PENGKAJIAN PEMBENTUKAN MODEL KLASIFIKASI DALAM PENGELOMPOKKAN JURUSAN SISWA DI SMA (Studi Kasus : Siswa SMA Negeri Siau Timur Kabupaten Siau Tagulandang Biaro Propinsi Sulawesi Utara)
NELDA PONTO
SEKOLAH PASCASARJANA INSTITUT PERTANIAN BOGOR BOGOR 2012
PERNYATAAN MENGENAI TESIS DAN SUMBER INFORMASI Dengan ini saya menyatakaan bahwa tesis Pengkajian Pembentukan Model Klasifikasi dalam Pengelompokkan Jurusan Siswa di SMA (Studi Kasus : Siswa SMA Negeri Siau Timur kabupaten Siau Tagulandang Biaro Propinsi Sulawesi Utara) adalah karya saya dengan arahan dari komisi pembimbing dan belum diajukan dalam bentuk apa pun kepada perguruan tinggi mana pun. Sumber informasi yang berasal atau dikutip dari karya yang diterbitkan maupun tidak diterbitkan dari penulis lain telah disebutkan dalam teks dan dicantumkan dalam Daftar Pustaka di bagian akhir tesis ini.
Bogor, Agustus 2012
Nelda Ponto NIM G152100041
ABSTRACT NELDA PONTO. Assessment of the Formation of the Classification Model in Student of Senior High School Grouping (Case Study : The students of State Senior High School East Siau, Siau Tagulandang Biaro Regency, North Sulawesi). Supervised by I MADE SUMERTAJAYA and YENNI ANGRAINI. Modeling that involve categorical response variables give important role in the classification problem. Statistical analysis is applied to solve this problem are discriminant analysis and multinomial logistic regression. Implementation of both methods against student of senior high school of East Siau data produce multinomial logistic regression as best method for classify the students into Scicence Program, Social Program, and Language Program. Classification accuracy of model from resampling is 88.1% and of model validation from Tagulandang Senior High School is 70.6%. The variables give significantly effect in classification students to Science Program or Language Program are Mathematics, English, Chemistry, and German, whereas, classification students into Social Program or Language Program are Economy, English, German, and History. Keywords: discriminant analysis, classification, multinomial logistic regression
RINGKASAN NELDA PONTO. Pengkajian Pembentukan Model Klasifikasi dalam Pengelompokkan Jurusan Siswa di SMA (Studi Kasus : Siswa SMA Negeri Siau Timur Kabupaten Siau Tagulandang Biaro Sulawesi Utara). Dibimbing oleh I MADE SUMERTAJAYA dan YENNI ANGRAINI. SMA merupakan jenjang pendidikan menengah yang mengutamakan penyiapan siswa untuk melanjutkan pendidikan yang lebih tinggi dengan pengkhususan. Perwujudan pengkhususan tersebut berupa diselenggarakan penjurusan di kelas XI yakni, penjurusan pada Ilmu Pengetahuan Alam (IPA), Ilmu Pengetahuan Sosial (IPS), dan Bahasa. Program penjurusan pada dasarnya dilakukan untuk membantu para siswa sehingga mereka dapat belajar dengan baik sesuai dengan minat, dan bakatnya. Siswa dalam kegiatan pembelajaran tidak dapat disamakan, dengan demikian setiap siswa sebaiknya ditempatkan pada situasi belajar mengajar yang tepat sesuai dengan kemampuannya masing-masing. Kekurangtepatan dalam penempatan jurusan siswa dapat mengakibatkan prestasi belajar siswa rendah. Model statistika yang dapat digunakan untuk pengklasifikasian objek dengan melibatkan peubah tak bebas kategori dengan sejumlah peubah bebas kontinu adalah analisis diskriminan dan regresi logistik multinomial. Analisis diskriminan adalah teknik statistika yang dipergunakan untuk mengklasifikasikan objek kedalam kelompok berdasarkan sekumpulan peubah-peubah bebas. Analisis diskriminan juga merupakan suatu analisis dengan tujuan membentuk sejumlah fungsi melalui kombinasi linier peubah-peubah asal, yang dapat digunakan sebagai cara terbaik untuk memisahkan kelompok-kelompok individu. Sedangkan regresi logistik multinomial digunakan untuk memodelkan hubungan antara peubah respon dengan kategori lebih dari dua (polytomous) dengan peubah penjelas kategorik dan atau kontinu. Melalui metode regresi logistik multinomial akan dihasilkan peluang dari masing-masing kategori respon yang akan dijadikan sebagai pedoman pengklasifikasian suatu pengamatan akan masuk dalam respon kategori tertentu berdasarkan nilai peluang terbesar. Tujuan utama yang ingin dicapai dalam penelitian ini, yaitu (1) menerapkan metode analisis diskriminan dan multinomial logistik untuk klasifikasi, (2) mengevaluasi peubah yang konsisten muncul dari metode analisis diskriminan dan multinomial logistik dengan teknik resampling. Data yang digunakan adalah data sekunder dari dua SMA Negeri di Kabupaten Sitaro yaitu SMA Negeri Tagulandang dan SMA Negeri Siau Timur. Data SMA Negeri Siau Timur digunakan untuk pemodelan, sedangkan yang digunakan untuk validasi model adalah data SMA Negeri Tagulandang. Peubah-peubah yang diamati dalam penelitian ini terdiri 14 peubah numerik, yaitu rataan nilai mata pelajaran Agama, PPKn, Bahasa Indonesia, Bahasa Inggris, Matematika, Fisika, Biologi, Kimia, Sejarah, Geografi, Ekonomi, Sosiologi, TIK, Bahasa Jerman serta 6 peubah kategorik, yaitu : jenis kelamin, pendidikan ayah, pendidikan ibu, pekerjaan ibu, pekerjaan ayah, pendapatan. Hasil yang diperoleh dalam penelitian ini menunjukkan bahwa tingkat ketepatan prediksi model dengan analisis diskriminan secara keseluruhan adalah sebesar 76.2 persen. Sedangkan tingkat ketepatan prediksi model dengan regresi
logistik multinomial secara keseluruhan adalah sebesar 83.7 persen. Resampling 30 kali menghasilkan metode terbaik adalah regresi logistik multinomial dengan tingkat ketepatan klasifikasi adalah sebesar 88.1%. Untuk mengelompokkan siswa kedalam jurusan IPA dipengaruhi oleh mata pelajaran Agama, Matematika, Bahasa Inggris, Kimia, Bahasa Jerman dan Pendidikan ayah. Pengelompokkan siswa kedalam jurusan IPS dipengaruhi oleh Bahasa Inggris, Biologi, Sejarah, Geografi, Ekonomi, Bahasa Jerman, dan Jenis kelamin. Validasi model dari SMA Negeri Tagulandang memberikan ketepatan klasifikasi sebesar 70.6%.
Β© Hak Cipta milik IPB, tahun 2012 Hak Cipta dilindungi Undang-Undang
1. Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan atau menyebutkan sumber. a. Pengutipan hanya untuk kepentingan pendidikan, penelitian, penulisan karya ilmiah, penyusunan laporan, penulisan kritik, atau tinjauan suatu masalah b. Pengutipan tidak merugikan kepentingan yang wajar bagi IPB 2. Dilarang mengumumkan dan memperbanyak sebagian atau seluruh Karya tulis dalam bentuk apa pun tanpa izin IPB
PENGKAJIAN PEMBENTUKAN MODEL KLASIFIKASI DALAM PENGELOMPOKKAN JURUSAN SISWA DI SMA (Studi Kasus : Siswa SMA Negeri Siau Timur Kabupaten Siau Tagulandang Biaro Propinsi Sulawesi Utara)
NELDA PONTO
Tesis Sebagai salah satu syarat untuk memperoleh gelar Magister Sains pada Program Studi Statistika Terapan
SEKOLAH PASCASARJANA INSTITUT PERTANIAN BOGOR BOGOR 2012
Penguji Luar Komisi pada Ujian Tesis: Dr. Ir. Asep Saefuddin, M.Sc.
Judul Tesis
: Pengkajian Pembentukan Model Klasifikasi dalam Pengelompokkan Jurusan Siswa di SMA (Studi Kasus: Siswa SMA Negeri Siau Timur Kabupaten Siau Tagulandang Biaro Propinsi Sulawesi Utara)
Nama
: Nelda Ponto
NRP
: G152100041
Disetujui Komisi Pembimbing
Dr. Ir. I Made Sumertajaya, M.Si Ketua
Yenni Angraini, M.Si Anggota
Diketahui,
Ketua Program Studi Statistika
Dekan Sekolah Pascasarjana
Dr. Ir. Anik Djuraidah, M.S
Dr. Ir. Dahrul Syah, M.Sc.Agr
Tanggal Ujian: 8 Agustus 2012
Tanggal Lulus:
PRAKATA Puji syukur penulis panjatkan kepada Tuhan Yang Maha Kuasa, atas kasih dan karunia-Nya sehingga karya ilmiah ini dapat diselesaikan. Judul karya ilmiah ini adalah βPengkajian Pembentukan Model Klasifikasi dalam pengelompokkan Jurusan Siswa di SMA (Studi Kasus: Siswa SMA Negeri Siau Timur Kabupaten Siau Tagulandang Biaro Propinsi Sulawesi Utara)β. Terima kasih penulis ucapkan kepada Bapak Dr. Ir. I Made Sumertajaya, M.Si selaku ketua komisi pembimbing dan Ibu Yenni Angraini, M.Si selaku anggota komisi pembimbing yang telah banyak memberi saran. Disamping itu, penulis juga mengucapkan terima kasih kepada bapak Dr. Ir. Asep Saefuddin, M.Sc selaku penguji luar komisi pada ujian tesis, serta seluruh staf Program Studi Statistika. Ungkapan terima kasih juga disampaikan kepada papa (Ferry Ponto), mama (Magdalena. Togelang), kakak-kakakku (Drs. H. Malendes dan T. Ponto, S.Pd), serta seluruh keluarga atas doa, dukungan dan kasih sayangnya. Terima kasih pula kepada teman-teman Statistika dan Statistika Terapan angkatan 2010, 2011 baik S2 maupun S3 atas bantuan dan kebersamaannya selama ini. Semoga karya ilmiah ini dapat bermanfaat.
Bogor, Agustus 2012
Nelda Ponto
RIWAYAT HIDUP Penulis dilahirkan di Tulusan pada tanggal 17 maret 1979 dari ayah Ferry Ponto dan ibu Magdalena Togelang. Penulis merupakan putri bungsu dari ketiga bersaudara. Penulis lulus Sekolah Menengah Atas (SMA) Tahun 1997 selanjutnya pada Tahun 1998 di terima sebagai mahasiswa jurusan matematika FMIPA, Universitas Negeri Manado (UNIMA). Penulis memperoleh gelar sarjana pendidikan tahun 2003. Pada tahun 2005 penulis diangkat menjadi staf pengajar di SMA Negeri Tagulandang dan tahun 2009 dipindahkan ke SMA Negeri Siau Timur. Selanjutnya pada Tahun 2010 penulis diterima di Program Studi Statistika Terapan pada Sekolah Pascasarjana IPB.
DAFTAR ISI Halaman DAFTAR TABEL .......................................................................................
xii
DAFTAR GAMBAR ..................................................................................
xiii
DAFTAR LAMPIRAN ...............................................................................
xiv
PENDAHULUAN ................................................................................... Latar Belakang ................................................................................... Tujuan Penelitian .............................................................................
1 1 3
TINJAUAN PUSTAKA ............................................................................. Analisis Diskriminan ......................................................................... Pembentukan Fungsi Diskriminan..................................................... Regresi Logistik Multinomial ............................................................ Pengujian Kesesuian Model .............................................................. Pereduksian Peubah ........................................................................... Interpretasi Koefisien.........................................................................
5 5 6 9 10 11 12
METODOLOGI .......................................................................................... Data Penelitian ................................................................................... Metode Analisis .................................................................................
13 13 13
HASIL DAN PEMBAHASAN ................................................................... Karakteristik Siswa ............................................................................ Deskripsi Nilai Rapor Menurut Program Studi ................................. Analisis Diskriminan ......................................................................... Analisis Regresi Logistik Multinomial.............................................. Pembangunan Analisis Model Analisis Diskriminan dan Logistik Multinomial dari Hasil Resampling ................................................... Perbandingan Hasil Klasifikasi Analisis Dsikriminan dan Logistik Multinomial ....................................................................................... Penerapan Model Logistik Multinomial ............................................
17 17 19 20 23
SIMPULAN DAN SARAN ........................................................................ Simpulan ............................................................................................ Saran ..................................................................................................
31 31 31
DAFTAR PUSTAKA .................................................................................
33
LAMPIRAN ................................................................................................
35
25 28 29
DAFTAR TABEL Halaman 1 Peubah-peubah yang diamati................................................................
13
2 Distribusi siswa berdasarkan pendidikan orang tua .............................
18
3 Nilai rata-rata rapor dan simpangan baku berdasarkan program studi ........................................................................................
19
4 Nilai-p regresi linier tiap kategori ........................................................
20
5 Koefisien fungsi diskriminan ...............................................................
21
6 Nilai rata-rata kelompok .......................................................................
22
7 Hasil klasifikasi analisis diskriminan ...................................................
22
8 Analisis logistik multinomial hasil eliminasi langkah mundur ............
23
9 Hasil prediksi logistik multinomial .....................................................
24
10 Fungsi diskriminan ...............................................................................
24
11 Hasil klasifikasi analisis diskriminan ...................................................
26
12 Hasil dugaan parameter logistik multinomial.......................................
27
13 Ketepatan klasifikasi model logistik multinomial ................................
26
14 Ketepatan klasifikasi ............................................................................
28
15 Ilustrasi data siswa ................................................................................
29
16 Hasil ketepatan validasi model .............................................................
30
DAFTAR GAMBAR Halaman 1 Distribusi siswa berdasarkan jurusan ......................................................
17
2 Distribusi siswa berdasarkan jenis kelamin .............................................
17
3 Distribusi siswa berdasarkan pekerjaan orang tua ...................................
18
DAFTAR LAMPIRAN Halaman 1 Pengkodean peubah penjelas kategorik ...............................................
37
2 Hasil analisis logistik multinomial dengan model penuh ....................
38
3 Hasil uji asumsi kenormalan ganda .....................................................
39
4 Akar ciri masing-masing fungsi diskriminan ......................................
41
5 Pengujian Wilksβ Lambda ....................................................................
41
6 Peubah-peubah digunakan dalam analisis diskriminan .......................
41
7 Jumlah signifikansi peubah-peubah pada analisis logistik multinomial yang dihasilkan dari proses resampling ...............................................
42
8 Jumlah signifikansi peubah-peubah pada analisis diskriminan yang dihasilkan dari proses resampling ........................................................
42
9 Pengklasifikasian objek ke dalam kelompok .......................................
43
10 Korelasi antar mata pelajaran ...............................................................
52
PENDAHULUAN Latar Belakang Sekolah Menengah Atas (SMA) merupakan jenjang pendidikan menengah yang mengutamakan penyiapan siswa untuk melanjutkan pendidikan yang lebih tinggi dengan pengkhususan (Depdiknas 2004). Perwujudan pengkhususan tersebut berupa penjurusan. Penjurusan dilakukan pada saat memasuki kelas XI yakni, penjurusan pada Ilmu Pengetahuan Alam (IPA), Ilmu Pengetahuan Sosial (IPS) dan Bahasa. Penjurusan merupakan upaya strategis dalam memberikan fasilitas kepada siswa untuk menyalurkan bakat, minat dan kemampuan yang dimilikinya yang dianggap paling potensial untuk dikembangkan secara optimal. Sehubungan dengan hal tersebut, maka siswa yang mempunyai kemampuan sains dan ilmu eksakta yang baik biasanya akan memilih jurusan IPA, dan yang memiliki minat pada sosial dan ekonomi akan memilih jurusan IPS, sedangkan yang gemar berbahasa akan memilih jurusan Bahasa (Murniramli 2008). Dengan demikian, karakteristik suatu ilmu menuntut karakteristik yang sama dari yang mempelajarinya. Siswa yang mempelajari suatu ilmu yang sesuai dengan karakteristik kepribadiannya atau minat terhadap suatu ilmu tertentu akan merasa senang ketika mempelajarinya serta faktor kepribadian mempengaruhi secara positif prestasi akademik. Oleh karena itu, penjurusan bukan masalah kecerdasan tetapi juga masalah minat dan bakat siswa (Snow 1986). Andanawari (2010) menyatakan bahwa minat merupakan suatu keinginan yang cenderung menetap pada diri seseorang untuk mengarahkan pada suatu pilihan tertentu sebagai kebutuhannya, kemudian dilanjutkan untuk diwujudkan dalam tindakan yang
nyata dengan adanya perhatian pada obyek yang
diinginkannya itu untuk mencari informasi sebagai wawasan bagi dirinya. Menurut UU Nomor 20 tahun 2003, peserta didik berhak mendapatkan pelayanan pendidikan sesuai dengan bakat, minat, dan kemampuannya, sehingga menempatkan siswa pada jurusan tertentu secara tepat berarti memberikan peluang kepada siswa untuk dapat berhasil pada masa yang akan datang. Menurut Subiyanto
(1988)
kekurangtepatan
dalam
penempatan
jurusan
dapat
mengakibatkan prestasi belajar rendah. Hal ini disebabkan karena adanya perbedaan individual antara siswa disekolah yaitu, meliputi perbedaan kemampuan kognitif, motivasi berprestasi, minat dan kreativitas dan dengan adanya perbedaan individu tersebut, maka fungsi pendidikan tidak hanya dalam proses belajar mengajar tetapi meliputi bimbingan konseling, pemilihan dan penetapan siswa sesuai dengan kapasitas individual yang dimiliki (Snow 1986). Agar kesalahan dalam pemilihan dan penetapan jurusan di SMA dapat diminimalisasi maka perlu ada upaya dalam mencari model yang terbaik. Beberapa analisis statistik telah banyak dikembangkan untuk membantu menyelesaikan masalah-masalah dalam bidang pendidikan, di antaranya adalah analisis regresi logistik, analisis diskriminan, pohon klasifikasi dan Artificial Neural Network (ANN). Dalam penelitian ini, analisis yang digunakan adalah analisis diskriminan dan regresi logistik multinomial. Menurut Johnson dan Wichern
(1998), analisis diskriminan digunakan untuk mengklasifikasikan
individu ke dalam salah satu dari dua kelompok atau lebih. Sedangkan regresi logistik multinomial digunakan untuk memodelkan hubungan antara peubah respon dengan kategori lebih dari dua (polytomous) dengan peubah penjelas kategorik dan atau kontinu. Melalui metode regresi logistik multinomial akan dihasilkan peluang dari masing-masing kategori respon yang akan dijadikan sebagai pedoman pengklasifikasian suatu pengamatan akan masuk dalam respon kategori tertentu berdasarkan nilai peluang terbesar (Hosmer DW & Lemeshow S 2000; Gozali 2005). Penelitian tentang analisis diskriminan dan regresi logistik multinomial banyak dilakukan antara lain oleh, Maulias (2009) klasifikasi penjurusan siswa SMK Negeri 1 Tual Maluku dengan pendekatan analisis diskriminan dan regresi logistik multinomial. Metode klasifikasi menggunakan fungsi diskriminan (Purnomo 2003). Berdasarkan uraian di atas, maka dilakukan penelitian untuk pengkajian pembentukan model klasifikasi dalam pengelompokkan jurusan siswa di SMA Negeri Siau Timur. Sebagai peubah respon adalah jurusan yaitu IPA, IPS, dan Bahasa, sedangkan peubah bebas adalah rata-rata nilai rapor kelas X dan data diri siswa.
Tujuan Penelitian Tujuan penelitian ini antara lain : 1.
Menerapkan metode analisis diskriminan dan multinomial logistik untuk klasifikasi.
2.
Mengevaluasi peubah yang konsisten muncul dari metode analisis diskriminan dan multinomial logistik dengan teknik resampling.
TINJAUAN PUSTAKA
Analisis Diskriminan Analisis diskriminan (Discriminant Analysis) adalah salah satu metode analisis multivariat yang bertujuan untuk memisahkan beberapa kelompok data yang sudah terkelompokkan dengan cara membentuk fungsi diskriminan (Johnson & Wichern 1998). Untuk melakukan analisis diskriminan ada dua asumsi yang harus diperhatikan (Dillon dan Goldstein 1984) yaitu : 1.
Sejumlah π peubah bebas menyebar mengikuti sebaran normal ganda.
2.
Matriks peragam berdimensi π Γ π dari peubah-peubah bebas dalam setiap kelompok harus homogen. Uji sebaran normal ganda dapat dilakukan dengan plot khi-kuadrat (Johnson
& Winchern 1998). Setiap vektor pengamatan dihitung jarak Mahalanobisnya dengan persamaan: ππ2 = π₯π β π₯π ππβ1 π₯π β π₯π dimana setiap ππ2 akan menyebar khi-kuadrat dengan p derajat bebas, bila p menyatakan jumlah peubah. Plot khi kuadrat akan memeriksa apakah statistik ππ2 mengikuti sebaran khi kuadrat, yaitu dengan mengurutkan ππ2 dari yang terkecil ke yang terbesar π12 β€ π22 β€ β― β€ ππ2 , kemudian memplotkan ππ2 dengan ππ2 π β 0.5 /π . Tebaran titik-titik yang membentuk garis lurus menunjukkan kesesuaian pola sebaran ππ2 terhadap sebaran khi-kuadrat yang berati data berasal dari sebaran normal. Jika asumsi normal ganda tidak terpenuhi maka dapat digunakan analisis diskriminan logistik sebagai solusinya (Cacoullos 1973). Rencher (2002) menyatakan bahwa uji kehomogenan matriks peragam dilakukan menggunakan uji Boxβ M, statistik uji yang digunakan adalah : π
π= π=1
ππ ππ€
dengan : π£π = ππ β 1 ππ = π ππ€ =
1 π β1
ππ π =1
π π=1 π£π ππ π π£ π=1 π
π₯ππ β π₯π
π‘
π₯ππ β π₯π
π£π/2
Statistik π bernilai antara 0 dan 1, jika nilainya mendekati 0, maka telah cukup bukti untuk menolak Ho pada taraf πΌ atau berarti ada matriks peragam populasi normal ganda yang berbeda sedangkan jika nilainya mendekati 1 berarti belum cukup bukti untuk menolak Ho pada taraf πΌ. Sebaran statistik uji π dapat di dekati dengan sebaran πΉ tahapan pengujiannya (Rencher 2002) adalah: menghitung, π1 =
π2 = serta
π 1 π=1 π£π
π π£ π=1 π
πβ1 πβ2
1 π π=1 π£ 2 π
6 πβ1
1
1βπ1 βπ 1 π 2 π1
π2 =
,
1
β
π2 =
π1 = 2 π β 1 π π β 1 ,
π1 =
2π2 + 3π β1 6 (π+1)(πβ1)
1
β
2 π π=1 π£π
dan
,
π 1 +2 π2 βπ12 1βπ1 β2 π 2 π2
Jika π2 > π12 , πΉ = β2π1 ln π mendekati sebaran πΉπΌ
π 1 ,π 2
dan
Jika π2 < π12 , πΉ = β2π2 π2 ln π π2 1 + 2π2 ln π mendekati sebaran πΉπΌ Untuk kedua kasus tersebut, tolak π»0 jika πΉ > πΉπΌ
π 1 ,π 2
π 1 ,π 2
.
. Jika asumsi
kehomogenan matriks peragam yang tidak terpenuhi maka analisis yang dapat digunakan adalah analisis diskriminan kuadratik ( Gnanadesikan, R. 1977). Pembentukan Fungsi Diskriminan Fungsi diskriminan, menurut Johnson dan Winchern (1998) misalkan terdapat π kelompok populasi dengan masing-masing ukuran contoh ππ , π = 1,2, β¦ , π, vektor peubah acak populasi ke-π adalah ππ = π1 , π2 , β¦ , ππ , dan baris ke-π adalah π₯ππ maka vektor rataan populasi ke-π dapat dinyatakan sebagai berikut: 1 π₯= ππ
ππ
π₯ππ π =1
dan vektor rataan populasi adalah π₯=
π π=1 ππ π₯π π π=1 ππ
=
π π=1
ππ π =1 π₯ππ π π=1 ππ
Misalkan π© matriks peragam antar kelompok, πΎ matriks peragam dalam kelompok, dengan matriks keragaman total π» = πΎ + π©. Fungsi diskriminan
disusun dengan memaksimalkan rasio antara ragam antar kelompok dengan ragam antar kelompok. Jika fungsi diskriminan dinyatakan dengan π¦ = πβ² π maka yang ingin dicari adalah ππ sehingga π =
πβ² π©π πβ² πΎπ
maksimum. Nilai π yang maksimum
merupakan akar ciri terbesar dari matriks πΎβ1 π© dan π merupakan vektor ciri yang sepadan (Sharma 1996). Menurut Dillon dan Goldstein (1984), bila didefinisikan π adalah banyaknya objek dari π kelompok, maka matriks πΎ berukuran π Γ π berasal dari peubah acak π1 , π2 , β¦ , ππ yang bebas linear dengan π β π β₯ π. Sedangkan pangkat matriks π© sama dengan minimum π dan π β 1, maka matriks πΎβ1 π© juga berpangkat min(π, π β 1). Hal ini berarti banyaknya akar ciri yang mungkin diperoleh oleh matriks πΎβ1 π© adalah min(π, π β 1), sehingga banyaknya fungsi diskriminan yang dapat dibangun tergantung pada besaran min(π, π β 1). Peranan relatif suatu fungsi diskriminan ke-π dalam memisahkan anggotaanggota kelompok diukur dari persentase relatif akar ciri yang berhubungan dengan fungsi diskriminan berikut : ππ = dengan
ππ π π =1 ππ
Γ 100%,
π = 1,2, β¦ , π
π = min π, π β 1 .
Semua fungsi diskriminan yang terbentuk perlu diuji untuk mengetahui banyaknya fungsi yang dapat menjelaskan perbedaan peubah-peubah penjelas di antara g kelompok (Dillon & Goldstein 1984). Adapun pengujian fungsi diskriminan dapat dilakukan dengan menggunakan statistik V-Barlett melalui pendekatan khi-kuadrat, sebagai berikut : a). Uji fungsi diskriminan pertama Statistik uji : π1 = π£πΈ β dengan : Ξ1 =
1 π π =1 1+π
π£πΈ = π β π = π£π» = π β 1
1 π β π£π» + 1 ln Ξ1 2
π
π π=1 ππ
βπ
atau dapat ditulis : π1 = π β 1 β
π
1 π + π ln 2
1 + ππ
π =1
Jadi bila π1 < π 2 πΌ,π(πβ1) artinya persentase relatif yang diterangkan oleh fungsi diskriminan pertama bersifat nyata secara statistik. b). Uji fungsi diskriminan ke-π Statistik uji : ππ = π β 1 β Jadi bila ππ < π 2 πΌ, πβπ+1
π
1 π + π ln 2
π =π
1 + ππ
artinya fungsi diskriminan ke-π masih diperlukan
πβ2
untuk menerangkan perbedaan π-peubah diantara π-kelompok. Kriteria masuknya individu kedalam kelompok ke-π (Gaspersz 1992) bila: π
π¦π β π¦ππ
2
π =1
π
π β² ππ
=
π₯ππ β π₯π
2
β² ππ π₯ β π₯π
β€
π =1
2
π =1
dengan : π¦π = Vektor skor diskriminan ke-m dari obyek π¦ππ = Nilai tengah skor diskriminan ke-m dari kelompok ke-i π‘ ππ = Vektor koefisien fungsi diskriminan
π₯ππ = Vektor pengamatan dari objek yang akan dikelompokkan π₯π = Vektor nilai tengah peubah pembeda dari kelompok ke-i π = Banyaknya fungsi diskriminan penggolongan Dari analisis diskriminan ini dapat pula digunakan untuk mencari peubah-peubah asal yang dianggap dominan untuk digunakan dalam membedakan antar kelompok. ππππ π π
merupakan
tes
statistik
untuk
pengklasifikasian fungsi diskriminan (Hair et al.
mengukur
dengan : π = Jumlah contoh total π = Jumlah klasifikasi yang benar π = Jumlah grup/kelompok
dari
1995), statistik π dihitung
dengan : πβ πβπ ππππ π π = π πβ1
kekuatan
2
Statistik π kemudian dibandingkan dengan nilai kritis (nilai khi-kuadrat untuk derajat bebas 1 pada taraf πΌ tertentu). Jika statistik π lebih besar dari nilai kritis berarti persentase hasil klasifikasi yang dihasilkan memiliki kekuatan dalam mengklasifikasikan objek. Dillon dan Goldstein (1984) menyatakan bahwa dalam menentukan peubahpeubah yang dimasukkan kedalam fungsi diskriminan dapat digunakan analisis diskriminan bertahap (stepwise discriminant). Pada analisis ini diawali dengan fungsi tanpa peubah, fungsi yang terbentuk pada setiap tahap diuji nilai F-parsial untuk setiap peubahnya. Peubah yang memilki nilai F terbesar dimasukkan ke dalam fungsi sedangkan peubah yang memiliki nilai F yang kurang dari 1 tidak akan dimasukkan dalam pembentukan fungsi. Proses akan berhenti bila tidak ada lagi peubah yang dimasukkan atau dikeluarkan. Regresi Logistik Multinomial Regresi logistik multinomial merupakan perluasan dari regresi logistik dengan respon biner yang dapat menangani peubah respon dengan kategori lebih dari dua. Hosmer dan Lemeshow (2000) menjelaskan, untuk model regresi dengan peubah respon berskala nominal tiga kategori digunakan kategori peubah hasil Y yang dikode 0, 1, dan 2. Peubah Y terparameterisasi menjadi dua fungsi logit. Sebelumnya perlu ditentukan kategori respon yang digunakan sebagai kategori pembanding terlebih dahulu. Pada umumnya digunakan Y=0 sebagai pembanding. Untuk membentuk fungsi logit, akan dibandingkan Y=1 dan Y=2 terhadap Y=0. Bentuk model regresi yang berupa fungsi peluang dengan p peubah bebas seperti pada persamaan berikut ini: π π₯ =
ππ₯π π½0 + π½1 π₯1 + π½2 π₯2 + β― + π½π π₯π 1 + ππ₯π π½0 + π½1 π₯1 + π½2 π₯2 + β― + π½π π₯π
Transformasi logit akan menghasilkan dua fungsi logit sebagai berikut, dengan menetapkan π₯0 = 1. π1 π₯ = ln
π π=1π₯ π π=0π₯
= π½10 + π½11 π₯1 + π½12 π₯2 + β― + π½1π π₯π = π₯ β² π½1
π2 π₯ = ln
π π=2π₯ π π=0π₯
= π½20 + π½21 π₯1 + π½22 π₯2 + β― + π½2π π₯π = π₯ β² π½2
Berdasarkan kedua fungsi logit tersebut maka didapatkan probabilitas respon atau model regresi logistik multinomial dengan peubah respon berskala nominal tiga kategori sebagai berikut (Hosmer dan Lemeshow, 2000). π0 π₯ = π1 π₯ =
1 1+
ππ₯π π1 π₯
+ ππ₯π π2
ππ₯π π1 π₯ 1 + ππ₯π π1 π₯ + ππ₯π π2
ππ₯π π2 π₯ π2 π₯ = 1 + ππ₯π π1 π₯ + ππ₯π π2
π₯
π₯
π₯
Menurut Hosmer dan Lemeshow (2000), dalam menduga model logit dengan peubah responnya berskala kualitatif, teknik pendugaan parameter yang layak digunakan adalah metode kemungkinan maksimum. Prinsip dari metode kemungkinan maksimum memberikan nilai dugaan parameter suatu fungsi kemungkinan. Fungsi kemungkinan yang ingin dimaksimalkan adalah : π
πΏ π½ =
π(π = π¦π |π₯π ) π=1
dengan π = banyaknya pengamatan Pengujian Kesesuaian Model Pengujian Kesesuaian model dilakukan untuk memeriksa pengaruh peubahpeubah penjelas dalam model. Pengujian dilakukan untuk masing-masing parameter model (π½). Pengujian secara simultan dilakukan dengan menggunakan uji πΊ yaitu uji nisbah kemungkinan (likelihood ratio test). Uji πΊ untuk pengujian parameter π½π dengan hipotesis : π»0 : π½1 = π½2 = β― = π½π = 0 π»1 : πππππππ π ππππ π ππ‘π’ π½π β 0 Statistik uji yang digunakan adalah statistik uji : πΊ = β2 ππ
πΏ0 πΏ1
dengan : πΏ0 = likelihood tanpa peubah bebas πΏ1 = likelihood dengan peubah bebas
Jika H0 benar, statistik πΊ ini mengikuti sebaran π 2 dengan derajat bebas p, Kriteria keputusan yang diambil adalah menolak π»0 jika πΊπππ‘π’ππ β₯ ππΌ2 (π) (Hosmer & Lemeshow 2000). Seandainya π»0 ditolak, maka selanjutnya dilakukan uji Wald untuk menguji parameter π½π secara parsial. Hipotesis yang diujikan adalah : π»0 : π½π = 0 π»1 : π½π β 0, ππππππ π = 1,2, β¦ , π Sedangkan statistik uji Wald sebagai berikut : π=
π½π ππΈ π½π
Statistik uji Wald mengikuti sebaran normal baku, dengan π½π sebagai penduga dan ππΈ π½π sebagai penduga galat baku π½π . Kriteria keputusan adalah menolak π»0 jika π β₯ ππΌ atau nilai π β€ πΌ (Hosmer & Lemeshow 2000). 2
Pereduksian peubah Pereduksian peubah dalam regresi logistik dikenal dengan analisis regresi logistik bertatar (stepwise logistic regression), dimana langkah yang dilakukan adalah menambah atau menghilangkan peubah penjelas satu persatu dari model sampai diperoleh peubah-peubah yang berpengaruh nyata terhadap model (Hosmer & Lemeshow 2000). Stepwise logistic regression terdiri dari seleksi langkag maju dan eliminasi langkah mundur. Metode seleksi langkah maju prosedur dimulai dengan intersep, kemudian peubah penjelas dimasukkan satu persatu ke dalam model dan diuji dengan khikuadrat. Apabila peubah penjelas tidak signifikan atau tidak nyata pada nilai πΌ yang ditentukan, maka peubah tersebut dikeluarkan dari model dan sebaliknya peubah yang nyata atau signifikan akan dimasukkan ke dalam model. Sedangkan dalam metode eliminasi langkah mundur, prosedur dimulai dengan model penuh yaitu memasukkan seluruh peubah penjelas ke dalam model, kemudian diuji satu persatu. Jika ditemukan peubah penjelas yang tidak nyata pada nilai πΌ yang ditentukan maka peubah tersebut dikeluarkan dari model. Pada tiap prosesnya peubah yang memiliki nilai-p yang terbesar akan berakhir ketika peubah penjelas yang berada dalam model memiliki nilai-p kurang dari 0.05. Analisis akan selesai jika tidak ada lagi peubah yang dapat dieliminasi dari model (Garson 2010).
Teknik pereduksian peubah penjelas ini telah tersedia dalam paket pengolahan komputer. Dalam penelitian ini metode pereduksian yang digunakan adalah eliminasi langkah mundur. Interpretasi Koefisien Setelah diperoleh model terbaik, dilakukan interpretasi koefisien yang diperoleh. Rasio odds dapat juga dipergunakan untuk memudahkan interpretasi model. Rasio odds adalah ukuran asosiasi yang memperkirakan berapa besar kemungkinan peubah-peubah penjelas terhadap peubah respon (Hosmer dan Lemeshow 2000). Rasio odds untuk π = π terhadap π = π yang dihitung pada dua nilai (misal π₯ = π dan π₯ = π) adalah : πΉ π, π =
π π = π π₯ = π)/π π = π π₯ = π) = ππ₯π π½π π β π π π = π π₯ = π)/π π = π π₯ = π)
Sehingga jika π β π = 1 maka πΉ = ππ₯πβ‘ (π½π). Ukuran πΉ selalu positif dan umumnya digunakan sebagai pendekatan risiko nisbi (relative risk). Untuk πΉ = 1 berarti bahwa π₯ = π memiliki risiko yang sama dengan
π₯ = π untuk menghasilkan π = π. Bila 1 < πΉ < β berarti π₯ = π
memiliki risiko lebih tinggi πΉ kali daripada π₯ = π, dan sebaliknya untuk 0 < πΉ < 1. Jika peubah penjelas kontinu maka interpretasi koefisien dugaan tergantung pada unit particular dari peubah penjelas. Untuk peubah penjelas kontinu diperlukan unit perubahan sebesar π, maka rasio odds diperoleh dengan ππ₯πβ‘ (ππ½π) (Hosmer dan Lemeshow 2000).
METODOLOGI Data Penelitian Data yang digunakan dalam penelitian ini adalah data sekunder yang diambil dari dua SMA di Kabupaten Sitaro yaitu SMA Negeri Tagulandang yang berjumlah 170 siswa dan SMA Negeri Siau Timur yang berjumlah 252 siswa. Peubah yang diambil adalah nilai rataan rapor kelas X dan keterangan pribadi siswa waktu masuk di SMA. Data SMA Negeri Siau Timur Tahun ajaran 2009/2010 dan 2010/2011 digunakan untuk pemodelan. Sedangkan yang digunakan untuk validasi adalah data SMA Negeri Tagulandang. Peubah yang akan digunakan dalam penelitian ini disajikan dalam Tabel 1. Pengkodean untuk peubah dummy dapat dilihat pada Lampiran 1. Tabel 1 Peubah-peubah yang diamati Peubah
Keterangan
bebas
Peubah
Keterangan
bebas
X1
Rataan Nilai Agama
X11
Rataan Nilai Ekonomi
X2
Rataan Nilai PPKn
X12
Rataan Nilai Sosiologi
X3
Rataan Nilai Bhs Indonesia
X13
Rataan Nilai TIK
X4
Rataan Nilai Bhs Inggris
X14
Rataan Nilai Bhs Jerman
X5
Rataan Nilai Matematika
X15
Jenis Kelamin
X6
Rataan Nilai Fisika
X16
Pendidikan Ayah
X7
Rataan Nilai Biologi
X17
Pendidikan Ibu
X8
Rataan Nilai Kimia
X18
Pekerjaan Ayah
X9
Rataan Nilai Sejarah
X19
Pekerjaan Ibu
X10
Rataan Nilai Geografi
X20
Pendapatan
Metode analisis Langkah-langkah yang dilakukan dalam penelitian ini adalah sebagai berikut : Tahap I : Melakukan analisis diskriminan dan multinomial logit 1. Analisis diskriminan a. Uji asumsi diskriminan 1) Menguji kenormalan ganda dengan menggunakan plot khi-kuadrat.
2) Menguji kehomogenan matriks peragam gabungan menggunakan uji BoxβM dengan membandingkan signifikansinya terhadap taraf nyata (Ξ±). Jika tidak terpenuhi maka tidak dapat membuat fungsi diskriminan linear. b. Melakukan proses diskriminan 1) Mencari fungsi diskriminan bertahap. 2) Menghitung peranan relatif dari fungsi diskriminan yang didapat dengan mengukur menggunakan persentase relatif akar ciri dari fungsi diskriminan yang terbentuk. 3) Menguji keterandalan fungsi diskriminan dengan uji V-Bartlett yang menggunakan pendekatan khi-kuadrat. 4) Menghitung ketepatan klasifikasi fungsi diskriminan. 5) Menguji keterandalan hasil klasifikasi dari proses analisis diskriminan dengan statistik π. 2. Analisis multinomial logit a. Membentuk fungsi logit dari peubah penjelas, yang mana transformasi logit yang digunakan adalah : πΏπ
ππ ( π₯ ) ππ ( π₯ )
= π½0 + π½1 π₯1 π + . . . + π½π π₯π π
b. Menyelesaikan
dugaan
parameter
dengan
metode
Kemungkinan
Maksimum. c. Melakukan pengujian parameter dengan statistik uji-G untuk melihat peran seluruh peubah penjelas di dalam model secara simultan. d. Melakukan pengujian parameter secara parsial dengan statistik uji Wald untuk melihat pengaruh masing-masing peubah penjelas terhadap peubah respon. e. Melakukan interpretasi koefisien model regresi logistik multinomial dengan Rasio odds. f. Menghitung ketepatan klasifikasi model logistik. Tahap II : Mengevaluasi model klasifikasi dengan resampling 1. Melakukan penarikan contoh terhadap data awal yang berjumlah 252 pengamatan. Penarikan contoh dilakukan secara acak dan dilakukan resampling dengan pemulihan sebanyak 30 kali, dengan masing-masing
contoh berukuran sama dengan data awal. Hal ini bertujuan untuk melihat kekonsistenan peubah-peubah yang signifikan terhadap jurusan siswa di SMA. Konsistensi peubah-peubah tersebut akan digunakan sebagai pertimbangan untuk memilih peubah bebas dalam membangun model klasifikasi pengelompokan jurusan siswa di SMA. 2. Pada setiap resampling, data yang terambil kemudian dianalisis menggunakan analisis logistik multinomial dan analisis diskriminan. Dengan demikian, akan diperoleh masing-masing 30 model untuk model logistik multinomial dan model diskriminan. 3. Mengidentifikasi peubah-peubah yang signifikan untuk masing-masing model. Peubah yang signifikan pada 10 model logistik multinomial atau lebih akan digunakan untuk membangun model klasifikasi, demikian pula halnya untuk model diskriminan. 4. Melakukan analisis logistik multinomial dan analisis diskriminan terhadap data awal, dengan peubah bebas yang terpilih pada langkah 3. 5. Mengevaluasi model logistik multinomial dan analisis diskriminan yang diperoleh pada langkah 4 dengan melihat ketepatan klasifikasi masing-masing model. 6. Memilih model klasifikasi terbaik berdasarkan hasil pada langkah 5. Model yang terbaik adalah model yang memiliki tingkat klasifikasi paling tinggi. Tahap III : Melakukan validasi terhadap model terbaik Validasi dilakukan dengan menerapkan model terbaik pada data SMA Negeri Tagulandang. Semakin tinggi tingkat ketepatan klasifikasi model yang dihasilkan pada
tahap
validasi,
maka
semakin
baik
mengklasifikasikan siswa ke dalam jurusannya.
kemampuan
model
dalam
HASIL DAN PEMBAHASAN Karakteristik Siswa Gambar 1 memperlihatkan Karakteristik siswa SMA Negeri Ulu Siau berdasarkan jurusan. Berdasarkan Gambar 1 umumya siswa lebih memilih jurusan IPA daripada jurusan IPS dan Bahasa. Jurusan IPA memiliki persentase terbesar yaitu 41.7% (105 siswa), Jurusan IPS memilki persentase 37.3% (94 siswa), dan jurusan
Bahasa
memiliki
persentase
21.0%
(53
siswa).
Gambar
2
mendeskripsikan bahwa jurusan IPA dan Bahasa didominasi oleh perempuan yaitu jurusan IPA sebesar 67.6% (71 siswa) dan jurusan Bahasa sebesar 60.4% (32 siswa). Sebaliknya jurusan IPS didominasi oleh laki-laki yaitu sebesar 75.5% (71 siswa).
50,0%
41,7%
37,3%
40,0% 21,0%
30,0% 20,0% 10,0% 0,0% IPA
IPS
BAHASA
Gambar 1 Distribusi siswa berdasarkan jurusan
80,0% 70,0% 60,0% 50,0% 40,0% 30,0% 20,0% 10,0% 0,0%
75,5% 67,6% 60,4% 39,6% 32,4%
Perempuan
24,5%
Laki-laki
IPA
IPS
BAHASA
Gambar 2 Distribusi siswa berdasarkan jenis kelamin
Tabel 2 menunjukkan persentase siswa berdasarkan jurusan yang diambil menurut pendidikan orang tua. Berdasarkan Tabel 2 mayoritas pendidikan orang tua siswa adalah Pendidikan Menengah, baik pendidikan ayah maupun pendidikan ibu, kemudian diikuti oleh Pendidikan Dasar dan Pendidikan Tinggi. Perbedaan latar belakang pendidikan orang tua siswa melahirkan persepsi yang berbeda tentang penjurusan. Hal ini mengindikasikan bahwa tinggi rendahnya tingkat pendidikan orang tua mempengaruhi pemilihan jurusan siswa di sekolah. Tabel 2 Distribusi siswa berdasarkan pendidikan orang tua Program Studi IPA IPS Bahasa
Pendidikan Ayah Dasar Menengah Tinggi 29 50 26 27.6% 47.6% 24.8% 45 42 7 47.9% 44.7% 7.4% 22 25 6 41.5% 47.2% 11.3%
Dasar 35 33.3% 31 33.0% 23 43.4%
Pendidikan Ibu Menengah Tinggi 48 22 45.7% 21.0% 53 10 56.4% 10.6% 21 9 39.6% 17.0%
Gambaran mengenai persentase untuk masing-masing jenis pekerjaan orang tua siswa dapat dilihat pada Gambar 3. Mayoritas pekerjaan orang tua siswa untuk jurusan IPA adalah PNS yaitu sebesar 57.8%, sedangkan jurusan IPS dan Bahasa mayoritas adalah Non PNS yaitu masing-masing sebesar 39.3% dan 21.4%.
57,8% 60,0% 50,0%
39,3%
39,3%
40,0% 23,4%
30,0%
18,8%
21,4%
20,0%
PNS Non PNS
10,0% 0,0% IPA
IPS
Bahasa
Gambar 3 Distribusi siswa berdasarkan pekerjaan orang tua
Deskripsi Nilai Rapor Menurut Program Studi Berdasarkan laporan hasil prestasi belajar siswa SMA Negeri Siau Timur, diperoleh nilai rata-rata kelas dan simpangan baku untuk setiap mata pelajaran (Tabel 3). Mata pelajaran yang menjadi ciri khas program studi IPA adalah Matematika, Fisika, Kimia, Biologi. Pelajaran ciri khas program studi IPS adalah Sejarah, Ekonomi, Sosiologi, Geografi dan pelajaran ciri khas program studi Bahasa adalah Bahasa Indonesia, Bahasa Inggris, Bahasa Jerman. Tabel 3 Nilai rata-rata rapor dan simpangan baku berdasarkan program studi Mata Pelajaran Agama PPKn Bhs Indonesia Bhs Inggris Bhs Jerman Matematika Fisika Biologi Kimia Sejarah Geografi Ekonomi Sosiologi TIK
Ratarata 82.810 81.545 79.017 75.024 73.888 75.694 75.624 79.976 76.507 73.091 72.929 74.219 79.419 78.367
IPA Simpangan Baku 5.046 5.069 4.731 6.123 8.010 5.925 5.320 5.706 5.179 3.949 4.043 5.719 5.493 6.052
Ratarata 76.043 75.863 74.130 68.771 67.995 62.213 64.686 72.160 67.580 71.535 69.676 71.511 75.894 74.075
IPS Simpangan Baku 5.069 4.580 4.171 5.930 6.626 3.910 4.196 4.111 4.127 2.977 2.964 4.663 4.482 4.970
Bahasa Rata- Simpangan rata Baku 77.793 5.987 76.783 4.855 76.519 4.067 72.717 4.289 74.179 4.533 63.698 4.710 66.623 4.332 73.321 4.469 69.028 4.563 71.302 2.831 70.472 3.646 70.491 4.365 76.349 5.452 74.868 5.628
Rata-rata nilai rapor siswa jurusan IPA lebih tinggi dibandingkan jurusan IPS dan Bahasa pada hampir seluruh mata pelajaran kecuali Bahasa Jerman, yang selisihnya pun tidak jauh berbeda dengan siswa jurusan Bahasa. Hal ini menunjukkan bahwa siswa jurusan IPA tidak hanya menguasai mata pelajaran ciri khas IPA saja, namun mereka juga menguasai mata pelajaran lainnya. Meskipun demikian, simpangan baku untuk rata-rata rapor siswa jurusan IPA relatif lebih besar daripada jurusan lain, artinya nilai mata pelajaran untuk jurusan IPA cenderung lebih beragam dibandingkan jurusan IPS dan Bahasa.
Analisis Diskriminan Analisis Diskriminan dimaksudkan untuk mengetahui sejauh mana peubahpeubah tersebut dapat menentukan kelompok jurusan siswa dan peubah mana yang menjadi penciri utama sebagai pembeda kelompok jurusan siswa di SMA. Peubah penciri yang akan diamati adalah Rataan nilai mata pelajaran Kelas X ( meliputi : Agama, PPKn, Bahasa Indonesia, Bahasa Inggris, Matematika, Fisika, Biologi, Kimia, Sejarah, Geografi, Ekonomi, Sosiologi, Teknologi Informasi dan Komunikasi (TIK), Bahasa Jerman), Jenis kelamin, Pendidikan ayah, Pendidikan ibu, Pekerjaan ayah, Pekerjaan ibu, dan Pendapatan orang tua. Pemeriksaan Asumsi Dasar Diskriminan a.
Asumsi kenormalan ganda Hasil plot quantil khi-kuadrat terlihat polanya mengikuti trend linier baik
untuk kelompok IPA, IPS maupun Bahasa (Lampiran 3). Kelinieran tersebut terlihat dari hubungan regresi linier antara jarak dan khi-kuadrat yang nyata pada taraf πΌ = 0.05, seperti yang terlihat pada Tabel 4.
Tabel 4 Nilai-p regresi linier tiap kategori Jurusan Siswa IPA IPS Bahasa
Nilai-p .0001 .0001 .0001
Hasil tersebut menunjukkan bahwa hipotesis kenormalan ganda pada analisis diskriminan terpenuhi. b.
Asumsi kehomogenan ragam Dillon dan Goldstein (1984) menyatakan bahwa salah satu asumsi untuk
menghasilkan fungsi diskriminan yang optimal adalah matriks peragam dari peubah penjelas harus homogen. Sehingga dalam pemodelan diskriminan tidak semua peubah penjelas disertakan karena akan mengakibatkan asumsi kehomogenan ragam tidak terpenuhi. Peubah penjelas yang disertakan itu dapat dilihat pada Lampiran 6. Hasil pengujian Boxβs M menunjukkan, bahwa matriks peragam untuk ketiga kategori sudah bersifat homogen dengan nilai signifikansi
sebesar 0.073 > πΌ = 0.05, maka asumsi kehomogenan matriks peragam peubah penjelas terpenuhi. Selanjutnya akan dilakukan analisis diskriminan. Pembentukan Fungsi diskriminan Fungsi diskriminan dibentuk dengan menggunakan metode stepwise discriminant. Tabel 5 menunjukkan bahwa terdapat 5
peubah penjelas yang
cukup mewakili dalam melihat perbedaan antara kelompok IPA, IPS dan Bahasa. Kelima peubah itu adalah Bahasa Inggris, Fisika Kimia, Ekonomi dan TIK.
Tabel 5 Koefisien fungsi diskriminan Peubah Bahasa Inggris Fisika Kimia Ekonomi TIK (Constant)
Fungsi 1 -.028 .219 .084 -.038 -.060 -11.933
2 .214 -.023 -.051 -.189 .030 1.141
Peubah bertanda positif, artinya setiap kenaikan satu satuan nilai peubah maka akan memberikan skor yang makin tinggi bagi fungsi diskriminan. Sedangkan peubah bertanda negatif, artinya setiap kenaikan satu satuan nilai peubah maka akan memberikan skor yang makin rendah bagi fungsi diskriminan. Peranan relatif suatu fungsi diskriminan dalam memisahkan anggota-anggota kelompok diukur dari persentase relatif akar ciri yang berhubungan dengan fungsi diskriminan itu. Dengan memperhatikan akar ciri pada Lampiran 4, terlihat fungsi pertama adalah 92.5 dan fungsi kedua adalah 7.5, artinya persentase relatif yang dapat dijelaskan oleh fungsi diskriminan pertama adalah 92.5%, sedangkan sisanya sebesar 7.5 dijelaskan oleh fungsi diskriminan kedua. Untuk mengetahui apakah fungsi diskriminan yang terbentuk dapat menjelaskan perbedaan peubah diantara 3 kelompok atau cukup melibatkan satu atau dua fungsi diskriminan. Adapun uji yang digunakan adalah statistik VBartlett melalui pendekatan uji khi-kuadrat. Lampiran 5 menunjukkan hasil yang signifikan, berarti diskriminan sisa setelah di terangkan oleh diskriminan satu
masih bersifat nyata secara statistik, dengan demikian diskriminan kedua masih diperlukan untuk menerangkan perbedaan peubah. Dari fungsi diskriminan yang terbentuk melalui analisis diskriminan bertahap, lalu dilakukan pengklasifikasian. Pengklasifikasian suatu objek pengamatan baru pada fungsi diskriminan linier, dilakukan dengan mengacu pada konsep jarak bahwa pengklasifikasian suatu objek x dipilih dari jarak objek pengamatan x terhadap vektor rataanya yang terdekat/terkecil pada masing-masing jurusan. Rata-rata kelompok (group centroids) dari jurusan siswa mempunyai nilai yang besarnya berbeda, yaitu dapat dilihat pada Tabel 6. Secara umum keseluruhan proses pengklasifikasian dengan menggunakan fungsi diskriminan dapat dilihat pada Lampiran 9.
Tabel 6 Nilai Rata-rata Kelompok Jurusan Siswa IPA IPS Bahasa
Fungsi 1 1.433 -1.177 -.751
2 -.053 -.302 .641
Ketepatan Klasifikasi Fungsi Diskriminan Pengklasifikasian kelompok asal siswa menunjukkan bahwa 76.2% siswa yang diteliti dapat diklasifikasikan dengan benar ke dalam jurusannya sedang sisanya mengalami salah klasifikasi. Tabel 7 menunjukkan bahwa siswa IPA terklasifikasi dengan benar ke dalam jurusannya sebesar 83.8%, siswa IPS 73.4% dan siswa Bahasa 66.0%. Hal ini menunjukkan bahwa, 16.2% siswa IPA, 26.6% siswa IPS, dan 34% siswa Bahasa terklasifikasikan ke jurusan lain. Tabel 7 Hasil klasifikasi analisis diskriminan Observasi IPA IPA IPS Bahasa
Prediksi IPS
88 7 4 69 4 14 % Keseluruhan
Bahasa 10 21 35
(%) Benar 83.8% 73.4% 66.0% 76.2%
Statistik Q dari hasil klasifikasi kebenaran yang sebesar 76.2% adalah 208.3 2 dan nilai kritis π0.05(1) adalah 3.84. Terlihat statistik Q lebih besar dari nilai kritis
sehingga klasifikasi kebenaran yang didapat sebesar 76.2%, secara statistik sudah baik.
Analisis Regresi Logistik Multinomial Hasil pendugaan model penuh dengan melibatkan 20 peubah penjelas menghasilkan nilai G sebesar 399.939 dan nilai p= 0.000 < 0.05, sehingga dapat ditarik kesimpulan bahwa ada satu atau lebih peubah penjelas yang berpengaruh terhadap pengelompokkan jurusan siswa di SMA. Hasil dari pendugaan model penuh ini dapat dilihat pada Lampiran 2. Selanjutnya, dilakukan pemilihan peubah yang signifikan dengan menggunakan eliminasi langkah mundur. Hasil setelah seleksi dapat dilihat pada Tabel 8. Tabel 8 Analisis multinomial logistik hasil eliminasi langkah mundur Program Studi
IPA
IPS
Intercept Bhs_Jerman Kimia Bhs_Inggris [Jenis_Kelamin=1] Agama Matematika Sejarah Ekonomi Intercept Bhs_Jerman Kimia Bhs_Inggris [Jenis_Kelamin=1] Agama Matematika Sejarah Ekonomi
Wald 7.877 24.947 15.584 16.356 .127 5.707 33.057 .237 .119 .483 18.557 .027 5.923 8.004 1.701 .396 5.625 5.824
df 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
Sig. .005 .000 .000 .000 .721 .017 .000 .626 .730 .487 .000 .869 .015 .005 .192 .529 .018 .016
Exp(B)
95% C I for Exp(B) Lower Upper
.617 1.752 .659 .720 1.236 2.030 .932 .970
.511 1.326 .539 .119 1.039 1.595 .703 .814
.746 2.314 .807 4.376 1.472 2.584 1.236 1.155
.735 1.011 .863 4.867 1.072 1.048 1.249 1.180
.639 .886 .767 1.626 .966 .906 1.039 1.032
.846 1.154 .972 14.565 1.190 1.212 1.500 1.350
Berdasarkan Tabel 8, diperoleh nilai G sebesar 352.295 dengan nilai p = 0.000 < 0.05. Oleh karena itu, dapat dikatakan bahwa model ini berpengaruh nyata pada taraf 5%, sehingga multinomial sebagai berikut:
dapat dibentuk model logistik
π1 π₯ = β32.094 + 0.212π1 β 0.417π4 + 0.708π5 + 0.561π8 β 0.070π9 β 0.031π11 β 0.483π14 β 0.328π15 π2 π₯ = β4.707 + 0.070π1 β 0.147π4 + 0.047π5 + 0.011π8 β 0.222π9 β 0.166π11 β 0.307π14 β 0.047π15
Interpretasi model regresi logistik multinomial akan lebih mudah dilihat dari nilai rasio oddsnya. Jika suatu peubah memiliki nilai koefisien yang bertanda positif maka nilai rasio odds diatas satu, sedangkan nilai koefisien yang bertanda negatif maka nilai rasio odds dibawah satu. Pada model pertama terdapat lima peubah penjelas yang signifikan. Interpretasinya adalah setiap bertambahnya satu nilai pada pelajaran Bahasa Jerman maka akan menurunkan peluang siswa masuk ke jurusan IPA menjadi 0.617 kali dibandingkan ke jurusan Bahasa. Setiap bertambahnya satu nilai pada pelajaran Kimia maka akan meningkatkan peluang siswa masuk ke jurusan IPA sebesar 1.752 kali dibandingkan ke jurusan Bahasa. Setiap bertambahnya satu nilai Bahasa Inggris maka akan menurunkan peluang siswa masuk ke jurusan IPA sebesar 0.659 kali dibandingkan ke jurusan Bahasa. Untuk nilai odds Agama sebesar 1.236, artinya siswa lebih cenderung memilih jurusan IPA sebesar 1.236 dibanding Bahasa Setiap bertambahnya satu nilai pada pelajaran Matematika maka akan meningkatkan peluang siswa masuk ke jurusan IPA sebesar 2.030 kali dibanding ke jurusan Bahasa. Pada model mutinomial logistik kelompok dua terdapat lima peubah penjelas yang signifikan. Interpretasinya adalah setiap bertambahnya satu nilai pada pelajaran Bahasa Jerman maka akan menurunkan peluang siswa masuk ke jurusan IPS sebesar 0.735 kali dibanding ke jurusan Bahasa. Setiap bertambahnya satu nilai pada pelajaran Bahasa Inggris maka akan menurunkan peluang siswa masuk ke jurusan IPS sebesar 0.863 kali dibanding ke jurusan Bahasa. Peubah jenis kelamin dengan dugaan rasio odds sebesar 4.867 yang berarti bahwa siswa lakilaki di duga 4.867 kali akan lebih memilih jurusan IPS sebagai pilihan pertama dibandingkan memilih Bahasa. Setiap bertambahnya satu nilai pada pelajaran Sejarah maka akan meningkatkan peluang siswa masuk ke jurusan IPS sebesar 1.249 kali dibanding ke jurusan Bahasa. Setiap bertambahnya satu nilai pada pelajaran Ekonomi maka akan meningkatkan peluang siswa untuk masuk ke dalam jurusan IPS sebesar 1.180 kali dibanding ke jurusan Bahasa.
Evaluasi Kebaikan Model Menurut Hosmer dan Lemeshow (1989) salah satu ukuran kebaikan model adalah jika memiliki peluang kesalahan klasifikasi yang minimal. Ketepatan dan kesalahan klasifikasi dapat dilihat dalam tabel klasifikasi.
Tabel 9 Hasil prediksi multinomial logistik Observasi
Prediksi IPA
IPS
(%) Bahasa
Benar
IPA
100
4
1
95.2%
IPS
6
75
13
79.8%
Bahasa
3
14
36
67.9%
% Keseluruhan
83.7%
Berdasarkan Tabel 9 diperoleh total ketepatan klasifikasi analisis regresi logistik multinomial sebesar 83.7 %. Artinya model logistik multinomial mampu mengklasifikasikan siswa ke dalam jurusannya dengan benar sebesar 83.7% dari total siswa keseluruhan. Untuk masing-masing jurusan, model logistik mampu mengklasifikasikan siswa IPA dengan benar sebesar 95.2%, siswa IPS 79.8%, dan siswa Bahasa 67.9%. Hal ini menunjukkan bahwa 4.8% siswa IPA, 20.2% siswa IPS, dan 32.1% siswa Bahasa terklasifikasikan ke jurusan lain.
Pembangunan Analisis Model Diskriminan dan Logistik Multinomial dari Hasil Resampling Untuk mengevaluasi kekonsistenan peubah-peubah yang masuk dalam model, dilakukan fitting model dengan resampling 30 kali menggunakan analisis diskriminan dan regresi logistik multinomial terhadap data siswa SMA Negeri Siau Timur yang berjumlah 252 pengamatan. Peubah dikatakan konsisten apabila jumlah kemunculannya pada model memberikan pengaruh yang signifikan sebanyak 10 kali atau lebih. Jumlah signifikansi peubah dari hasil resampling untuk analisis diskriminan dan logistik multinomial dapat dilihat pada pada Lampiran 7 dan Lampiran 8.
Analisis Diskriminan Penentuan peubah penjelas berdasarkan kekonsistenan yang diperoleh melalui resampling menghasilkan tiga peubah penjelas yang berpengaruh terhadap pengelompokkan jurusan siswa. Peubah-peubah tersebut adalah Bahasa Indonesia, Biologi dan Sosiologi (Tabel 10). Tingkat ketepatan klasifikasi yang dihasilkan dari model analisis diskriminan adalah 60.3% (Tabel 11). Tabel 10 Fungsi Diskriminan Peubah Bahasa Indonesia Biologi Sosiologi (Constant)
Fungsi 1 .055 .187 -.023 -16.616
2 .269 -.117 -.081 -5.462
Tabel 11 Hasil Klasifikasi Analisis Diskriminan Observasi IPA IPS Bahasa
Prediksi IPA IPS 68 12 10 60 11 18 % Keseluruhan
Bahasa 25 24 24
(%) Benar 64.8 % 63.3% 45.3% 60.3%
Analisis Regresi Logistik Multinomial Peubah-peubah penjelas dengan signifikansi yang konsisten diperoleh sebanyak 15 peubah, di antaranya adalah Bahasa Jerman, Bahasa Inggris, Kimia, Matematika, dan Sejarah (Lampiran 7). Pemodelan analisis regresi logistik multinomial dibangun menggunakan peubah-peubah tersebut, hasilnya dapat dilihat pada Tabel 12. Untuk mengelompokkan siswa ke jurusan IPA, peubah yang berpengaruh adalah mata pelajaran Agama, Bahasa Inggris, Matematika, Kimia, Bahasa Jerman, dan Pendidikan Ayah. Sedangkan untuk mengelompokkan siswa ke jurusan IPS, peubah-peubah yang mempengaruhinya adalah mata pelajaran Bahasa Inggris, Biologi, Sejarah, Geografi, Ekonomi, Bahasa Jerman, dan Jenis Kelamin.
Hasil pemodelan regresi logistik multinomial menunjukkan bahwa dari empat mata pelajaran yang menjadi ciri khas jurusan IPA, ternyata hanya Matematika dan Kimia yang berpengaruh nyata. Hal ini disebabkan oleh korelasi yang cukup kuat antar mata pelajaran. Lampiran 10 menunjukkan bahwa mata pelajaran Fisika memiliki korelasi sebesar 0.823 terhadap Matematika, sementara mata pelajaran Biologi memiliki korelasi sebesar 0.769 terhadap Kimia. Artinya, kemampuan siswa untuk mata pelajaran Fisika dan Biologi sudah tercermin melalui mata pelajaran Matematika dan Kimia.
Tabel 12 Hasil dugaan parameter multinomial logistik Program Studi
IPA
IPS
Intercept Agama PPKn Bahasa_Inggris Matematika Biologi Kimia Sejarah Geografi Ekonomi Bahasa_Jerman [Pendidikan_Ayah=1] [Pendidikan_Ayah=2] [Pendidikan_Ibu=1] [Pendidikan_Ibu=2] [Pendapatan=1] [Pendapatan=2] [Jenis_Kelamin=1] Intercept Agama PPKn Bahasa_Inggris Matematika Biologi Kimia Sejarah Geografi Ekonomi Bahasa_Jerman [Pendidikan_Ayah=1] [Pendidikan_Ayah=2] [Pendidikan_Ibu=1] [Pendidikan_Ibu=2] [Pendapatan=1] [Pendapatan=2] [Jenis_Kelamin=1]
B -51.542 .357 .039 -.597 .815 .199 .724 -.162 -.058 -.045 -.572 3.555 4.404 -.186 -1.965 -2.057 .663 .141 -3.928 -.055 .171 -.177 .009 .237 -.090 .394 -.287 .179 -.361 1.057 -.710 .630 1.354 -.862 -.640 1.962
Wald 8.355 4.219 .050 14.280 24.005 1.219 12.516 .285 .073 .144 24.045 3.577 4.714 .011 1.185 2.116 .277 .014 .256 .481 2.735 6.072 .012 5.915 1.056 7.436 4.431 4.890 17.484 1.056 .480 .497 2.239 1.118 .673 8.170
db 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
Sig. .004 .040 .824 .000 .000 .270 .000 .593 .787 .705 .000 .059 .030 .918 .276 .146 .599 .906 .613 .488 .098 .014 .913 .015 .304 .006 .035 .027 .000 .304 .488 .481 .135 .290 .412 .004
Exp(B)
95% C I for Exp(B) Lower Upper
1.429 1.040 .550 2.260 1.221 2.063 .851 .944 .956 .564 35.001 81.751 .830 .140 .128 1.941 1.151
1.016 .738 .404 1.631 .857 1.381 .470 .621 .756 .449 .879 1.535 .024 .004 .008 .164 .112
2.008 1.466 .750 3.132 1.739 3.080 1.539 1.435 1.208 .709 1394.017 4354.807 28.574 4.821 2.044 22.903 11.794
.946 1.187 .838 1.009 1.268 .914 1.483 .750 1.197 .697 2.877 .491 1.877 3.872 .422 .528 7.111
.810 .969 .728 .853 1.047 .769 1.117 .574 1.021 .588 .383 .066 .326 .657 .085 .114 1.853
1.106 1.454 .964 1.194 1.535 1.085 1.970 .980 1.403 .825 21.603 3.664 10.813 22.809 2.087 2.431 27.297
Model klasifikasi yang disusun menggunakan analisis regresi logistik multinomial memiliki tingkat ketepatan klasifikasi sebesar 88.1% (Tabel 13). Ketepatan klasifikasi model ini lebih tinggi jika dibandingkan dengan model sebelum dilakukan resampling. Hal ini berarti bahwa model logistik multinomial cukup baik dalam mengklasifikasikan siswa ke dalam jurusannya dengan tepat sebanyak 88.1% dari total siswa. Tabel 13 Ketepatan Klasifikasi Model Logistik multinomial Observasi IPA IPA IPS Bahasa
Perbandingan
Prediksi IPS
Bahasa
99 5 4 83 2 11 % Keseluruhan
Hasil
Klasifikasi
1 7 40
Analisis
(%) Benar 94.3% 88.3% 75.5% 88.1%
Diskriminan
dan
Logistik
Multinomial Perbandingan hasil klasifikasi analisis diskriminan dan regresi logistik multinomial dalam mengklasifikasi siswa ke dalam jurusan IPA, IPS, dan Bahasa dapat dilihat dari tingkat ketepatan klasifikasi. Semakin besar persentase ketepatan klasifikasi suatu model maka semakin baik dan akurat model tersebut dalam mengklasifikasi jurusan siswa. Tabel 14 Ketepatan klasifikasi
Analisis Diskriminan
Model Sebelum Resampling (%) 76.2
Model Sesudah Resampling (%) 60.3
Regresi Logistik Multinomial
83.7
88.1
Model
Berdasarkan Tabel 14, diperoleh informasi bahwa tingkat ketepatan klasifikasi yang dihasilkan model regresi logistik multinomial telah melebihi 80%, baik pada model sebelum maupun sesudah resampling. Sementara tingkat ketepatan klasifikasi model analisis diskriminan sebesar 76.2% pada model
sebelum resampling, dan 60.3% pada model sesudah resampling. Hal ini menunjukkan bahwa regresi logistik multinomial mampu memberikan tingkat ketepatan klasifikasi yang lebih tinggi dibandingkan model analisis diskriminan. Dengan demikian, regresi logistik multinomial merupakan model terbaik yang dapat digunakan untuk menduga siswa memilih jurusan di SMA. Bentuk persamaan logistik multinomial adalah : π1 π₯ = β51.542 + 0.357π1 + 0.039π2 β 0.597π4 + 0.815π5 + 0.199π7 + 0.724π8 β 0.162π9 β 0.058π10 β 0.045π11 β 0.572π14 + 0.141π15 + 3.555π16(1) + 4.404π16(2) β 0.186π17(1) β 1.965π17(2) β 2.057π20(1) + 0.663π20(2) π2 π₯ = β3.928 β 0.055π1 + 0.171π2 β 0.177π4 + 0.009π5 + 0.237π7 β 0.090π8 + 0.394π9 β 0.287π10 + 0.179π11 β 0.361π14 + 1.962π15 + 1.057π16(1) β 0.710π16(2) + 0.630π17(1) + 1.354π17(2) β 0.862π20(1) + 0.640π20(2)
Penerapan Model Logistik multinomial Nilai peluang pada Tabel 13 memberikan informasi mengenai penerapan model logistik multinomial dalam mengelompokkan jurusan siswa di SMA Negeri Tagulandang Kabupaten Siau Tagulandang Biaro. Peluang seorang siswa untuk masuk ke dalam kategori jurusan tertentu dapat dihitung berdasarkan ilustrasi data pada Tabel 15. Tabel 15 Ilustrasi data siswa Peubah bebas
Nilai
Peubah bebas
Nilai
Rataan Nilai Agama
90.0
Rataan Nilai Geografi
75.0
Rataan Nilai PPKn
84.5
Rataan Nilai Ekonomi
71.5
Rataan Nilai Bhs Inggris
67.5
Rataan Nilai Bhs Jerman
83.5
Rataan Nilai Matematika
73.0
Jenis Kelamin
Laki-laki
Rataan Nilai Biologi
80.0
Pendidikan Ayah
SD
Rataan Nilai Kimia
70.0
Pendidikan Ibu
SD
Rataan Nilai Sejarah
87.0
Pendapatan
β€ 1 juta
Sehingga dapat dihitung nilai untuk model logit pertama, yaitu: g1 x = β51.542 + 0.357 90 + 0.039 84.5 β 0.597 67.5 + 0.815 73 + 0.199 80 + 0.724 70 β 0.162 87 β 0.058 75 β 0.045 71.5 β 0.572 83.5 + 0.141 1 + 3.555 1 + 4.404 0 β 0.186 1 β 1.965 0 β 2.057 1 + 0.663 0 g1 x = 1.7105 dan nilai untuk model logit kedua, yaitu: g 2 x = β3.928 β 0.055 90 + 0.171 84.5 β 0.177 67.5 + 0.009 73 + 0.237 80 β 0.090 70 + 0.394 87 β 0.287 75 + 0.179 71.5 β 0.361 83.5 + 1.962 1 + 1.057 1 β 0.710 0 + 0.630 1 + 1.354 0 β 0.862 1 β 0.640(0) g 2 x = 5.136 Hasil dari model logit dimasukkan ke fungsi peluang, sebagai berikut : 1
P Y = 0 x = Ο0 x = 1+exp
g 1 x + exp g 2 x
P Y = 1 x = Ο1 x = 1+exp
exp g 1 x g 1 x + exp g 2 x
P Y = 2 x = Ο2 x = 1+exp
g 1 x + exp g 2 x
exp g 2 x
= 0.005664 = 0.03133 = 0.963007
Nilai peluang terbesar adalah P Y = 2 x = Ο2 x = 0.963007, artinya siswa masuk ke kategori kedua. Hasil perhitungan lengkap untuk model logistik multinomial dari data siswa SMA Negeri Tagulandang disajikan pada Tabel 16. Ketepatan klasifikasi yang diperoleh model tersebut adalah 70.6%, artinya sebanyak 70.6% siswa SMA Negeri Tagulandang dapat diklasifikasikan dengan benar ke dalam kejurusannya masing-masing. Hal ini menunjukkan bahwa kemampuan model sudah cukup baik dalam mengelompokan siswa ke dalam jurusannya. Tabel 16 Hasil ketepatan validasi model Observasi IPA IPS Bahasa
Prediksi IPA IPS 55 16 5 48 0 8 % Keseluruhan
Bahasa 12 9 17
(%) Benar 66.3% 77.4% 68.0% 70.6%
SIMPULAN DAN SARAN SIMPULAN Penerapan analisis diskriminan dan regresi logistik multinomial dalam mengelompokkan siswa SMA Negeri Siau Timur memberikan ketepatan klasifikasi masing-masing sebesar 76.2% dan 83.7%. Berdasarkan penentuan peubah dari proses resampling sebanyak 30 kali, diperoleh model terbaik yaitu regresi logistik multinomial dengan tingkat ketepatan klasifikasi sebesar 88.1%. Pengelompokkan siswa ke dalam jurusan IPA atau Bahasa dipengaruhi oleh mata pelajaran Matematika, Bahasa Inggris, Kimia, dan Bahasa Jerman. Pengelompokkan siswa ke dalam jurusan IPS atau Bahasa dipengaruhi oleh mata pelajaran Ekonomi, Bahasa Inggris, Bahasa Jerman, dan Sejarah. Validasi model yang dilakukan dengan menggunakan data SMA Negeri Tagulandang memberikan ketepatan klasifikasi sebesar 70.6%. Hal ini menunjukkan bahwa kemampuan model regresi logistik multinomial sudah cukup baik dalam mengelompokan siswa ke dalam jurusannya.
SARAN Penelitian lanjutan dapat dilakukan untuk studi kasus dengan mengambil sampel yang berbeda. Peneliti berikutnya dapat melakukan penelitian tentang penjurusan, apakah benar nilai Biologi merupakan salah satu penentu untuk jurusan IPS sebagaimana penulis temukan pada penelitian ini.
DAFTAR PUSTAKA
Andanawari AG. 2010. Faktor-Faktor yang Mempengaruhi Minat Siswa Melanjutkan Pendidikan ke Perguruan Tinggi dengan Menggunakan Regresi Logistik. [tesis] Bogor. Fakultas Matematika dan Ilmu Pengetahuan Alam, Institut Pertanian Bogor. Cacoullos T. 1973. Discriminant Analysis and Applications. New York and London: Academic Press. Depdiknas. 2004. Pedoman Umum Pengembangan Penilaian. Departemen Pendidikan Nasional. Dillon W, Goldstein M. 1984. Multivariate Analysis. New York: Wiley. Garson. 2010. Logistic Regression: Statnotes. North Carolina State University. http://faculty.chass.ncsu.edu/garson/PA765/Logistic.htm/ [31 Januari 2012]. Gaspersz V. 1992. Teknik Analisis dalam Penelitian Percobaan. Ed ke-1. Tarsito Bandung. Ghozali. 2006. Aplikasi Analisis Multivariate dengan program SPSS. Universitas Diponegoro. Gnanadesikan R. 1977. Methods for Statistical Data Analysis of Multivariate Observations. New York: John Wiley & Sons. Hair JF, Anderson RE, Tatham RL, Black WC. 1995. Multivariate Data Analysis with Readings. New Jersey: Prentice-Hall. Hosmer DW, Lemeshow S. 2000. Applied Logistic Regression. New York: John Wiley & Sons. Johnson RA, Wichern DW. 1998. Applied Multivariate Statistical Analysis Ed ke4. New Jersey: Hall. Maulias SS. 2009. Klasifikasi Penjurusan Siswa SMK Negeri 1 Tual Maluku Tenggara dengan Pendekatan Analisis Diskriminan dan regresi Logistik Multinomial. [tesis]. Surabaya. Fakultas Matematika dan Ilmu Pengetahuan Alam, Institut Teknologi Sepuluh Nopember. Morrison DF. 1990. Multivariate Statistical Methods Ed ke-3. McGraw-Hill Publishing Company. Murniramli. 2008. Penjurusan di SMA. http://murniramli.wordpress.com/ [31 Januari 2012].
Purnomo H. 2003. Metode Klasifikasi Menggunakan Fungsi Diskriminan. [skripsi]. Bogor: Fakultas Matematika dan Ilmu Pengetahuan Alam, Institut Pertanian Bogor. Rencher AC. 2002. Methods of Multivariate Analysis. New York: Wiley. Sharma S. 1996. Applied Multivariate Techniques. New York. John Wiley & Sons. Snow RE. 1986. Individual Differences and the Design Of Educational Programs in Journal Of Psychology. Subiyanto. 1988. Evaluasi Pendidikan Ilmu Pengetahuan Alam. Jakarta: Depdiknas.
LAMPIRAN
Lampiran 1 Pengkodean peubah penjelas kategorik 1.
Peubah Jenis Kelamin (JK) Jenis Kelamin
2.
Laki-Laki
1
Perempuan
0
Peubah Pendidikan Ayah (PDDK_A) Pendidikan Ayah
3.
(1)
(2)
Pendidikan Dasar
1
0
Menengah
0
1
PT
0
0
(1)
(2)
Pendidikan Dasar
1
0
Menengah
0
1
PT
0
0
Peubah Pendidikan Ibu (PDDK_I) Pendidikan Ibu
4.
(1)
Peubah Pekerjaan Ayah (PKRJ_A) Pekerjaan Ayah
5.
(1)
PNS
1
Non PNS
0
Peubah Pekerjaan Ibu (PKRJ_I) Pekerjaan Ibu
6.
(1)
PNS
1
Non PNS
0
Peubah Pendapatan Orang Tua per Bulan (PDT) Pendidikan Ibu
(1)
(2)
<= 1 juta
1
0
1 juta β 3 juta
0
1
> 3 juta
0
0
Lampiran 2 Hasil analisis regresi logistik dengan model penuh Program Studi
IPA
IPS
Intercept Agama PPKn Bhs_Indonesia Bhs_Inggris Matematika Fisika Biologi Kimia Sejarah Geografi Ekonomi Sosiologi TIK Bhs_Jerman [Jenis_Kelamin=1] [Pendidikan_Ayah=1] [Pendidikan_Ayah=2] [Pendidikan_Ibu=1] [Pendidikan_Ibu=2] [Pekerjaan_Ayah=1] [Pekerjaan_Ibu=1] [Pendapatan=1] [Pendapatan=2] Intercept Agama PPKn Bhs_Indonesia Bhs_Inggris Matematika Fisika Biologi Kimia Sejarah Geografi Ekonomi Sosiologi TIK Bhs_Jerman [Jenis_Kelamin=1] [Pendidikan_Ayah=1] [Pendidikan_Ayah=2] [Pendidikan_Ibu=1] [Pendidikan_Ibu=2] [Pekerjaan_Ayah=1] [Pekerjaan_Ibu=1] [Pendapatan=1] [Pendapatan=2]
B -61.094 .610 -.055 .158 -.931 .999 .180 .167 .922 -.421 .080 .042 -.202 -.007 -.666 -.536 5.722 6.719 -3.297 -5.534 -.483 -5.239 -4.239 -.748 -2.705 -.083 .188 -.032 -.218 .020 -.027 .263 -.115 .409 -.318 .203 .102 .001 -.373 2.134 -.209 -2.045 .460 .985 -1.819 -.396 -1.138 -.872
S. E 25.587 .282 .232 .174 .294 .300 .244 .223 .353 .444 .302 .137 .162 .122 .168 1.525 3.171 3.384 2.667 2.994 2.251 2.908 2.259 1.851 8.730 .088 .112 .093 .082 .088 .116 .105 .103 .160 .162 .088 .077 .072 .091 .774 1.545 1.611 1.438 1.491 1.645 1.568 .935 .908
Wald 5.701 4.686 .056 .816 10.034 11.071 .547 .565 6.818 .897 .069 .096 1.551 .003 15.758 .123 3.257 3.941 1.528 3.416 .046 3.247 3.522 .163 .096 .876 2.802 .120 7.085 .053 .053 6.309 1.243 6.533 3.864 5.248 1.756 .000 16.737 7.591 .018 1.611 .102 .436 1.222 .064 1.483 .922
db
Sig. 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
.017 .030 .813 .366 .002 .001 .459 .452 .009 .344 .792 .757 .213 .956 .000 .725 .071 .047 .216 .065 .830 .072 .061 .686 .757 .349 .094 .729 .008 .817 .818 .012 .265 .011 .049 .022 .185 .988 .000 .006 .892 .204 .749 .509 .269 .801 .223 .337
Lampiran 3 Hasil Uji Asumsi Kenormalan Ganda a.
Jurusan IPA
S q u a r e d D i s t a n c e
β 60 Λ β β β β β β A 50 Λ β β β β β β 40 Λ β β β β β β 30 Λ β A β β β A A β β A AA A 20 Λ AAAAAAA β BABAA β BBB β ACBC β BCCCCA β CCCA β CCCA 10 Λ BCBDC β BCA β BBB β AA BAA β A β β 0 Λ β Ε ΖΖΛΖΖΖΖΖΖΖΖΖΖΖΖΛΖΖΖΖΖΖΖΖΖΖΖΖΛΖΖΖΖΖΖΖΖΖΖΖΖΛΖΖΖΖΖΖΖΖΖΖΖΖΛΖΖΖΖΖΖΖΖΖΖΖΖΛΖΖΖΖΖΖΖΖΖΖΖΖΛΖΖΖΖΖΖΖΖΖΖΖΖΛΖΖ 0 5 10 15 20 25 30 35 Chi-square quantile
b.
Jurusan IPS
S q u a r e d D i s t a n c e
β β 50 Λ β β β β β A β 40 Λ β A A β β β β A β A 30 Λ A A β A β AA β AAA β A β A β AAB 20 Λ AA β AA β BAA β ABBA β BCA β BCC β BA 10 Λ BCC β CCCA β BBCB β BBBA β BAB β A AAA β A 0 Λ β Ε ΖΖΛΖΖΖΖΖΖΖΖΖΖΖΖΛΖΖΖΖΖΖΖΖΖΖΖΖΛΖΖΖΖΖΖΖΖΖΖΖΖΛΖΖΖΖΖΖΖΖΖΖΖΖΛΖΖΖΖΖΖΖΖΖΖΖΖΛΖΖΖΖΖΖΖΖΖΖΖΖΛΖΖΖΖΖΖΖΖΖΖΖΖΛΖΖ 0 5 10 15 20 25 30 35 Chi-square quantile
Lampiran 3 Hasil Uji Asumsi Kenormalan Ganda c.
Jurusan Bahasa
β β
S q u a r e d D i s t a n c e
30 Λ β β A β A β β β A 25 Λ A β A β β A β β β A 20 Λ AA β β β A β AA β A β 15 Λ BA β AAA β AB β B β ABA β AABB β BA 10 Λ AA β AABAA β AAAA β A AA β β β A 5 Λ β Ε ΖΖΛΖΖΖΖΖΖΖΖΖΖΖΖΛΖΖΖΖΖΖΖΖΖΖΖΖΛΖΖΖΖΖΖΖΖΖΖΖΖΛΖΖΖΖΖΖΖΖΖΖΖΖΛΖΖΖΖΖΖΖΖΖΖΖΖΛΖΖΖΖΖΖΖΖΖΖΖΖΛΖΖ 0 5 10 15 20 25 30 Chi-square quantile
Lampiran 4 Akar ciri masing-masing fungsi diskriminan Fungsi 1 2
Akar ciri
% Keragaman
Akumulasi %
Korelasi kanonik
1.510
a
92.5
92.5
.776
.123
a
7.5
100.0
.331
a. First 2 canonical discriminant functions were used in the analysis.
Lampiran 5 Pengujian Wilksβ Lambda
Tes Fungsi
Wilks' Lambda
Chi-square
db
Sig.
1
.355
255.949
10
.000
2
.890
28.685
4
.000
Lampiran 6 Peubah-peubah yang digunakan dalam analisis diskriminan Wilks' Lambda
F
df1
df2
Sig.
Agama
.741
43.475
2
249
.000
PPKn
.766
37.939
2
249
.000
Bahasa Indonesia
.802
30.720
2
249
.000
Bahasa Inggris
.806
29.975
2
249
.000
Fisika
.459
146.728
2
249
.000
Biologi
.638
70.549
2
249
.000
Kimia
.554
100.363
2
249
.000
Geografi
.851
21.741
2
249
.000
Ekonomi
.913
11.935
2
249
.000
Sosiologi
.904
13.283
2
249
.000
TIK
.885
16.128
2
249
.000
Lampiran 7 Jumlah signifikansi peubah-peubah pada analisis logistik multinomial yang dihasilkan dari proses resampling No
Peubah Penjelas
Frekuensi
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
Agama PPKn Bahasa Indonesia Bahasa Inggris Matematika Fisika Biologi Kimia Sejarah Geografi Ekonomi Sosiologi TIK Bahasa Jerman JK Pendidikan Ayah Pendidikan Ibu Pekerjaan Ayah Pekerjaan Ibu Pendapatan
12 11 3 26 24 4 19 17 25 16 16 8 5 30 21 20 19 5 4 14
Lampiran 8 Jumlah signifikansi peubah-peubah pada analisis diskriminan yang dihasilkan dari proses resampling No 1 2 3 4 5 6 7 8 9 10 11
Peubah Penjelas Agama PPKn Bahasa Indonesia Bahasa Inggris Fisika Kimia Biologi Geografi Ekonomi Sosiologi TIK
Frekuensi 3 8 10 8 7 5 10 9 6 11 3
Lampiran 9 Pengklasifikasian obyek ke dalam kelompok No. amatan asal
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
Kelompok asal
Prediksi kelompok 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
3** 1 1 1 3** 3** 1 1 1 1 1 1 1 1 1 1 1 1 1 1 3** 1 2** 1 1 1 2** 1
Kelompok tertinggi P(D>d | G=g) P(G=g | D=d) p df .561 .326 .678 .919 .693 .367 .572 .485 .025 .853 .321 .624 .169 .546 .766 .611 .392 .594 .229 .321 .744 .361 .804 .425 .969 .933 .470 .205
2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2
.525 .809 .620 .954 .462 .703 .461 .915 1.000 .737 .994 .859 .992 .510 .976 .889 .905 .969 .517 .792 .491 .996 .728 .962 .890 .940 .649 .997
Jarak kuadrat Mahalanobis ke Centroid 1.155 2.239 .778 .169 .733 2.007 1.117 1.449 7.362 .318 2.274 .942 3.550 1.210 .533 .984 1.872 1.041 2.950 2.275 .591 2.038 .436 1.713 .064 .139 1.511 3.171
Kelompok tertinggi kedua Jarak kuadrat Kelompok P(G=g | D=d) Mahalanobis ke Centroid 1 .318 2.161 3 .172 5.334 3 .284 2.340 3 .035 6.790 2 .322 1.453 1 .195 4.576 3 .303 1.955 3 .076 6.436 3 .000 25.054 3 .160 3.367 3 .006 12.616 2 .077 5.760 2 .005 14.202 2 .250 2.634 3 .015 8.861 3 .095 5.455 3 .085 6.592 3 .026 8.249 3 .429 3.326 2 .141 5.726 2 .310 1.508 3 .003 13.742 3 .244 2.618 3 .034 8.378 3 .081 4.861 3 .038 6.547 3 .220 3.679 3 .003 14.704
Skor Diskriminan Fungsi 1 .296 1.414 .775 1.803 -.056 .197 .384 1.742 4.024 .886 2.800 1.127 2.316 .432 1.985 1.566 1.735 2.120 .827 .912 -.085 2.847 -1.048 2.112 1.409 1.590 -.384 3.083
Fungsi 2 .879 1.443 .534 .126 .141 1.693 -.176 1.111 -.860 -.188 .585 -.974 -1.718 -.509 -.532 .930 1.282 .702 1.554 -1.468 .258 -.249 -.950 1.067 .199 -.391 -1.242 .617
Lampiran 9 Pengklasifikasian obyek ke dalam kelompok No. amatan asal
29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60
Kelompok asal
Prediksi kelompok 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
1 1 1 1 1 1 2** 3** 1 1 3** 1 1 1 1 1 2** 1 1 3** 1 2** 3** 1 1 1 1 1 1 1 1 1
Kelompok tertinggi P(D>d | G=g) P(G=g | D=d) p df .773 .806 .757 .323 .229 .955 .741 .791 .462 .974 .554 .872 .293 .937 .861 .959 .935 .854 .753 .957 .499 .021 .359 .717 .015 .050 .322 .621 .256 .792 .077 .561
2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2
.672 .738 .936 .963 .962 .924 .507 .737 .940 .855 .698 .931 .852 .899 .937 .940 .593 .891 .814 .657 .953 .476 .578 .972 1.000 1.000 .890 .827 .997 .756 .992 .991
Jarak kuadrat Mahalanobis ke Centroid .515 .431 .556 2.258 2.952 .091 .601 .470 1.546 .053 1.182 .274 2.458 .130 .298 .083 .134 .315 .568 .088 1.389 7.716 2.048 .665 8.411 5.994 2.267 .953 2.724 .466 5.134 1.158
Kelompok tertinggi kedua Jarak kuadrat Kelompok P(G=g | D=d) Mahalanobis ke Centroid 3 .235 2.614 3 .148 3.640 3 .034 7.178 2 .023 9.753 3 .035 9.585 3 .058 5.637 3 .375 1.204 2 .235 2.759 3 .053 7.282 3 .102 4.302 1 .159 4.139 3 .055 5.941 3 .135 6.146 3 .062 5.493 3 .037 6.760 3 .040 6.404 3 .361 1.130 3 .061 5.675 3 .150 3.955 2 .284 1.764 3 .042 7.657 1 .464 7.766 1 .326 3.191 3 .023 8.110 3 .000 26.947 3 .000 21.500 2 .073 7.262 3 .146 4.426 3 .002 14.951 3 .133 3.935 2 .005 15.634 3 .006 11.313
Skor Diskriminan Fungsi 1 .839 .862 1.511 1.693 2.232 1.583 -.409 -.830 1.909 1.245 .018 1.675 1.571 1.347 1.539 1.604 -.830 1.286 1.237 -.579 1.994 .352 .441 2.089 4.156 3.866 1.215 1.334 3.077 .892 2.326 2.416
Fungsi 2 .349 -.377 -.794 -1.533 1.468 .210 -.401 1.322 1.096 .079 1.409 .412 1.509 -.403 -.589 -.285 -.419 -.594 .675 .884 .983 -2.621 1.433 .432 -1.051 .219 -1.543 .918 .097 -.469 -2.135 -.491
Lampiran 9 Pengklasifikasian obyek ke dalam kelompok No. amatan asal
61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91
Kelompok asal 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
Prediksi kelompok 1 2** 1 1 1 2** 1 1 1 1 1 1 1 1 1 1 1 3** 1 1 1 1 1 1 1 1 1 1 1 1 1
Kelompok tertinggi P(D>d | G=g) P(G=g | D=d) p df .524 .406 .988 .796 .077 .054 .234 .823 .523 .804 .043 .556 .800 .893 .001 .436 .508 .185 .790 .639 .224 .987 .425 .616 .447 .883 .493 .841 .440 .708 .073
2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2
.864 .422 .903 .978 .999 .487 .948 .976 .968 .954 .843 .565 .744 .847 1.000 .994 .990 .523 .663 .967 .998 .880 .367 .848 .762 .961 .991 .923 .995 .655 .612
Jarak kuadrat Mahalanobis ke Centroid 1.294 1.804 .024 .456 5.137 5.845 2.909 .390 1.296 .435 6.300 1.174 .446 .225 14.262 1.661 1.355 3.376 .470 .896 2.992 .026 1.713 .969 1.608 .248 1.415 .346 1.642 .690 5.228
Kelompok tertinggi kedua Jarak kuadrat Kelompok P(G=g | D=d) Mahalanobis ke Centroid 2 .080 6.062 1 .314 2.396 3 .064 5.317 3 .015 8.792 3 .001 19.368 1 .428 6.103 2 .035 9.498 3 .017 8.507 2 .016 9.458 3 .027 7.566 2 .132 10.003 3 .340 2.190 3 .193 3.146 3 .117 4.181 3 .000 33.458 3 .004 12.650 3 .008 10.890 1 .420 3.817 3 .230 2.586 3 .018 8.889 3 .001 16.173 3 .085 4.693 2 .334 1.901 2 .084 5.601 3 .207 4.212 3 .030 7.194 3 .007 11.238 3 .062 5.735 3 .004 12.760 3 .259 2.545 3 .367 6.248
Skor Diskriminan Fungsi 1 1.134 .073 1.395 2.056 3.645 .275 1.541 2.035 1.783 1.667 1.063 .723 1.014 1.279 5.010 2.532 2.534 .706 .793 1.780 3.095 1.340 .192 1.092 1.224 1.886 2.580 1.639 2.675 .840 1.186
Fungsi 2 -1.150 -.792 -.202 -.313 .442 -2.235 -1.755 -.222 -1.136 -.670 -2.535 .766 .467 .396 1.160 -.726 .327 1.760 .193 -.934 -.533 .077 -.468 -.976 1.198 .154 .264 .498 -.369 .529 2.220
Lampiran 9 Pengklasifikasian obyek ke dalam kelompok No. amatan asal
92 93 94 95 96 97 98 99 100 101 102 103 104 105 106 107 108 109 110 111 112 113 114 115 116 117 118 119 120 121 122
Kelompok asal 1 1 1 1 1 1 1 1 1 1 1 1 1 1 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2
Prediksi kelompok 1 1 1 1 1 1 3** 1 1 1 1 1 1 1 2 3** 3** 3** 2 2 3** 3** 2 1** 2 2 2 2 3** 2 2
Kelompok tertinggi P(D>d | G=g) P(G=g | D=d) p df .704 .526 .385 .453 .476 .746 .536 .687 .373 .669 .505 .696 .822 .399 .873 .100 .811 .362 .386 .432 .875 .930 .320 .478 .792 .825 .076 .054 .742 .644 .647
2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2
.593 .581 .666 .959 .992 .799 .408 .983 .909 .748 .675 .983 .912 .995 .491 .663 .567 .610 .873 .774 .486 .523 .848 .426 .575 .517 .672 .890 .709 .761 .595
Jarak kuadrat Mahalanobis ke Centroid .701 1.286 1.909 1.583 1.484 .586 1.249 .750 1.974 .804 1.365 .726 .392 1.839 .272 4.601 .419 2.034 1.902 1.680 .266 .144 2.279 1.477 .467 .384 5.157 5.840 .597 .879 .872
Kelompok tertinggi kedua Jarak kuadrat Kelompok P(G=g | D=d) Mahalanobis ke Centroid 3 .285 2.166 2 .233 3.118 2 .215 4.169 3 .037 8.108 3 .005 11.960 3 .102 4.695 1 .382 1.380 3 .014 9.285 2 .058 7.471 2 .131 4.285 2 .191 3.889 3 .011 9.712 3 .071 5.491 3 .004 12.855 3 .486 .296 2 .336 5.960 2 .423 1.002 2 .388 2.941 3 .123 5.827 3 .225 4.146 2 .485 .270 2 .449 .452 3 .126 6.085 2 .298 2.193 3 .420 1.096 3 .472 .567 3 .328 6.594 3 .065 11.067 2 .192 3.212 3 .237 3.214 3 .402 1.657
Skor Diskriminan Fungsi 1 .686 .533 .658 2.069 2.389 .976 .312 2.263 1.303 .848 .685 2.133 1.590 2.785 -1.085 -2.645 -1.398 -2.082 -1.789 -2.463 -.976 -.986 -1.055 .294 -1.681 -1.409 -3.313 -.777 -.260 -2.077 -1.962
Fungsi 2 .324 -.743 -1.197 1.033 -.808 -.667 .297 .196 -1.452 -.732 -.951 -.538 .553 .052 .211 1.648 .674 1.155 -1.538 -.461 .176 .342 -1.807 -.475 .160 .273 .468 -2.686 1.237 -.566 .204
Lampiran 9 Pengklasifikasian obyek ke dalam kelompok No. amatan asal
123 124 125 126 127 128 129 130 131 132 133 134 135 136 137 138 139 140 141 142 143 144 145 146 147 148 149 150 151 152 153
Kelompok asal 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2
Prediksi kelompok 2 3** 3** 3** 2 2 3** 2 2 2 1** 2 3** 2 3** 3** 3** 2 2 3** 2 2 2 2 3** 1** 3** 2 2 2 3**
Kelompok tertinggi P(D>d | G=g) P(G=g | D=d) p df .647 .913 .497 .956 .168 .359 .802 .857 .538 .722 .377 .529 .437 .970 .857 .906 .065 .441 .480 .991 .073 .008 .399 .749 .765 .316 .750 .130 .266 .405 .763
2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2
.430 .541 .774 .609 .877 .800 .518 .549 .559 .714 .784 .666 .668 .588 .538 .639 .920 .626 .847 .581 .942 .512 .809 .745 .668 .395 .593 .826 .899 .846 .458
Jarak kuadrat Mahalanobis ke Centroid .871 .183 1.399 .091 3.562 2.051 .443 .308 1.240 .651 1.953 1.274 1.658 .060 .309 .198 5.453 1.635 1.466 .019 5.230 9.691 1.840 .578 .536 2.306 .576 4.080 2.648 1.805 .542
Kelompok tertinggi kedua Jarak kuadrat Kelompok P(G=g | D=d) Mahalanobis ke Centroid 3 .411 .963 2 .440 .593 2 .219 3.926 2 .369 1.090 3 .094 8.024 3 .199 4.836 2 .472 .631 3 .442 .743 3 .438 1.728 3 .283 2.501 3 .192 4.767 3 .333 2.663 2 .329 3.076 3 .397 .844 2 .449 .673 2 .344 1.437 2 .075 10.479 3 .373 2.668 3 .144 5.007 2 .385 .843 3 .057 10.823 3 .488 9.788 3 .152 5.180 3 .227 2.956 2 .202 2.928 2 .385 2.355 2 .400 1.364 3 .100 8.311 3 .098 7.081 3 .137 5.453 2 .436 .642
Skor Diskriminan Fungsi 1 -.249 -1.142 -1.329 -1.038 -.996 -2.583 -1.392 -1.472 -2.043 -1.982 1.317 -2.259 -1.846 -1.305 -1.292 -1.117 -1.189 -2.335 -1.477 -.863 -2.692 -3.788 -.900 -1.051 -.162 .212 -1.488 -.599 -1.938 -1.228 -.428
Fungsi 2 -.203 .467 1.673 .732 -2.181 -.576 .462 .168 .398 -.352 1.340 .017 1.319 -.092 .510 .895 2.935 .241 -1.476 .560 -2.015 1.393 -1.630 -1.052 1.075 -.955 .823 -2.238 -1.741 -1.645 -.020
Lampiran 9 Pengklasifikasian obyek ke dalam kelompok No. amatan asal
154 155 156 157 158 159 160 161 162 163 164 165 166 167 168 169 170 171 172 173 174 175 176 177 178 179 180 181 182 183 184
Kelompok asal 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2
Prediksi kelompok 2 2 2 2 2 2 2 2 2 3** 2 3** 2 2 2 2 2 2 2 2 2 2 2 2 3** 1** 2 2 2 2 2
Kelompok tertinggi P(D>d | G=g) P(G=g | D=d) p df .006 .997 .737 .335 .724 .919 .978 .409 .774 .155 .332 .558 .982 .575 .667 .948 .720 .598 .588 .245 .916 .435 .236 .233 .869 .521 .862 .795 .963 .953 .449
2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2
.978 .635 .454 .582 .529 .531 .619 .438 .624 .594 .885 .786 .607 .557 .807 .680 .600 .505 .447 .901 .519 .610 .815 .841 .489 .423 .488 .525 .671 .548 .708
Jarak kuadrat Mahalanobis ke Centroid 10.384 .005 .611 2.189 .645 .168 .045 1.788 .514 3.734 2.206 1.166 .036 1.108 .811 .108 .656 1.028 1.061 2.812 .176 1.665 2.886 2.910 .280 1.304 .296 .459 .076 .096 1.600
Kelompok tertinggi kedua Jarak kuadrat Kelompok P(G=g | D=d) Mahalanobis ke Centroid 3 .021 18.070 3 .345 1.225 3 .435 .696 1 .220 4.133 3 .350 1.468 3 .452 .489 3 .351 1.181 1 .302 2.531 3 .300 1.976 1 .352 4.784 3 .111 6.353 2 .200 3.902 3 .379 .980 3 .283 2.463 3 .187 3.733 3 .298 1.757 3 .302 2.027 3 .317 1.959 3 .354 1.529 3 .097 7.269 3 .460 .418 3 .222 3.688 3 .125 6.634 3 .159 6.242 2 .488 .285 3 .308 1.940 3 .456 .432 3 .379 1.108 3 .307 1.637 3 .432 .568 3 .291 3.379
Skor Diskriminan Fungsi 1 -2.114 -1.192 -.416 -.132 -.404 -1.203 -1.000 .049 -.625 .637 -1.780 -1.077 -1.315 -.282 -1.643 -1.135 -.511 -.227 -.157 -2.189 -1.125 -.267 -.706 -2.821 -1.075 .310 -.715 -.504 -1.147 -1.158 -2.428
Fungsi 2 -3.386 -.374 -.123 -1.350 -.520 .106 -.417 -.836 -.759 1.985 -1.660 1.670 -.173 -.857 -1.073 -.628 -.762 -.657 -.443 -1.640 .114 -1.217 -1.934 -.759 .222 -.261 -.015 -.382 -.576 .006 -.113
Lampiran 9 Pengklasifikasian obyek ke dalam kelompok No. amatan asal
185 186 187 188 189 190 191 192 193 194 195 196 197 198 199 200 201 202 203 204 205 206 207 208 209 210 211 212 213 214 215
Kelompok asal 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3
Prediksi kelompok 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 3 3 3 3 3 3 3 3 3 2** 2** 2** 3 2** 3 3
Kelompok tertinggi P(D>d | G=g) P(G=g | D=d) p df .803 .708 .503 .991 .768 .900 .483 .069 .725 .610 .084 .431 .791 .947 .072 .612 .707 .354 .388 .715 .814 .942 .675 .660 .510 .912 .319 .534 .816 .048 .252
2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2
.483 .519 .384 .637 .515 .631 .576 .771 .628 .802 .737 .507 .505 .687 .904 .492 .765 .804 .840 .721 .732 .621 .517 .701 .837 .515 .661 .777 .516 .873 .527
Jarak kuadrat Mahalanobis ke Centroid .438 .690 1.375 .018 .527 .211 1.457 5.335 .643 .987 4.957 1.684 .469 .109 5.267 .981 .692 2.077 1.894 .672 .412 .119 .787 .831 1.347 .184 2.284 1.253 .406 6.078 2.758
Kelompok tertinggi kedua Jarak kuadrat Kelompok P(G=g | D=d) Mahalanobis ke Centroid 3 .430 .671 3 .476 .863 3 .357 1.520 3 .340 1.271 3 .378 1.147 3 .322 1.554 3 .423 2.073 1 .142 8.724 3 .287 2.209 3 .195 3.814 3 .263 7.021 3 .249 3.109 3 .398 .941 3 .303 1.745 3 .067 10.468 1 .315 1.873 2 .202 3.358 2 .191 4.956 2 .127 5.677 2 .267 2.660 2 .233 2.707 2 .358 1.218 2 .478 .944 2 .169 3.676 3 .160 4.655 3 .463 .398 3 .339 3.620 2 .143 4.642 3 .474 .580 2 .126 9.942 2 .473 2.974
Skor Diskriminan Fungsi 1 -.533 -1.644 -.005 -1.121 -.456 -.830 -2.169 -.305 -.578 -1.998 -3.356 -.075 -.492 -1.459 -.965 .239 -.721 -1.437 -.596 -1.197 -.737 -1.059 -1.634 -.115 -2.009 -1.110 -2.602 -.266 -1.425 -2.077 -2.387
Fungsi 2 -.149 .385 -.341 -.424 -.389 -.603 .386 -2.441 -.835 -.862 .155 -.987 -.294 -.474 -2.588 .615 1.473 1.909 2.008 1.328 1.283 .795 .555 1.294 -1.112 .122 .201 1.650 .285 2.720 .926
Lampiran 9 Pengklasifikasian obyek ke dalam kelompok No. amatan asal
216 217 218 219 220 221 222 223 224 225 226 227 228 229 230 231 232 233 234 235 236 237 238 239 240 241 242 243 244 245 246
Kelompok asal 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3
Prediksi kelompok 3 2** 3 2** 3 3 3 3 3 2** 2** 3 2** 2** 2** 2** 3 3 3 3 3 1** 1** 3 2** 3 3 1** 3 2** 3
Kelompok tertinggi P(D>d | G=g) P(G=g | D=d) p df .529 .772 .899 .292 .305 .707 .174 .677 .577 .928 .817 .899 .828 .849 .536 .965 .915 .970 .583 .876 .813 .976 .533 .703 .724 .922 .642 .831 .103 .531 .215
2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2
.382 .746 .610 .675 .512 .765 .638 .723 .573 .590 .534 .583 .486 .577 .572 .665 .583 .550 .441 .536 .670 .858 .458 .509 .764 .516 .442 .766 .861 .499 .654
Jarak kuadrat Mahalanobis ke Centroid 1.275 .518 .213 2.462 2.375 .693 3.492 .782 1.101 .150 .403 .213 .378 .328 1.249 .071 .178 .061 1.077 .266 .414 .049 1.257 .705 .647 .163 .886 .369 4.542 1.266 3.072
Kelompok tertinggi kedua Jarak kuadrat Kelompok P(G=g | D=d) Mahalanobis ke Centroid 2 .371 1.335 3 .250 2.707 2 .374 1.191 3 .324 3.928 2 .487 2.473 2 .199 3.385 2 .362 4.628 2 .174 3.636 1 .272 2.591 3 .400 .924 3 .379 1.093 2 .402 .955 3 .439 .579 3 .416 .979 3 .426 1.837 3 .312 1.585 2 .307 1.460 2 .415 .625 1 .343 1.578 2 .344 1.150 2 .218 2.658 3 .100 4.353 3 .395 1.553 1 .248 2.141 3 .214 3.193 2 .428 .534 2 .304 1.639 3 .176 3.314 1 .084 9.205 3 .498 1.271 1 .277 4.787
Skor Diskriminan Fungsi 1 -.024 -1.833 -1.188 -2.675 -2.282 -.688 -2.442 -.216 .229 -1.446 -.548 -1.212 -.595 -1.582 -2.077 -1.121 -.336 -.886 .252 -.326 -.241 1.260 .492 .074 -1.130 -.690 .032 1.056 .015 -1.877 .461
Fungsi 2 -.223 -.599 .789 .164 .816 1.471 1.438 1.345 1.015 -.023 -.385 .674 -.104 .103 .360 -.562 .565 .433 .374 .350 1.032 .087 .556 .489 -1.105 .242 .119 .424 2.629 .578 1.907
Lampiran 9 Pengklasifikasian obyek ke dalam kelompok No. amatan asal
247 248 249 250 251 252
Kelompok asal 3 3 3 3 3 3
** klasifikasi berbeda
Prediksi kelompok 3 3 1** 3 3 3
Kelompok tertinggi P(D>d | G=g) P(G=g | D=d) p df .575 .964 .998 .698 .599 .824
2 2 2 2 2 2
.496 .602 .913 .536 .503 .514
Jarak kuadrat Mahalanobis ke Centroid 1.108 .073 .003 .720 1.026 .386
Kelompok tertinggi kedua Jarak kuadrat P(G=g | Kelompok Mahalanobis ke D=d) Centroid 1 .333 1.904 2 .374 1.026 3 .059 5.468 1 .246 2.277 1 .317 1.953 2 .342 1.199
Skor Diskriminan Fungsi 1 .297 -1.015 1.467 .097 .259 -.248
Fungsi 2 .731 .697 -.099 .648 .705 .276
Lampiran 10 Korelasi Antar Mata Pelajaran Agama
PPKn
Bhs
Bhs
Indonesia
Inggris
Matematika
Fisika
Biologi
Kimia
Sejarah Geografi
Ekonomi
Sosiologi
TIK
Bhs Jerman
Agama
1
.809
.561
.479
.607
.678
.616
.609
.408
.456
.460
.541
.595
.458
PPKn
.809
1
.649
.563
.649
.672
.668
.598
.458
.534
.520
.623
.642
.397
Bhs Indonesia
.561
.649
1
.688
.612
.606
.598
.587
.393
.553
.546
.539
.433
.346
Bhs Inggris
.479
.563
.688
1
.656
.637
.586
.569
.411
.549
.583
.517
.430
.343
Matematika
.607
.649
.612
.656
1
.823
.718
.728
.424
.535
.544
.487
.525
.409
Fisika
.678
.672
.606
.637
.823
1
.762
.789
.460
.590
.536
.559
.620
.379
Biologi
.616
.668
.598
.586
.718
.762
1
.769
.498
.563
.505
.538
.567
.441
Kimia
.609
.598
.587
.569
.728
.789
.769
1
.501
.559
.421
.539
.516
.444
Sejarah
.408
.458
.393
.411
.424
.460
.498
.501
1
.729
.408
.535
.468
.305
Geografi
.456
.534
.553
.549
.535
.590
.563
.559
.729
1
.488
.624
.550
.231
Ekonomi
.460
.520
.546
.583
.544
.536
.505
.421
.408
.488
1
.496
.481
.203
Sosiologi
.541
.623
.539
.517
.487
.559
.538
.539
.535
.624
.496
1
.571
.309
TIK
.595
.642
.433
.430
.525
.620
.567
.516
.468
.550
.481
.571
1
.323
Bhs Jerman
.458
.397
.346
.343
.409
.379
.441
.444
.305
.231
.203
.309
.323
1
Lampiran 11 Keterkaitan Nilai Rapor Siswa dengan Jurusan
IPA
IPS
Bahasa
Mata Pelajaran
Sig
Rata-Rata
Std . Deviasi
Rata-Rata
Std . Deviasi
Rata-Rata
Std . Deviasi
Agama
82.8095
5.04612
76.0426
5.06870
77.7925
5.98671
.000
PPKn
81.5453
5.06939
75.8626
4.57991
76.7830
4.85512
.000
Bahasa Indonesia
79.0167
4.73089
74.1303
4.17087
76.5189
4.06671
.000
Bahasa Inggris
75.0238
6.12270
68.7713
5.93034
72.7170
4.28942
.000
matematika
75.6938
5.92463
62.2128
3.91044
63.6983
4.71028
.000
Fisika
75.6238
5.32040
64.6862
4.19548
66.6226
4.33224
.000
Biologi
79.9762
5.70610
72.1596
4.11084
73.3208
4.46901
.000
Kimia
76.5071
5.17860
67.5798
4.12721
69.0283
4.56304
.000
Sejarah
73.0905
3.94906
71.5346
2.97675
71.3019
2.83070
.001
Geografi
72.9286
4.04329
69.6755
2.96436
70.4717
3.64588
.000
Ekonomi
74.2190
5.71895
71.5106
4.66267
70.4906
4.36495
.000
Sosiologi
79.4190
5.49262
75.8936
4.48227
76.3491
5.45223
.000
TIK
78.3667
6.05157
74.0745
4.97032
74.8679
5.62801
.000
Bahasa Jerman
73.8881
8.01036
67.9947
6.62564
74.1792
4.53310
.000