Forum Statistika dan Komputasi, April 2005, p: 15 - 21 ISSN : 0853-8115
Vol. 10 No. 1
POHON KLASIFIKASI DAN POHON REGRESI KEBERHASILAN MAHASISWA PASCASARJANA PROGRAM STUDI STATISTIKA IPB Ida Mariati H.1), Khairil A. Notodiputro2), dan Bambang Juanda2) 1)
Jurusan Matematika, FMIPA UNCEN Departemen Statistika, FMIPA IPB
2)
Ringkasan Selama tiga tahun terakhir, untuk dua semester pertama, selalu terdapat mahasiswa Program Studi Statistika Sekolah Pascasarjana IPB yang tidak sanggup memenuhi persyaratan yang telah ditetapkan. Karena itu menjadi penting untuk mengetahui faktor-faktor yang mempengaruhi keberhasilan mahasiswa dengan menelusuri latar belakang pendidikan S1 dan prestasi akademik mahasiswa selama S1. Penelitian ini dilakukan pada mahasiswa S2 Program Studi Statistika angkatan 1991 – 2002. Pendekatan analisis yang digunakan adalah Metode Pohon Regresi (Regression Tree). Faktor-faktor yang diduga mempengaruhi keberhasilan mahasiswa adalah jenis kelamin, status perkawinan, usia, pekerjaan, asal perguruan tinggi S1, program studi S1, nilai mutu rata-rata (NMR) yang dicapai untuk semua mata kuliah selama S1, nilai mutu rata-rata (NMR) untuk semua mata kuliah statistika selama S1, dan nilai mutu rata-rata (NMR) untuk semua mata kuliah matematika selama S1. Hasil analisis dari ke tiga pohon regresi menunjukkan bahwa jenis pekerjaan, asal perguruan tinggi dan NMR STK S1 adalah peubah yang sangat berpengaruh terhadap keberhasilan mahasiswa S2 Statistika. Mahasiswa yang berasal dari perguruan tinggi BHMN lebih unggul dibandingkan mahasiswa yang berasal dari perguruan tinggi Jawa non BHMN dan Luar Jawa. Kata kunci : NMR, statistika deskriptif, pohon klasifikasi, pohon regresi PENDAHULUAN Institut Pertanian Bogor merupakan salah satu universitas terkemuka di Indonesia yang menyelenggarakan pendidikan pascasarjana sejak tahun 1975. Dari hanya tujuh program studi yang dibuka tahun itu, salah satunya adalah program studi Statistika Terapan, sekarang berkembang menjadi 35 program studi Magister Sains (S2). Program-program studi tersebut dirancang secara khusus untuk menumbuhkan dan meningkatkan kemampuan para mahasiswa untuk berprestasi lebih baik dalam hidupnya, baik untuk pribadinya, keluarga dan masyarakat, negara, serta untuk sesama umat manusia (IPB, 2001). Penerimaan mahasiswa baru di Sekolah Pascasarjana IPB dilakukan berdasarkan penilaian transkrip dan indikator lain seperti akreditasi, status perguruan tinggi dan kesesuaian bidang studi selama pendidikan sarjana dan atau pasca sarjana. Kelemahan penilaian transkrip ini adalah sangat beragamnya kualitas lulusan sarjana meskipun nilai transkripnya sama. Hal ini disebabkan karena fasilitas pendidikan di
perguruan tinggi yang ada di Indonesia belum merata dan memadai terutama dosen, laboratorium dan buku-buku di perpustakan. Calon mahasiswa yang masuk ke program studi Statistika adalah lulusan S1 Statistika/Matematika, atau kependidikan yang berlatar belakang Matematika dan Statistika dari berbagai Perguruan Tinggi yang ada di Indonesia, dan ada juga yang bukan lulusan Statistika/Matematika. Bagi mahasiswa yang memiliki latar belakang yang kurang di bidang Matematika dan Statistika diharuskan mengambil beberapa mata kuliah program studi S1 yang dianggap perlu sebagai prasyarat di semester I (satu). Seorang mahasiswa pada program Magister Sains harus mempertahankan NMR (Nilai Mutu Rata-rata) tidak kurang dari 3,00 pada seluruh mata kuliah yang ditempuhnya. Apabila pada akhir semester II (dua) seorang mahasiswa tidak dapat mempertahankan NMR tersebut di atas, tidak diizinkan meneruskan pendidikannya di SPs–IPB . Untuk mahasiswa yang diterima dengan status percobaan, NMR tersebut diatas 15
Forum Statistika dan Komputasi, April 2005, p: 15 - 21 ISSN : 0853-8115
harus dapat dipertahankan pada akhir semester I. Jika tidak, maka tidak diizinkan meneruskan pendidikannya di SPs – IPB . Pada program studi Statistika, selama 3 tahun terakhir ini, untuk dua semester pertama selalu terdapat mahasiswa yang tidak sanggup memenuhi persyaratan yang telah ditetapkan oleh sekolah pascasarjana (SPs) seperti yang terlihat pada Tabel 1 di bawah ini. Tabel 1. NMR Mahasiswa Program Studi Statistika yang Tidak Memenuhi Persyaratan Tahun. Masuk 2000
2001
2002
Mahasiswa 1 2 3 4 5 1 2 3 4 5 6 1 2 3 4 5 6 7
Indeks Prestasi Sem I
Sem II
2,50 2,83 2,83 3,17 2,50 3,33 3,00 2,50 2,33 2,35 2,50 3,00 2,67 2,00 2,83 2,83 3,00 2,00
2,50 3,00 2,75 2,50 2,63 2,63 2,00 2,88 2,88 2,83 2,83 -
NMR 2,50 (keluar) 2,67 2,92 2,96 2,50 2,98 2,82 2,25 (keluar) 2,33 (pindah PS) 2,62 (pindah PS) 2,50 (keluar) 2,94 2,67 (keluar) 2,00 (pindah PS) 2,83 (keluar) 2,83 2,92 2,00 (keluar)
Sumber : Divisi Akademik Sekolah Pascasarjana IPB Dari Tabel 1 terlihat bahwa untuk angkatan 2000 yang tidak memenuhi persyaratan sebesar 25% dari 20 orang, angkatan 2001 sebesar 30% dari 20 orang dan untuk angkatan 2002 yang tidak memenuhi persyaratan sebesar 31% dari 22 orang. Persyaratan umum yang diterapkan tersebut menuntut kualifikasi mahasiswa yang unggul di dalam proses pendidikan selama S2. Dalam hal ini diperlukan pemilihan mahasiswa yang tepat, sehingga menjadi penting untuk mengetahui faktor-faktor yang mempengaruhi keberhasilan mahasiswa, yaitu dengan menelusuri latar belakang pendidikan S1 dan prestasi akademik mahasiswa selama di S1. Tujuan dan Manfaat Penelitian Penelitian ini bertujuan untuk mengetahui faktor-faktor penciri yang berpengaruh terhadap keberhasilan mahasiswa program studi Statistika Sekolah Pascasarjana IPB, dengan cara membuat model pohon regresi. Manfaat dari hasil penelitian ini diharapkan dapat memberikan gambaran atau petunjuk bagi langkah selanjutnya dalam penyeleksian calon mahasiswa baru di Sekolah 16
Vol. 10 No. 1
Pascasarjana IPB khususnya program studi Statistika guna lebih meningkatkan mutu dan kualitas lulusan, serta untuk kelancaran studi di IPB. DATA DAN METODE Data Data yang digunakan dalam penelitian ini adalah data mahasiswa S2 Program Studi Statistika IPB angkatan 1991 sampai dengan 2002 yaitu berjumlah 148 mahasiswa. Dari jumlah ini 124 (83,78%) berhasil tamat dan 24 (16,22 %) dikeluarkan (dropt out). Mahasiswa yang tertera pada Tabel 1 diikutsertakan dalam analisis yaitu termasuk mahasiswa yang tidak berhasil. Bagi mahasiswa yang tidak dikeluarkan sampai saat ini masih ada yang aktif kuliah sebanyak 6 orang dan yang sudah berhasil tamat 3 orang. Data diperoleh dari Divisi Akademik Sekolah Pascasarjana IPB. Proses pengambilan data berlangsung selama 4 bulan. Ada 3 (tiga) peubah respon yang digunakan yaitu Nilai Mutu Rata-rata (NMR) S2, masa studi S2 dan peringkat kelas yang dilihat dari Indikator Kinerja (IK). Indikator kinerja diperoleh dari selisih Nilai Mutu Rata-rata (NMR) S2 dengan masa studi yang ditempuh setelah masing-masing terlebih dahulu distandarisasi dengan cara mengurangi nilai indikator tersebut dengan rataratanya kemudian dibagi dengan simpangan bakunya.
IK
Z nmr
Z M .Studi
dimana
Z
X
X
Kemudian hasil indikator kinerja tersebut dibagi menjadi 3 kelompok selang di dalam pembagian peringkat kelas. Kelompok peringkat kelas adalah : 1. Kelas 1 (baik), jika IK 1 2. Kelas 2 ( cukup), jika -1 < IK < 1 3. Kelas 3 (kurang), jika IK -1 4. Kelas 4 (Gagal / Do) Sedangkan peubah penjelasnya, antara lain : 1. Jenis Kelamin (JK = 1, untuk laki-laki dan 0, untuk perempuan) 2. Status Perkawinan (Status = 1, untuk kawin 0, untuk belum kawin) 3. Usia. Usia pada saat masuk sekolah pascasarjana dalam tahun 4. Pekerjaan Pekerj = 3, untuk lainnya (bukan dosen maupun peneliti) 2, untuk Peneliti, dan 1, untuk Dosen 5. Asal P.Tinggi S1 Asal_PT = 2, untuk BHMN 1, untuk Jawa non BHMN
Forum Statistika dan Komputasi, April 2005, p: 15 - 21 ISSN : 0853-8115
Vol. 10 No. 1
0, untuk Luar Jawa 6. Program Studi S1 P_Studi = 3, untuk Statistika 2, untuk Matematika 1, untuk Pend. Matematika 0, untuk lainnya 7. Nilai Mutu Rata-rata (NMR) yang dicapai untuk semua mata kuliah selama S1. 8. Nilai Mutu Rata-rata (NMR) untuk semua Statistika selama S1mata kuliah. 9. Nilai Mutu Rata-rata (NMR) untuk semua mata kuliah Matematika selama S1. Metode Analisis Analisis data dilakukan dalam dua tahap. Tahap pertama adalah menentukan pohon optimal dalam CART yang diperoleh melalui proses pemangkasan (pruning). Kemudian dilakukan uji tingkat ketepatan pengklasifikasian amatan dari pohon regresi yang terbentuk dengan menggunakan semua data yang dianalisis. Disamping itu juga dilakukan validasi model untuk menunjukkan konsistensi dari pohon yang dihasilkan dengan menggunakan data baru.
0.89
HASIL DAN PEMBAHASAN Pohon Regresi Untuk Peubah Respon NMR S2 Pada tahap awal dihasilkan pohon maksimal berukuran 22 simpul terminal. Dan melalui pemangkasan berdasarkan aturan Cost Complexity Minimum dan penggunaan validasi Silang lipat-10 (10-fold Cross Validation) dengan nilai Rcv (x-val Relative Error) terkecil sebesar 0,89, diperoleh pohon optimum (Gambar 1). Pohon ini mengandung enam buah simpul terminal dengan tingkat ketepatan pengklasifikasian amatan sebesar 72,46% (Gambar 2). Hasil validasi model dengan menggunakan data baru sebanyak 10 mahasiswa diperoleh tingkat ketepatan 60% dan 40% berada di atas selang.
Relative Cost
1.1 1.0 0.9
Error
Relative Error
1.2
Tahap kedua adalah menentukan nilai dugaan respon bagi setiap simpul akhir. Proses analisis dilakukan dengan menggunakan software Minitab versi 13.20 dan software CART versi 4.0.
0.8 0.7
0
5
10 15 Number of Nodes
20
25
Gambar 1. Plot RCV (x-val Relative Error) Peubah Respon NMR S2
Ya
Node 1 ASAL_PT=(0,1) Avg = 3,22 N = 138
Node 2 NMR_STK<=2,61 Avg = 3,09 N=73
Terminal Node 1 Avg = 2,65 2,478<μ<2,82 0
Tidak
Node 3 NMR_STK<=2,69 Avg = 3,37 N=63
Terminal Node 2 Avg = 3,13 3,049<μ<3,217
Node 4 PEKEJ=(3) Avg = 3,05 N=10
Terminal Node 3 Avg = 2,70 2,414<μ<2,992
Node 5 NMR_MAT<=3,73 Avg = 3,47 N=47
Terminal Node 4 Avg = 3,20 3,025<μ<3,379
Terminal Node 5 Avg = 3,52 3,408<μ<3,626
Terminal Node 6 Avg = 3,11 2,832<μ<3,388
17
Forum Statistika dan Komputasi, April 2005, p: 15 - 21 ISSN : 0853-8115
Vol. 10 No. 1
Relative Error
Gambar 2. Pohon regresi Optimum Peubah Respon NMR S2 Peubah penjelas yang pertama menyekat MAT > 3,73 ternyata sebagian besar berasal dari adalah asal perguruan tinggi S1. Sehingga peubah program studi selain statistika dan matematika,di ini merupakan peubah dominan. Peubah yang lain mana satuan kredit yang dambil mata ajaran yang muncul adalah peubah NMR S1, NMR STK, NMR matematika tidaklebih dari 10% saja. MAT, dan pekerjaan. Terlihat bahwa kelompok mahasiswa yang Pohon Regresi Untuk Peubah Respon Masa Studi berasal dari Perguruan Tinggi BHMN, NMR S1>2,69, S2 Pada tahap awal dihasilkan pohon NMR MAT 3,73 merupakan kelompok dengan maksimal berukuran 22 simpul terminal. NMR S2 tertinggi, sedangkan untuk kelompok Kemudian melalui pemangkasan mahasiswa yang berasal dari Perguruan Tinggi berdasarkan aturan Cost Complexity Minimum dan BHMN, NMR S1 2,69 serta pekerjaan bukan dosen penggunaan validasi Silang lipat-10 (10-fold Cross maupun peneliti dan kelompok mahasiswa yang Validation) dengan nilai Rcv (x-val Relative Error) berasal dari Perguruan Tinggi Jawa Non BHMN atau terkecil sebesar 1,15, diperoleh pohon optimum Luar Jawa, NMR STK 2,61 merupakan kelompok (Gambar 3). Pohon ini mengandung lima buah mahasiswa yang diprediksikan akan mengalami simpul terminal dengan tingkat ketepatan kegagalan (DO). Pada simpul akhir 4 dan simpul pengklasifikasian amatan sebesar 65,21% (Gambar akhir 5 terlihat bahwa mahasiswa yang memiliki 4). Hasil validasi model dengan menggunakan NMR MAT 3,73 memiliki rata-rata NMR S2 lebih data baru sebanyak 10 mahasiswa diperoleh tinggi dibandingkan mahasiswa yang memiliki NMR tingkat ketepatan 50%, 20% berada di bawah MAT > 3,73. Kesimpulan ini terlihat agak aneh, hal selang dan 40% berada di atas selang. ini terjadi karena mahasiswa yang memiliki NMR Relative Cost
1.15
1.7 1.5 1.3 1.1 0.9
0
5
10 15 Number of Nodes
20
25
Gambar 3. Plot RCV (x-val Relative Error) Peubah Respon Masa Studi S2
Ya
Node 1 PEKEJ=(3) Avg = 32,45 N = 138
Tidak Node 3 ASAL_PT=(0,1) Avg = 34,10 N = 120
Node 2 P_STUDI=(0,1,2)) Avg = 21,44 N = 18
Terminal Node 1 Avg = 13,50 9,699<μ<17,467
Terminal Node 2 Avg = 27,80 24,792<μ<30,860
Node 4 NMR_STK<=2,61 Avg = 32,33 N = 70
Terminal Node 3 Avg = 18,00 10,664<μ<25,228
18
Terminal Node 4 Avg = 33,67 30,237<μ<37,091
Terminal Node 5 Avg = 36,58 32,844<μ<40,274
Forum Statistika dan Komputasi, April 2005, p: 15 - 21 ISSN : 0853-8115
Vol. 10 No. 1
Relative Cost
0.75
1.0 0.9 0.8 0.7 0.6 0 Cost
Relative Cost
Gambar 4. Pohon Regresi Optimum Peubah Respon Masa Studi S2 Peubah penjelas yang pertama menyekat Kemudian melalui pemangkasan berdasarkan adalah jenis pekerjaan. Sehingga peubah ini aturan Cost Complexity Minimum dan penggunaan merupakan peubah dominan. Peubah yang lain validasi Silang lipat-10 (10-fold Cross Validation) yang muncul adalah peubah asal Program studi S1, dengan nilai Rcv (x-val Relative Error) terkecil Asal Perguruan Tinggi dan NMR STK. sebesar 0,75, diperoleh pohon optimum (Gambar Terlihat bahwa kelompok mahasiswa yang 5). Pohon ini mengandung lima buah simpul bukan sebagai dosen maupun peneliti, dan berasal terminal dengan tingkat ketepatan dari program studi Matematika, Pendidikan pengklasifikasian amatan sebesar 62,32% (Gambar Matematika dan Program studi lainnya serta 6). Hasil validasi model dengan menggunakan data kelompok mahasiswa yang bekerja sebagai dosen baru sebanyak 10 mahasiswa diperoleh tingkat maupun peneliti, berasal dari Perguruan Tinggi ketepatan 50%. Peubah penjelas yang pertama menyekat Jawa non BHMN atau Luar Jawa serta NMR STK adalah jenis pekerjaan. Sehingga peubah ini 2,61 merupakan kelompok mahasiswa yang merupakan peubah dominan. Peubah yang lain diprediksikan akan mengalami kegagalan (DO). yang muncul adalah Asal Perguruan Tinggi , NMR S1 dan NMR STK. Terlihat bahwa kelompok mahasiswa sebagai Pohon Regresi Untuk Peubah Respon Peringkat dosen maupun peneliti , berasal dari Perguruan Kelas Tinggi BHMN dan NMR S1 > 2,85 merupakan Pada tahap awal dihasilkan pohon maksimal kelompok mahasiswa yang kelas 1 ( baik). berukuran 17 simpul terminal.
5
10 Number of Nodes
15
20
Gambar 5. Plot RCV (x-val Relative Error) Peubah Respon Peringkat Kelas
Ya
Node 1 PEKEJ=(3) N = 138
Tidak
Terminal Node 1 Class = 4 P = 55,56 % N=18
Node 2 ASAL_PT=(2) N = 10
Node 4 NMR_ STK<=2,61 N = 70
Node 3 NMR_S1<=2,85 N = 50
Terminal Node 2 Class = 2 P = 57,14 % N = 21
Terminal Node 3 Class = 1 P = 51,72 % N = 29
Terminal Node 4 Class = 4 P = 66,67 % N=6
Terminal Node 5 Class = 3 P= 42,19 % N = 64
19
Forum Statistika dan Komputasi, April 2005, p: 15 - 21 ISSN : 0853-8115
Vol. 10 No. 1
Gambar 6. Pohon Regresi Optimum Peubah Respon Peringkat Kelas Dari ketiga pohon regresi di atas, terlihat sebagai dosen maupun peneliti, berasal dari bahwa jenis pekerjaan, asal perguruan tinggi dan perguruan tinggi BHMN dan NMR S1 > 2,85. NMR STK muncul sebagai peubah yang diduga 5. Kelompok mahasiswa yang cenderung gagal berpengaruh terhadap keberhasilan mahasiswa S2 (dropt out) adalah : Statistika SPs IPB. Mahasiswa yang bukan dosen 1). Kelompok mahasiswa yang bukan sebagai dan peneliti kemungkinannya lebih besar dosen maupun peneliti. mengalami kegagalan dalam menempuh studi S2 di 2). Kelompok mahasiswa yang bekerja program studi Statistika IPB. Mahasiswa yang sebagai dosen maupun peneliti, asal PT berasal dari perguruan tinggi BHMN lebih unggul Jawa non BHMN dan Luar Jawa , NMR STK dibandingkan mahasiswa yang berasal dari 2,61. perguruan tinggi Jawa non BHMN dan Luar Jawa. Saran Dari pohon regresi yang diperoleh disarankan KESIMPULAN DAN SARAN untuk menyeleksi mahasiswa baru dengan Kesimpulan memperhatikan peubah-peubah yang berpengaruh Kajian ini menunjukkan bahwa keberhasilan untuk menghasilkan mutu lulusan yang baik. mahasiswa statistika IPB dipengaruhi oleh status Mahasiswa yang diterima di Program Studi perguruan tinggi, NMR pendidikan S1, NMR mata Statistika SPs IPB yang diprediksikan berhasil kuliah Matematika selama pendidikan S1, serta menyelesaikan studi adalah mahasiswa yang jenis pekerjaan mahasiswa. Secara lebih rinci pekerjaannya sebagai dosen atau peneliti, memiliki keberhasilan mahasiswa statistika dapat NMR S1 ≥ 2,69 bagi mahasiswa yang berasal dari dideskripsikan sebagai berikut : perguruan tinggi BHMN dan memiliki NMR STK S1 ≥ 1. Kelompok mahasiswa dengan NMR S2 tertinggi 2,61 bagi mahasiswa yang berasal dari perguruan yaitu mahasiswa yang berasal dari Perguruan tinggi Jawa non BHMN dan Luar Jawa. Tinggi BHMN, NMR S1>2,69, dan NMR MAT Penelitian ini mengkaji sisi input 3,73. Mahasiswa yang memiliki NMR MAT > (masukan) dari suatu sistem pendidikan. Penelitian 3,73 umumnya berasal dari Program Studi non lebih lanjut dari sisi proses belajar mengajar Matematika / Statistika. diperlukan untuk mempelajari bagaimana 2. Berdasarkan pohon regresi NMR S2 terdapat keberhasilan mahasiswa jika dikaitkan dengan dua kelompok mahasiswa yang terbentuk proses pembelajarannya. Apakah dengan input dengan dugaan rata-rata NMR S2 < 3,00 atau yang tetap, perbaikan proses pembelajaran dapat DO yaitu : meningkatkan keberhasilan mahasiswa S2 Statistika 1). Kelompok mahasiswa yang berasal dari IPB? Perguruan Tinggi BHMN, NMR S1 2,69 serta pekerjaan bukan dosen maupun DAFTAR PUSTAKA peneliti. 2). Kelompok mahasiswa yang berasal dari Perguruan Tinggi Jawa Non BHMN dan Luar Breiman, L. J. H. Friedman, R. A. Alshen, and C. J. Jawa, NMR STK 2,61. Stone. 1993. Classification and Regression 3. Berdasarkan pohon regresi masa studi S2 Trees. Chapman and Hall, New York terdapat dua kelompok mahasiswa yang Faridhan Y.E. 2003. Metode Klasifikasi Berstruktur terbentuk dengan dugaan rata-rata masa Pohon Dengan Algoritma Cruise, Quest, dan studinya 3 semester (Do) yaitu : Chaid [Tesis]. Bogor: Program Pascasarjana, 1). Kelompok mahasiswa yang bukan sebagai Institut Pertanian Bogor. dosen maupun peneliti, dan berasal dari program studi Matematika, Pendidikan IPB. 2001. Katalog Program Pascasarjana IPB. Matematika dan Program studi lainnya. Bogor: Institut Pertanian Bogor. 2). Kelompok mahasiswa yang bekerja Kudus, A. 1999. Penerapan Metode Regresi sebagai dosen maupun peneliti, asal PT Berstruktur Pohon pada Pendugaan Masa Jawa non BHMN dan Luar Jawa dan NMR Rawat Kelahiran Bayi (Studi Kasus di Rumah STK 2,61. Sakit Hasan Sadikin Bandung) [Tesis]. Bogor: 4. Pohon regresi juga menunjukkan bahwa Program Pascasarjana, Institut Pertanian mahasiswa yang tergolong berhasil dengan Bogor. baik adalah kelompok mahasiswa yang bekerja 20
Forum Statistika dan Komputasi, April 2005, p: 15 - 21 ISSN : 0853-8115
Vol. 10 No. 1
Lewis, R. J. 2000. An Introduction to Classification and Regression Tree (CART) Analysis. Department of Emergency Medicine, HarborUCLA Medical Center, Torrance, California. Loh WY. 2002. Regression Trees with Unbiased Variable Selection and Interaction Detection, Statistica Sinica 12:361-386. Made
S. 2002. Peubah-peubah Penciri yang Mempengaruhi Tingkat Keberhasilan Mahasiswa S2 STK IPB [Tesis]. Bogor: Program Pascasarjana, Institut Pertanian Bogor.
Steinberg, Dan and Phillip Colla. 2000. CART for Windows User’s Guide. Salford Systems, 2000. Thoha, I.F. 2003. Studi Tentang Tingkat Keberhasilan Mahasiswa S2 Program Pascasarjana IPB [Skripsi]. Bogor: Fakultas Matematika dan Ilmu Pengetahuan Alam, Institut Pertanian Bogor.
21