baik dan motivasi yang cukup dan kurang dari pembimbing dalam menyelesaikan tugas akhir dengan cepat.
Biastatistics Vol 10, No.1, Februari 2016
13
Segmen
Keterangan
Nilai sidang dengan peran pembimbing dalam mengoreksi kesalahan penulisan dan format penyusunan tugas akhir dengan kategori cukup dan kurang.
Segmen 4 (node 0-2)
Tabel 6. menunjukkan persentase dan jumlah mahasiswa untuk setiap kategori nilai sidang untuk masing-masing segmen pada Tabel 5. Tabel 6. Persentase dan jumlah mahasiswa berdasarkan nilai sidang pada data 504 Jumlah dan persentase mahasiswa berdasarkan nilai siding
Segmen
A
B+
B
C+
Total
1
153 (58,6%)
90 (34,5%)
18 (6,9%)
0 (0%)
261 (100%)
2
72 (88,9^)
9 (11,1%)
0 (0%)
0 (0%)
81 (100%)
3
9 (14,3%)
36 (57,1%)
18 (28,6%)
0 (0%)
63 (100%)
4
9 (9,1%)
90 (90,9%)
0 (0%)
0 (0%)
99 (100%)
Total
243 (48,2%)
225 (44,6%)
36 (7,1%)
0 (0%)
504 (100%)
Berdasarkan hasil pengklasisfikasian pada tabel 11 dapat dikatakan bahwa mahasiswa yang mendapat nilai sidang A terbanyak terdapat pada segmen 1, yaitu mahasiswa dengan peran pembimbing dalam mengoreksi kesalahan penulisan dan format penyusunan tugas akhir dengan kategori baik dan motivasi yang baik dari pembimbing dalam menyelesaikan tugas akhir dengan cepat serta tema yang berasal dari pembimbing, yaitu sebanyak 153 orang. Segmen dengan nilai sidang kategori A paling sedikit merupakan segmen 3 dan 4, yaitu mahasiswa dengan peran pembimbing dalam mengoreksi kesalahan penulisan dan format penyusunan tugas akhir dengan kategori baik dan motivasi yang cukup dan kurang dari pembimbing dalam menyelesaikan tugas akhir dengan cepat dan mahasiswa dengan peran pembimbing dalam mengoreksi kesalahan penulisan dan format penyusunan tugas akhir dengan kategori cukup dan kurang, yaitu sebanyak 9 orang untuk masing-masing segmen. Penjelasan hasil pohon klasifikasi data berjumlah 1008 disajikan dalam Tabel 7. Tabel 7. Segmentasi hasil peran pembimbing dalam penyusunan TA pada data 1008 Segmen Segmen 1 (node 0-1-3-5)
Segmen 2 (node 0-1-3-6-9)
Segmen 3 (node 0-1-3-6-10)
14
Keterangan Nilai sidang dengan peran pembimbing dalam mengoreksi kesalahan penulisan dan format penyusunan tugas akhir dengan kategori baik dan motivasi yang baik dari pembimbing dalam menyelesaikan tugas akhir dengan cepat serta tema yang berasal dari pembimbing. Nilai sidang dengan peran pembimbing dalam mengoreksi kesalahan penulisan dan format penyusunan tugas akhir dengan kategori baik dan motivasi yang baik dari pembimbing dalam menyelesaikan tugas akhir dengan cepat dan tema yang tidak berasal dari pembimbing serta seringnya terjadi perbedaan pendapat antar pembimbing. Nilai sidang dengan peran pembimbing dalam mengoreksi kesalahan penulisan dan format penyusunan tugas akhir dengan kategori baik dan motivasi yang baik dari pembimbing dalam menyelesaikan tugas akhir dengan cepat dan tema yang tidak berasal dari pembimbing serta tidak seringnya terjadi perbedaan pendapat antar pembimbing.
Biastatistics Vol 10, No.1, Februari 2016
Segmen
Keterangan Nilai sidang dengan peran pembimbing dalam mengoreksi kesalahan penulisan dan format penyusunan tugas akhir dengan kategori baik dan motivasi yang cukup dan kurang dari pembimbing dalam menyelesaikan tugas akhir dengan cepat serta peran pembimbing terhadap persiapan seminar dan sidang dengan kategori baik. Nilai sidang dengan peran pembimbing dalam mengoreksi kesalahan penulisan dan format penyusunan tugas akhir dengan kategori baik dan motivasi yang cukup dan kurang dari pembimbing dalam menyelesaikan tugas akhir dengan cepat serta peran pembimbing terhadap persiapan seminar dan sidang dengan kategori cukup dan kurang. Nilai sidang dengan peran pembimbing dalam mengoreksi kesalahan penulisan dan format penyusunan tugas akhir dengan kategori cukup dan kurang.
Segmen 4 (node 0-1-4-7)
Segmen 5 (node 0-1-4-8)
Segmen 6 (node 0-2)
Tabel 8. menunjukkan persentase dan jumlah mahasiswa untuk setiap kategori nilai sidang untuk masing-masing segmen pada Tabel 7. Tabel 8. Persentase dan jumlah mahasiswa berdasarkan nilai sidang pada data1008 Segmen
Jumlah dan persentase mahasiswa berdasarkan nilai siding A
B+
B
C+
Total
1
306 (58,6%)
180 (34,5%)
36 (6,9%)
0 (0%)
522 (100%)
2
72 (100%)
0 (0%)
0 (0%)
0 (0%)
72 (100%)
3
72 (80%)
18 (20%)
0 (0%)
0 (0%)
90 (100%)
4
0 (0%)
72 (100%)
0 (0%)
0 (0%)
72 (100%)
5
18 (33,3%)
0 (0%)
36 (66,7%)
0 (0%)
54 (100%)
6
18 (9,1%)
180 (90,9%)
0 (0%)
0 (0%)
198 (100%)
Total
486 (48,2%)
450 (44,6%)
72 (7,157 %)
0 (0%)
1008 (100%)
Berdasarkan Tabel 8 dapat dikatakan bahwa jumlah mahasiswa dengan nilai sidang kategori A tertinggi terdapat pada segmen 1, yaitu mahasiswa dengan peran pembimbing dalam mengoreksi kesalahan penulisan dan format penyusunan tugas akhir dengan kategori baik dan motivasi yang baik dari pembimbing dalam menyelesaikan tugas akhir dengan cepat, serta tema yang berasal dari pembimbing, yaitu sebanyak 306 orang. Segmen yang tidak mendapat nilai sidang A merupakan segmen 4, yaitu mahasiswa dengan peran pembimbing dalam mengoreksi kesalahan penulisan dan format penyusunan tugas akhir dengan kategori baik dan motivasi yang cukup dan kurang dari pembimbing dalam menyelesaikan tugas akhir dengan cepat serta peran pembimbing terhadap persiapan seminar dan sidang dengan kategori baik. Pohon klasifikasi yang terbentuk berdasarkan data asli yang berjumlah 56 tidak menghasilkan variabel penjelas yang berpengaruh terhadap nilai sidang. Variabel penjelas yang berpengaruh terhadap nilai sidang mulai terlihat pada data yang berjumlah 392, yaitu variabel pengoreksian. Pohon klasifikasi dengan jumlah data 504 menghasilkan 3 variabel yang berpengaruh terhadap nilai sidang yaitu variabel pengoreksian, motivasi, dan penentuan tema. Pohon klasifikasi yang dihasilkan dari data dengan jumlah 1008 mengidentifikasi lebih banyak variabel penjelas yang berpengaruh terhadap nilai sidang yaitu pengoreksian, motivasi, penentuan tema, persiapan seminar dan sidang, dan
Biastatistics Vol 10, No.1, Februari 2016
15
kesepakatan pembimbing. Berdasarkan keempat pohon klasifikasi terlihat bahwa variabel penjelas yang paling dominan dan konsisten berpengaruh terhadap variabel respon adalah pengoreksian. 4.
SIMPULAN DAN SARAN
4.1. Simpulan Analisis menggunakan pohon klasifikasi berdasarkan metode CART menunjukkan prediksi dari karakteristik dosen pembimbing yang dominan dan paling berpengaruh terhadap kualitas tugas akhir mahasiswa FMIPA Unsyiah adalah adalah peran pembimbing dalam mengoreksi kesalahan penulisan dan format laporan. 4.2. Saran Dapat menjadi bahan pertimbangan bagi mahasiswa dan dosen pembimbing dalam penyusunan tugas akhir dengan memperhatikan variabel-variabel yang berpengaruh untuk menghasilkan tugas akhir dengan mutu dan kualitas yang baik. Ucapan Terima Kasih Penulis mengucapkan terima kasih kepada alumni FMIPA periode 2004-2008 yang telah bersedia meluangkan waktu untuk melakukan pengisian kuesioner. 5.
DAFTAR PUSTAKA
Breiman et al. Classification and Regression Trees. Champan and Hall, New York.( 1993). Dewi, Y.S. Penerapan Metode Regresi Berstruktur Pohon Pada Pendugaan Lama Studi Mahasiswa Menggunakan Paket Program R. Jurnal Ilmu Dasar Vol. 8 No. 1. (2007). Hardle, W., and L. Simar. Applied Multivariate Statistical Analysis. 2nd edition. Springer, New York. (2007). Hill T, and Lewicki P. Statistic Methods And Aplications. Statsoft press Inc, USA. (2006). Kardiana, A., dkk. Metode Klasifikasi Berstruktur Pohon Biner (Studi Kasus Pada Prakiraan Sifat Hujan Bulanan di Bogor). Seminar Nasional Aplikasi Teknologi Informasi (SNATI). (2006). Komalasari, W. B. Metode Pohon Regresi Untuk Eksploratori Data Dengan Peubah Yang Banyak Dan Kompleks. Informatika Pertanian Vol. 16 No.1. (2007). Tim Penyusun. Panduan Tugas Akhir Dan Kuliah Kerja Praktik. Banda Aceh. (2010). Timofeev, R. Classification And Regression Trees (CART) Theory And Applications. CASE Center of Applied Statistics and Economics Humboldt University, Berlin. (2004). Wiyatmo, Y., dkk. Efektivitas Bimbingan Tugas Akhir Skripsi (TAS) Mahasiswa Jurusan Pendidikan Fisika FMIPA UNY. Prosiding Seminar Nasional Penelitian, pendidikan dan penerapan MIPA, FMIPA UNY. (2010).
16
Biastatistics Vol 10, No.1, Februari 2016
